一种多尺度彩色图像细节增强算法

针对彩色图像提出一种基于小波变换的细节增强算法,在可分离亮度色度的彩色空间内,保持图像的色度分量不变,对其亮度分量进行小波变换,然后按照分解后的各级近似图像对比度采用插值处理调整小波细节系数,同时适当地增强近似系数以提高彩色图像的平均亮度,在处理过程中不需要设定额外的调整参数.实验证明,本算法不但保留了图像较亮的细节,而且增强了较暗的细节,同时达到了图像色彩不失真的目的.此外,本算法直接在RGB彩色空间内处理彩色图像也获得了较好的效果.     

模糊多尺度Retinex彩色图像增强

由于中心环绕Retinex算法中假设场景中光照是平缓变化的,所以在图像明暗对比强烈处易出现光晕现象。针对Retinex传统算法的固有缺陷,结合MSRCR算法在色彩恢复上的优势,提出了一种模糊多尺度Retinex彩色图像增强方法（FMSRCR）。FMSRCR使中心环绕空间对比运算仅在光照强度相近的区域中进行,克服了光照不均的影响。同时采用自适应高斯模,减少了卷积运算量。通过实验证明该方法是有效的。     

一种基于遗传算法的彩色图像增强方法

遗传算法是借鉴生物的自然选择和遗传进化机制而开发出的一种全局优化自适应概率搜索算法,目前已在包括图像处理在内的很多领域得到了很好的应用.本文通过将遗传算法与Otsu图像阈值选取理论有效的结合,对彩色图像进行通道"分解-增强-合成",实现了彩色图像增强.     

模糊最大熵多阈值分割的改进算法研究

基于模糊最大熵原则的多阈值分割,提出了遗传算法和ICM相结合的改进算法。该方法首先确定选取模糊熵函数作为适应度函数,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。与通常的基于模糊最大熵原理进行阈值分割方法相比较,减少了计算量并且提高了运行效率,克服了常用方法在阈值求取时的一些不足,能够快速获得稳定的阈值。对比实验得出的结果,也说明了该方法的快速性、有效性、稳定性。     

一种新的多特征彩色图像检索方法

提出了一种新的多特征彩色图像检索方法。该算法结合MPEG-7视觉内容描述对真彩色图像进行量化处理,并利用模糊颜色直方图提取主色及其所占百分率作为颜色特征;对图像进行小波变换,并提取小波域子带图像能量作为纹理特征;综合上述2个特征计算图像间内容的相似度,并进行彩色图像检索。仿真实验表明,该方法具有较好的查准率和查全率。     

一种快速的模糊C均值聚类彩色图像分割方法

FCM用于彩色图像分割存在聚类数目需要事先确定、计算速度慢的问题,为此,提出一种快速的模糊C均值聚类方法（FFCM）。首先,对原始彩色图像进行基于梯度图的分水岭变换,从而把原始彩色图像数据分成一些具有色彩一致性的子集;然后,利用这些子集的大小和中心点进行模糊聚类。由于FFCM聚类样本数量显著减小,因此可以大幅提高模糊C均值聚类算法的计算速度,进而可以采用聚类有效性指标确定聚类数目。实验表明,这种方法不需要事先确定聚类数目,在聚类有效性能不变的前提下,可以使模糊聚类的速度得到明显提高,实现了彩色图像的快速分割。     

基于模糊熵和RPCL的彩色图像聚类分割

提出了一种基于模糊熵和RPCL(rival penalized competitive learn ing)的彩色图像聚类分割算法。该算法可以自动确定图像的颜色类数目和初始类中心,从而提高了聚类的收敛速度,并且能够解决模糊熵阈值化分割算法所造成的过度分割问题。首先,计算彩色图像各颜色分量的模糊熵,获得分量模糊熵曲线,并根据模糊熵原理确定各分量的分割区域及聚类中心;然后,对各分量的聚类中心进行组合,形成彩色图像可能的聚类中心。但是,组合的聚类中心数目会多于实际的聚类数目,造成过度分割。因此,本文采用RPCL算法,对这些组合的聚类中心颜色进行学习来确定实际的颜色类数目以及聚类中心,并用学习后的聚类中心对原图像进行聚类分割。实验结果表明,该算法能有效地分割彩色图像,无需事先给定聚类数目和初始类中心。     

一种新的彩色图像数字水印算法

数字水印是有关多媒体信息内容安全的一种技术.本文应用离散脊波变换(Discrete Ridgelet Transform),设计并实现了一种基于离散眷波变换和离散小波变换的图像水印算法,算法分别在彩色图像的离散小波变换域和离散眷波变换域嵌入彩色图像水印,可以抵抗噪声、JPEG压缩、改变亮度、改变对比度、改变颜色、lens blur、缩放、剪切和一些联合攻击.     

基于模糊熵和BP神经网络的彩色图像边缘检测

在RGB颜色空间中,分别提取R、G、B三个分量并计算R、G、B三个分量的组合V,通过引入模糊熵,构造出4个基于模糊熵的信息测度分量来定量描述彩色图像的边缘特征,并将4个测度分量组成一个整体的特征向量,计算训练图像的特征向量作为样本对BP网络进行训练,然后将训练的BP网络直接用于边缘检测。该方法充分考虑了颜色空间中各颜色分量以及它们之间的相关性;BP网络的结构和训练都比较简单;实验表明,改进方法具有较强的细节保持能力,对弱边缘具有较强的检测能力。     

基于模糊最大熵的红外图像增强算法

针对红外图像整体亮度偏暗、对比度较低、目标与背景区分不明显的特点,论文提出了一种基于模糊最大熵和改进的S函数的图像增强算法。该方法首先通过模糊最大熵准则求取最佳阈值,再使用改进的S函数对阈值两侧的像素灰度进行模糊域的非线性拉伸,从而得到增强后的红外图像。实验结果表明,该算法能明显提高红外图像对比度,突出目标并降低背景噪声。     

模糊Renyi熵与QGA结合的快速图像分割

针对非模糊熵的阈值分割方法不能较好地反映数字图像本质上具有的模糊特性,提出一种新的基于模糊熵的图像阈值分割方法。通过模糊隶属度函数将图像直方图信息转换到模糊域,利用模糊Renyi熵计算目标与背景的信息熵。根据最大熵原理,引入量子遗传算法对隶属度函数参数进行寻优,进而得到图像的最佳分割阈值。与典型的阈值法进行对比实验,表明该方法能获得更好的分割结果,满足实时性需求。     

红外图像自适应增强的模糊粒子群优化算法

针对红外图像目标与背景区分不明显、对比度低的特点,把粒子群优化算法应用到红外图像增强中,提出了红外图像自适应增强的模糊粒子群优化算法。灰度变换增强是红外图像增强的首选方法之一,而选取适当的阈值是其取得良好的增强效果的有力保证。该算法通过粒子群优化算法来寻求最大熵准则下的自适应阈值,然后用模糊灰度变换增强方法自适应地拉伸红外图像灰度,增强图像。仿真实验表明,相对于常见的直方图处理,该算法能降低红外图像中背景对目标的影响,能提高红外图像的对比度。     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。     

一种X射线图像增强新方法

针对X射线图像对比度不高,图像偏暗,边缘模糊,噪声大的问题,提出了一种小波变换和模糊理论相结合的图像增强新方法.首先,将射线图像进行小波分解获得低频子带和高频子带,然后,对含有图像基本面貌特征和主要能量信息的低频子带采用广义模糊算子进行处理,能较好地提升图像对比度和局部亮度,对含有噪声和细节信息的高频子带利用软阈值去噪方法进行去噪处理,同时定义了一种新的增强算子,在去噪的同时进行细节增强,最后,对处理后的图像进行小波重构.实验结果表明:该方法可以有效去除图像噪声,提升图像对比度和清晰度,视觉效果良好.     

基于小波融合的射线图像增强算法*

提出一种基于小波融合的射线图像增强算法,利用射线成像的特点,对射线成像系统采集信号作分段灰度变换,将变换得到的多幅图像利用小波变换进行图像融合,以增强射线图像的显示效果。融合中采用低频图像的小波系数均值作为融合后的低频系数,高频图像根据梯度和一致性检测确定融合规则,调整高频小波系数大小,很好地将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,且优于传统的射线图像增强方法。     

系数型指数模糊熵在图像增强中的应用

在研究已有模糊熵的基础上,提出了一种系数型指数模糊熵的图像增强方法。先将图像进行模糊划分后变换到模糊域,然后利用提出的模糊熵计算图像的模糊熵,并且在最大熵准则下用模拟退火算法求取最佳阀值,利用增强算子进行图像增强。实验结果表明,该算法对图像有一定的增强效果。     

基于人类视觉系统的彩色图像分形编码算法

在分析传统的四叉树分形编码算法的基础上,将人类视觉系统(HVS)的特性引入到值域块的四叉树划分中,在定义域池的生成以及值域块与定义域块的匹配上采用分类的方法,然后利用彩色图像R,G,B三个分量的相关性,将三色分量图按某种方式组合成一个灰度图像,提出一种使用HVS的彩色图像分形编码算法.实验表明,在保证图像解码质量的情况下,该算法比Fisher和JPEG算法能达到更高的压缩比,并且在编码时间上优于Fisher算法.     

基于第二代Curvelet变换的自适应图像增强

Curvelet是继小波和Ridgelet之后一种新的图像多尺度表示方法,Curvelet具有多尺度,多方向的特性,属于高度各向异性的变换。第二代Curvelet变换克服了第一代Curvelet变换的高数据冗余度问题,特别是基于”Wrapping”方式的第二代离散Curvelet算法,不仅运算快速、几何真实,而且快速可逆。因此,将第二代Curvelet变换用于图像增强,并通过自适应地确定Curvelet分解子带的噪声水平,实现了一种自适应图像增强方法。实验结果表明,同基于小波变换的图像增强方法相比,该方法具有明显的优势。