基于RBF神经网络的空域图像水印改进算法

文章提出了一种利用径向基函数(RBF)神经网络实现的数字图像水印的改进新算法,从理论上对新算法进行了分析,通过仿真实验进行了验证。仿真结果表明,新算法与传统基于RBF神经网络图像水印算法相比,在保证速度不减慢的基础上其抗攻击能力有了显著的改善。该算法的创新之处在于将多级神经网络的思想引入数字图像水印算法中,利用几个性能不同的网络实现一种系统的功能。     

基于梯度场均衡化的图像对比度增强

在偏微分方程理论框架下提出一种能够有效增强图像中阴影或高亮区域信息的方法.首先对图像梯度场进行直方图均衡化,使这些图像阴影或高亮区域中的细节能够在梯度域得到增强;然后利用最小二乘原理重建出增强后的结果图像.通过引入 Lab 彩色空间将对比度增强方法推广到对彩色图像的处理中.在数值求解方面,根据Laplacian 算子的特点改进了求解 Poisson 方程的快速算法,改进后的算法具有程序设计简单、计算量小的特点.实验结果表明,文中方法能够有效地改善由于光照影响造成的图像对比度下降.     

用于图像对比度增强的直方图锥形拉伸算法

图像非均匀量化存在边界确定和细节限制等问题,为此提出的压扩量化算法的是基本思想是先通过非线性变换将不均匀图像变换到均匀域来均匀量化,然后将量化结果反变换成不均匀图像。该文提出了一种直方图锥形拉伸增强算法,将图像压扩量化中的纵向非均匀分层思想延伸为图像直方图灰度轴的横向非均匀拉伸,以获得图像整体对比度的提高。     

基于投影降质图像的对比度调整算法研究

获取图像的过程中,经常会遇到由于事物的投影而影响图像的拍摄效果,导致图像不清晰,图像边缘模糊,无法观察部分事物的细节。通过对比度调整,可以增强图像效果。笔者将需要处理的图像经过USM锐化,增强图像的边缘细节信息,利用限制对比度自适应直方图均衡算法完成提高降质图像的清晰度,并通过实验比较了几种算法的效果。     

基于直方图修正的局部对比度增强算法

针对传统直方图均衡化算法经常导致过增强,噪声放大和局部对比度低等缺点,提出了基于直方图修正的局部对比度增强算法。首先,利用自适应部分子块重叠方法把图像划分成一系列的子块,子块的大小能根据图像局部特征自适应调整;然后,对每个子块采用基于直方图修正的对比度增强方法进行处理;最后,融合各重叠子块的处理结果得到最终的增强图像。实验结果表明,该算法具有噪声鲁棒性、可控制增强等级、可调节动态范围和局部对比度较强的优势,增强后的图像具有更自然的视觉效果。     

基于模拟退火算法的红外图像自适应对比度增强

基于模拟退火算法击和非完全Beta函数，提出了一种自适应红外图像对比度增强方法。首先基于输入红外图像的灰度直方圈给出一种有效的判据。对输入红外图像先利用所提出的判据判断图像的对比度类型．然后利用这个判据来确定灰度变换参数的搜索空间，进一步指导模拟退火算法的搜索方向和初值的选取，利用模拟退火算法在上述确定的灰度变换参数空间中搜索最佳的灰度变换参数，从而获得一条最佳的灰度变换曲线，实现对图像进行全局增强处理。实验结果表明，该算法在有效地提高红外图像整体对比度的同时，很好地保留了图像中的细节部分信息。算法在视觉质量上优于传统的直方图均衡法、反锐化掩膜法。     

基于RBF神经网络与粗糙集的数据挖掘算法

随着数据挖掘技术的兴起,为了提高数据挖掘的准确性,提出了很多数据挖掘算法.神经网络与粗糙集理论结合的数据挖掘算法一直是基于粗糙集理论数据挖掘研究的热点之一.文中提出利用RBF神经网络收敛速度快、泛化能力强等优势先对数据进行训练,优化数据后传递给粗糙集进行数据挖掘的新思路.并通过对比与未经过RBF神经网络训练的数据挖掘结果,发现RBF神经网络与粗糙集结合算法挖掘的精度有明显的提高,证明了RBF神经网络与粗糙集理论结合的数据挖掘算法是有效的、可行的.     

基于RBF神经网络的减摇鳍自适应滑模控制

为减轻船舶在大风浪中剧烈的横摇,减摇鳍是目前应用最广泛的减摇装置.针时船舶减摇鳍系统的非线性和不确定性,在系统不确定性函数结构未知的情况下,提出一种RBF神经网络自适应滑模控制方法.采用RBF神经网络逼近系统不确定动态,并设计权值的自适应律,结合滑模控制增强系统的鲁棒性.在不同有义波高和不同浪向角下,建立随机海浪的干扰模型,应用simulink对系统进行仿真.仿真结果表明,该控制策略在各种海况下,均具有良好的减摇效果和较强的鲁棒性.     

基于RBF神经网络在图像分割参数估计的应用

论文提出了基于RBF神经网络图像分割参数估计的方法。该方法利用RBF神经网络良好的函数逼近性能,通过RBF神经网络对预处理后的图像有关参数进行估计,得到计算最优分割阈值所需的图像参数。该方法经过实验证明完全能达到图像分割要求。     

一种雾天图像低对比度增强的快速算法

为解决雾天图像低对比度问题，提出一种插值自适应直方图均衡化算法。该算法不仅避开了物理模型方法对景物信息的依赖，而且与其他图像处理算法相比能大幅度降低运算复杂度、消除块状效应、有效地突出图像细节信息，因此特别适合于深度信息多变且对比度较低的雾天图像。算法的有效性为实验结果所证实。     

基于直方图分割的彩色图像增强算法

针对直方图均衡化直接对彩色图像处理会导致图像色彩失真的情况,在对传统的直方图均衡化方法进行改进的基础上,提出了一种新的带色彩恢复的均衡化算法。该算法对于彩色图像R,G,B各个分量子图的灰度直方图,首先根据其灰度中值和分割直方图等面积原则进行两次分割,同时对分割后的各子灰度直方图分别进行均衡化处理;然后通过计算R,G,B各分量子图的灰度级总数占原彩色图像灰度级总数的比例,将均衡化处理后的R,G,B各分量子图进行合并。实验表明,该算法对彩色图像处理具有较好的增强处理效果。     

基于Retinex-UNet算法的低照度图像增强

针对Retinex应用于多种场景时,其约束和参数会受到模型容量限制的问题,提出了一种基于深度学习的低照度图像增强算法,并构建了新的网络架构Retinex-UNet（RUNet）。该架构包含图像分解网络与图像增强网络两部分,利用Retinex-Net网络思想,通过卷积神经网络（Convolutional Neural Network,CNN）学习并分解图像,将其结果作为增强网络的输入,对输入图像进行端对端训练。在增强网络中构建了基于U-Net的网络架构,其可对任意大小的图像进行增强。通过在公开数据集（LOL,SID）上验证表明,RUNet方法在效果上有所改进,尤其是整体视觉效果。     

基于小波分析的图像子带增强算法研究

介绍了图像的小波分解与重构,通过理论分析和实验研究了基于小波分析的图像子带增强算法,重点是小波基的选取以及图像分解层次对图像中目标边缘增强的影响研究,并针对目标边缘突出,将其与传统图像增强方法进行了比较。实验表明,针对目标边缘突出,基于小波分析的图像子带增强算法优于传统的图像增强方法,在该算法中,小波基选取db1-db5较好,分解层次定为5层增强效果优。     

基于分段直方图均衡化技术的图像增强

分析了传统灰度图像直方图均衡化算法存在的优缺点,提出了基于分段直方图均衡化技术的图像增强算法。该算法基于图像的特点,利用K均值聚类算法将图像分成几个灰度区间,然后再分别进行均衡化。实验结果表明,该算法对灰度呈现两端分布且低灰度区域有较多像素点分布的图像有较好的增强效果。     

基于分段直方图均衡化技术的图像增强

分析了传统灰度图像直方图均衡化算法存在的优缺点,提出了基于分段直方图均衡化技术的图像增强算法。该算法基于图像的特点,利用K均值聚类算法将图像分成几个灰度区间,然后再分别进行均衡化。实验结果表明,该算法对灰度呈现两端分布且低灰度区域有较多像素点分布的图像有较好的增强效果。     

基于像素领域信息的自适应图像增强算法

针对图像增强后视觉效果较差和细节信息不明显的问题,提出一种新的图像增强算法。计算图像中各像素数据模型与均匀分布模型之间的相对熵,设定阈值,基于邻域信息对相对熵大于阈值的像素进行自适应对比度增强,其余像素采用平台限制的双直方图均衡算法进行增强。实验结果表明,与HE算法、BHEPL算法和PLIP_BHE算法相比,经过该算法增强后的图像具有更好的视觉效果和更明显的细节信息。     

基于区域分割的雾天图像增强算法

由于受雾天光亮条件的限制,雾天拍摄的图像一般都有比较严重的图像降质;针对雾天图像的退化现象,提出了一种基于区域分割的雾天图像增强方法;该方法无需依据大气模型,而是采取基于边缘检测的区域分割方法首先将图像平坦区域提取出来,然后对非平坦区域进行局部直方图均衡化处理;同时,为防止区域边界效应的产生,通过距离变换进行渐变处理,最后对获取的图像进行信息融合,进一步提高图像质量;通过实验分析和验证,证实了该算法能有效地改善雾天图像的退化现象和提高图像清晰度.     

基于色调不变的彩色图像增强

色调是反映彩色图像中色彩信息的重要参数,为了在进行图像效果增强的同时保持色调不变,通常的做法是先把图像从RGB转化到HIS色彩空间,然后在保持H变量(色调)不变的情况下,进行I(亮度)的增强。但是这种方法由于需要进行色彩空间的相互转化,大大增加了计算量。通过对简化HIS模型的分析,提出了一种直接对R、G、B分量进行处理的彩色图像增强方法。该方法可以运用已有灰度图增强算法进行彩色图像的增强,由于不需要进行色彩空间的转化,大大减少了计算量,可用于实时性要求高的场合。实验结果表明,该方案使彩色图像的增强效果明显,运行效率高。