景深边缘优化的暗通道去雾算法

雾天条件下拍摄的图像存在低对比度和低场景可见度的问题,传统的去雾算法容易产生 Halo 效应.为此,提出了景深边缘优化的暗通道去雾算法.该算法是基于暗原色先验理论,需要考虑消除景深边缘处的白色晕块,方法是对图像景深边缘和非景深边缘分别采用不同的模板处理得到透射图.引导滤波修复透射图,在去除多余的纹理信息的同时增强了雾天图像的边缘信息.并采用新增可见边之比、梯度化均值对去雾图像进行客观评价.实验表明该算法不仅能够有效地去除图像中的雾气,而且有效地降低了Halo效应,从整体上改善了去雾复原图像的视觉效果.     

基于暗通道的单幅图像快速去雾算法

为了提高雾天环境下退化图像的视觉效果,以大气退化模型和暗通道先验估计为基础,提出了一种快速单幅图像去雾算法.利用暗通道先验对大气透射率进行粗估计,用采样边缘保持滤波细化透射率,再设法估计出原图中的天空区域,对其进行透射率补偿,根据估计的大气光和透射率,利用大气退化模型即可恢复出无雾图像.针对去雾后的图像色度较暗的问题,使用一种自适应直方图均衡方法.实验结果表明,相对于已有算法,该算法有效提高了图像去雾的效果,而且加快了处理速度.     

变压器套管油位雾霾图像检测方法

针对雾霾天气下的视频图像测量,传统的颜色空间转换方法会由于图像对比度降低而失效。在图像预处理阶段,暗通道先验去雾算法被广泛运用,但是这种算法的计算效率不高,用于变压器油位测量中不能达到实时要求,因此,为了快速测量油位,提出了一种基于暗通道优先和颜色空间变换的油位测量方法。在去雾阶段,对每个像素点的透射率进行逐个估计得到粗透射图,再对其进行修正,从而得到去雾图像。去雾之后,采用加权分布的自适应增强算法对图像进行增强。在油位测量阶段,在HSV空间取阈值分离出目标区域。实验结果表明,测量油位误差在±1%的同时,相比传统算法提高了近5倍效率。在保证良好效果时,能减少算法的时间复杂度,使变压器油位测量算法在雾霾天气下也能有效。     

基于暗通道先验的视频去雾算法

带雾视频需要实时的去雾算法。为了提高视频去雾的速度,根据视频中相邻帧之间的相关性,将一帧画面的大气光延用到其后的若干帧,设定了大气光重新计算的条件以解决光线发生突变的情况,并建立了像素灰度分布的模型来简化大气光的计算。在计算一帧图像的暗通道图时,先估算与前一帧暗通道图的差别,若差别不大,则对前一帧的暗通道图进行修正后作为本帧的暗通道图,否则重新计算暗通道图。实验证明该方法在保证去雾效果的前提下大幅减少了计算量。     

基于航拍图像去雾增强的秸秆焚烧监测技术研究

秸秆焚烧会造成严重的大气污染,航拍检测秸秆焚烧能够实现实时监测,具有便捷、实时的特点。但秸秆焚烧点航拍监测图像受天气中悬浮粒子影响,画质退化严重。针对该问题,提出来一种新的图像增强算法。算法在传统的暗通道先验算法基础上,对图像的直方图进行统计并采用自适应系数的去雾增强算法修正,并通过对比度增强最终提高航拍图像的质量。主客观实验结果表明,该算法在白天浓雾环境以及夜晚的低亮度环境下有较好的画质增强效果和较高的实用价值。     

基于拉普拉斯分解耦合亮度调节的可见光与红外图像融合算法

为了解决当前较多可见光与红外图像融合方法的融合结果中的目标信息不突出等问题,引入拉普拉斯分解机制,采用 图像的亮度特征来融合可见光与红外图像。 借助拉普拉斯分解方法,对输入图像进行分层,求取不同的图层信息。 并利用图像 的均值特征,计算图像的亮度信息,对低频图层的融合权值进行自适应调整,从而得到一个目标信息完整度较高的融合低频图 层。 基于图像的空间频率特征,对高频图层所含的细节丰富度进行评估,以获取一个细节丰富的融合高频图层。 再利用拉普拉 斯逆分解方法,对低、高频图层完成融合。 实验数据显示,较已有的融合算法而言,所提算法的融合结果更能突出目标信息,具 备更为丰富的细节特征。     

高频增强网络与FPN融合的水下目标检测

针对水下目标检测中目标对比度低以及水下图像多尺度问题，提出了高频增强网络与特征金字塔(FPN)融合的水下目标检测算法，以提高对水下目标边缘、轮廓信息以及目标底层信息的提取。首先引入八度卷积将卷积层的输出特征按频率分解，将主干网络提取到的特征图进行高、低频信息分离，鉴于水下目标的轮廓信息和噪声信息均包含于高频特征中，在高频信息通道中引入通道信息具有自适应增强特点的通道注意力机制，形成了一种高频增强卷积，以达到增强有用轮廓特征信息和抑制噪声的目的；其次，将增强的高频特征分量融入FPN的浅层网络中，提高原FPN对水下多尺度目标的特征表示能力，缓解多尺度目标漏检问题。最后，将所提方法与基线算法Faster R-CNN融合，在全国水下机器人大赛提供的数据集中进行实验。结果表明：改进算法识别准确率达到78.83%,相比基线提升2.61%,与其他类型目标检测算法相比，依然具备精度和实时检测优势，证明了从特征图频域角度提升前景和背景对比度的有效性。     

双注意力机制与改进U-Net的水下图像增强

针对现有的水下增强算法存在色彩失真和去雾效果不好等问题，本文提出基于双注意力机制与改进U-Net的水下图像增强算法。首先采用颜色校正模块对红、绿、蓝三通道进行处理，减少色偏的影响；然后将通道注意力、空间注意力与U-Net网络相融合，对颜色校正后的图像进行去雾、去噪等处理，保留图像纹理细节的同时，实现对比度的增强；最后采用金字塔融合模块将不同分辨率的图像特征进行融合，获得视觉上清晰的图像。实验结果表明，基于UIEBD和UFO-120测试集，UCIQE、NIQE、SURF以及信息熵的平均值分别为0.608 1、4.440 3、31.5和7.649 5,所提算法在主观视觉质量和客观评价指标上都优于其他经典及新颖算法，增强后水下图像去雾效果良好且在颜色校正方面也具有明显优势，显著提高了水下图像的视觉质量。     

结合NSCT与插值的图像超分辨率重建

针对传统超分辨率重建算法中存在的不足,提出一种基于非下采样轮廓波变换(NSCT)和插值的单幅图像超分辨率重建算法。首先对低分辨率图像进行NSCT变换处理,将得到的低频子带及高频子带系数分别进行软判决自适应插值和三次样条插值,再对三次样条插值后的高频系数进行形态学增强。对插值后的低频子带进行稀疏表示,通过香农熵取大的融合规则进行融合;对于高频子带,采用一种运用子带系数的空间频率、梯度指标信息,并与高斯隶属函数相结合的自适应融合规则进行融合。最后对融合后的系数进行NSCT逆变换得到重建图像。实验结果表明,该算法无论在主观视觉效果和峰值信噪比、结构相似性等客观指标上均优于其他经典的重建算法,进而验证了该算法的有效性。     

基于深度密连网络的自然图像去噪算法

针对目前基于卷积神经网络的图像去噪算法中,存在的卷积层数少、模型简单、参数计算量大和收敛速度慢等问题,导致无法有效地保留高频纹理信息,易产生振铃效应,提出一种结合密连网络的图像去噪算法.首先利用低通滤波器将噪声图像分解成高频层和低频层,对包含高频层的图像信息进行傅里叶域上的预处理,将预处理后的初始图像小块作为网络的输入...     

基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法

研究低成本和便携的红外成像技术是最近几年带电检测的发展趋势,为减少红外检测环境、红外传感器以及其他因素的影响,解决红外检测中红外图像含噪声干扰、模糊和对比度低的问题,文章设计了一种基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法。对原始红外图像进行NSCT域变换;变换后含有噪声的高频分量采用VT去噪后,接着采用改进模糊增强处理;对变换后含有电力设备主体的低频分量进行灰狼自适应阈值分割为背景和前景部分,随后分别进行增强处理;最后将处理后的各分量进行逆NSCT变换。经对比应用,验证了该算法应用在变电站电力设备红外检测上的优越性：文章算法与其他算法相比在边缘强度、信息熵、对比度、标准差、峰值信噪比五类评价指标上的涨幅至少为3.94%、 2.16%、 9.86%、 7.45%、 21.86%。文章算法处理后的红外图像符合人眼视觉效果,更易于人眼识别故障,有利于电力设备热故障的检测与故障定位。     

基于非下采样Contourlet变换耦合特征选择机制的可见光与红外图像融合算法

为了克服当下较多可见光与红外图像融合方法因忽略了光谱特征而导致融合图像存在光谱扭曲、目标内容显著度较差等不足,提出了非下采样Contourlet变换(nonsubsampled contourlet transform, NSCT)耦合特征选择机制的图像融合算法。首先,通过NSCT对可见光与红外图像计算,分离出其不同图像系数。然后,利用信息熵函数,度量图像所含信息量的丰富度,以形成低频系数的融合系数,得到富含红外目标等丰富信息的融合低频系数。采用像素点的邻点信息,度量图像的清晰度特征,并引入均值函数,度量图像的光谱特征,再联合图像的清晰度特征,构造特征选择机制,从图像中选择理想的高频系数融合函数,获取兼顾细节特征和光谱特征的融合高频系数。最后,通过实验结果发现,较现有的融合算法而言,所提算法拥有更好的融合质量,更好地保持了图像的光谱特征,且目标内容显著。     

基于NSST的改进最大最小滤波与DCT-LSF的多聚焦图像融合

针对图像采集传感器的景深有限,导致采集图像的局部区域产生的失焦现象,本文提出了一种新的多聚焦图像融合算法。在NSST的框架下,对低频子带分解系数采用基于离散余弦变换(DCT)和局部空间频率(LSF)的融合规则;对高频子带分解系数则采用基于最大最小滤波结合平均滤波、中值滤波(MMAM)的融合规则;然后进行INSST重构获得融合图像。实验结果表明,与经典图像融合算法相比较,本文算法能有效融合图像的高低频子带信息,并在主客观评价方面都达到了较好的效果。     

基于统计特征分类耦合自适应 Gamma校正的图像增强算法

为了避免图像在亮度增强时导致其颜色失真,且在局部易出现过增强等问题,设计了统计特征分类耦合自适应Gamma校正(adaptive Gamma correction,AGC)的图像增强算法,以更好提高图像细节与视觉效果。首先,将输入图像转换为HSV空间,使颜色与亮度分离,使其在增强亮度通道时不改变像素的原始颜色,有效降低颜色失真。然后,考虑不同图像的性质,利用统计信息将图像分类为高、低两种对比度,每种对比度又分为亮、暗两类。其次,基于传统的Gamma校正方法,通过对于不同类型的图像进行动态参数设置,形成一种AGC机制,从而为不同类型图像的构建了不同的增强函数,以完成不同类别图像的增强处理。实验数据表明,与当前流行的增强算法相比,所提算法具备更高的增强效果,呈现出更为自然的亮度与对比度,且保持了更多的颜色信息。     

基于非下采样Contourlet变换耦合能量相似制约的遥感图像融合算法

为了克服当前遥感图像融合方法存在的块现象和光谱扭曲等问题,引入了非下采样Contourlet变换(nonsubsampled contourlet transform, NSCT),设计了一种通过能量相似制约的遥感图像融合算法。利用HSV(hue, saturation, value)变换来处理多光谱(multi-spectral, MS)图像,从MS图像中提取对应的V成分,并通过NSCT变换计算出V成分及全色(panchromatic, PAN)图像的不同图像系数。利用区域能量函数来测量图像所含能量信息,并以图像间能量的相似性为依据,构建低频系数的融合模型,获取具有较好光谱特征的融合低频系数。利用空间频率函数来测量图像所具有的细节特征,以构建高频系数融合模型,获取具有较好清晰度的融合高频系数。最后,借助HSV和NSCT的逆变换,输出融合结果。实验结果表明,较现有融合技术而言,所提算法具有更好的融合效果,输出图像具备更好的光谱特征,有效降低了块效应。     

结合小波变换和双边滤波的SICM图像降噪算法

扫描离子电导显微镜(Scanning Ion Conductance Microscope, SICM)能够实现微纳米级的形貌测量,引起广大学者的关注研究。针对SICM形貌图像易受噪声污染,影响后续应用的问题,提出了一种基于小波分层阈值处理的双边滤波算法。针对SICM形貌图像的多特征融合噪声,采用伪中值滤波局部处理图像中的强斑点噪声,有机结合小波阈值去噪和双边滤波去除图像高频和低频噪声,最终得到去噪效果较好的形貌图像。通过仿真实验和实测实验进行多次验证,本文算法对比中值滤波、双边滤波和小波去噪三种去噪算法,其峰值信噪比提升幅度均大于9.8%。实验表明本文算法在SICM形貌图像去噪方面具有更大优势。     

基于偏振信息图像增强的多目标检测

偏振是光的重要特性之一,偏振成像技术能够获取场景中目标的强度信息和偏振信息,偏振信息能够反映出目标物体表面的材质特征。本文针对雾霾天气状况下道路场景中常见目标识别结果的准确性要求,提出了两种基于偏振信息的图像增强方案。首先经过多次采集实验,经过数据清洗、图像标注构建偏振数据集,共4 649张图像和31 877个标签。针对雾霾轻度污染的场景,通过区域自动生长算法分割出偏振强度图像中的天空区域,根据天空区域的偏振度和偏振角信息以及大气物理散射模型反演出目标反射光,从而实现图像去雾。针对雾霾重度污染的场景,使用小波变换的方式对图像进行增强,利用偏振度图像来增强强度图像中的目标轮廓。使用图像灰度方差和图像信息熵作为图像质量评价指标,使用YOLO v5s深度学习网络进行目标检测。实验结果表明,雾霾轻度污染的情况下,图像质量和目标检测准确性均有所提升,图像信息熵提升了3.36%,灰度方差提升了40.27%,目标检测mAP达到了76.40%,提升了12.69%;雾霾重度污染的情况下,目标检测mAP提升约1.69%。     

Automatic Vehicle Detection Using Local Features—A Statistical Approach

This paper develops a novel statistical approach for automatic vehicle detection based on local features that are located within three significant subregions of the image. In the detection process, each subregion is projected onto its associated eigenspace and independent basis space to generate a principal components analysis (PCA) weight vector and an independent component analysis (ICA) coefficient vector, respectively. A likelihood evaluation process is then performed based on the estimated joint probability of the projection weight vectors and the coefficient vectors of the subregions with position information. The use of subregion position information minimizes the risk of false acceptances, whereas the use of PCA to model the low-frequency components of the eigenspace and ICA to model the high-frequency components of the residual space improves the tolerance of the detection process toward variations in the illumination conditions and vehicle pose. The use of local features not only renders the system more robust toward partial occlusions but also reduces the computational overhead. The computational costs are further reduced by eliminating the requirement for an ICA residual image reconstruction process and by computing the likelihood probability using a weighted Gaussian mixture model, whose parameters and weights are iteratively estimated using an expectation-maximization algorithm.