增强图像的客观质量评价算法研究

增强图像是指与原始图像相比,在清晰度、饱和度和亮度等方面所增强的图像。图像增强被广泛应用在生活中。因此,对增强图像精确的质量评价具有非常重大的意义。然而,现有的增强图像质量评价算法不能够对增强图像的质量进行精确评价。文章算法综合考虑增强图像与原始图像的结构相似度、色彩饱和度相似度和清晰度相似度对增强图像作出评价。文章算法在现有的增强图像数据库中的测试结果显示,文章算法的性能优于传统的质量评价算法和现有的增强图像质量评价算法。     

自适应HSV空间Retinex煤矿监控图像增强算法

针对煤矿井下的监控图像由于粉尘、煤尘、低照度或点光源等光照的影响,而整体阴暗模糊,对比度低,背景噪声强,视觉效果不理想的问题,提出一种改进的HSV(Hue,Saturation,Value)空间的颜色可恢复的多尺度Retinex(Muhi-Scale Ret-inex,MSR)的图像增强算法.该算法先将图像从RGB空间转换到HSV空间,以确保后续图像增强处理不会影响图像的色彩效果;然后利用提出的自适应的高斯核函数分离亮度分量V的照度分量和反射分量,再利用自适应的增益系数对反射分量进行增强处理,获得不受光照影响的、增强的反射图像;最后将反射图像逆变换回RGB空间,再利用优化的颜色恢复函数对增强的图像进行颜色修正,从而改善图像的全局视觉效果和局部对比度.实验表明该方法能有效提高煤矿井下监控图像的对比度和亮度,抑制背景噪声,从而大大改善煤矿井下监控图像的视觉效果,且很好地实现了参数自适应,减少了人为因素对结果的影响.     

基于人眼视觉的红外图像增强算法研究

红外图像具有低对比度、噪声大、动态范围大以及视觉效果差等特点。传统的图像增强算法具有各自的局限性,处理后的视觉效果并不理想。为了改善红外图像的视觉效果,增强图像中目标的识别力,研究了基于人眼视觉特性的Retinex算法,结合红外图像的成像机制,将适用于可见光图像的Retinex增强算法应用于红外图像,取得了良好的视觉效果。在此基础上,对算法进行自适应改进,提出了AMSR算法。采用几种传统的图像增强算法和基于Retinex的算法对具有典型特性的红外图像进行增强处理,并计算客观评价指标。通过对实验结果的主观评价和客观指标分析,验证了AMSR增强算法对红外图像具有适用性和优越性。本文的研究工作对红外目标探测和识别具有重要的意义。     

色度在评价增强图像时对传统算法的修正效果

增强图像是指与原始图像相比在清晰度、亮度、色彩、对比度等方面有一定增强的图像.图像增强已被广泛应用,例如很多图像处理软件PS,ACDSee等都能够对图像进行增强.与此同时,也出现了很多图像增强算法.所以,对增强图像的质量评价具有重要意义.传统的图像质量评价算法不能够对增强图像进行精确评价.增强图像与原始图像相比,在色度上存在一定差异.在此基础上,研究了色度在评价增强图像质量时对传统的图像质量评价算法的修正效果.在增强图像数据库中进行的实验证明在评价增强图像质量时,色度能够对传统的图像质量评价算法进行较好的修正.     

采用两阶段混合策略实现的低照度图像增强算法

在深入分析现有各主流低照度图像增强(Low Light Image Enhancement,LLIE)算法的基础上,提出了一种采用两阶段混合策略实现的低照度图像增强(Hybrid LLIE,HLLIE)算法.具体地,在第一阶段,对于给定的低照度图像,利用互补效果较好的Fu和Ying两个主流LLIE算法分别对其进行增强预处理,所得到的两张增强后图像称为初步增强图像;在第二阶段,将所得到的两张初步增强图像输入到预先训练好的多通道浅层卷积神经网络(Multi?channel Shallow Convolution Neural Network,MSCNN)模型中,由MSCNN模型将两张初步增强图像优化组合为一张具有更高图像质量的最终增强图像.实验结果表明:与各主流LLIE算法相比,所提出的HLLIE算法在各个客观图像质量评价指标上有显著优势,人工主观评价亦能证实这一点.     

基于大气散射模型的低照度视频增强算法

低照度情形下光照条件复杂,摄像设备采集到的视频无法满足实际应用需求,因此,需要进行增强。提出一种基于大气散射模型的低照度视频增强算法。将视频分帧,对于每一帧图像,提取V分量。提出透射率和大气光值估计方法,更加准确地描述图像的照度分布,从而避免过曝光现象;根据低照度大气散射模型,求解得到初步增强的V分量。为了丰富图像细节,提出细节优化方法,得到增强图像,合成每一帧增强图像得到增强视频。对增强结果进行主观和客观分析,结果表明,所提出的算法在视觉效果和客观评价指标方面均优于对比算法,其中所提出算法的清晰度、边缘强度、基于块的对比度和结构相似度均排名第一,且算法运行速度较快。     

再论煤炭的科学开采

针对煤矿井下采集到的图像对比度低、光照不均和细节信息弱等问题,提出一种基于色相-饱和度-明度（Hue-Saturation-Value,HSV）颜色空间的煤矿井下低光照图像增强方法。该方法基于图像的HSV空间,通过对低光照图像的亮度通道V通道的主要结构和边缘细节分别进行对比度增强,这样可以更好地抑制图像细节丢失,同时可以较好地再现原图中的轮廓和纹理细节。首先,将输入的煤矿井下低光照图像转换到HSV空间,利用相对全变分滤波（RTV）与改进的边窗滤波（SWF）,分别对提取的V通道图像进行主要结构提取和轮廓边缘保留,对其非线性灰度拉伸后利用主成分分析融合技术（PCA）重构V通道图像,即融合V通道图像的主要结构和精细结构,最后合成图像,完成图像增强。通过实验验证,提出的基于HSV空间的煤矿井下低光照图像增强方法,在色彩和边缘模糊处理等方面表现良好,在煤矿井下工作面等环境中,对图像进行定量和定性实验,结果表明,与6种方法相比,增强图像的对比度、自然度和图像细节方面表现更好。     

基于量子萤火虫和增益Beta的医学DR图像自适应增强

为了解决医学DR图像对比度低、边缘模糊、细节不清晰和缺乏自适应增强的问题,提出一种基于量子萤火虫和增益Beta的医学DR图像自适应增强方法.该方法针对传统Beta变换的不足,提出了增益Beta变换方法,提出了应用于增益Beta变换的二分类别判定方法和参数约束修正方法.为实现自适应的增强,将量子计算和萤火虫群算法结合提出一种量子萤火虫群算法,提出一种FHCE图像增强质量评价标准作为算法的适应度函数,该算法可快速精确求解应用于医学DR图像自适应增强的增益Beta变换的最优增强参数值.实验结果表明这种方法提高了医学DR图像的对比度,边缘和细节更加的清晰,能够自适应增强各类型医学DR图像.     

基于动态双稳随机共振的低照度彩色图像增强

针对非均匀低照度图像增强问题,提出了一种动态双稳随机共振算法。该算法基于双稳态随机共振模型,将图像中的噪声能量转移到低照度区域,能有效对低照度图像进行亮度增强。在研究过程中设定了低照度像素的迭代阈值,避免了高亮度区域的过度增强,可保证图像具有较好的视觉感受。研究采用感知质量评估(PQA)和亮度阶误差(LOE)作为图像质量的评价指标,通过对比实验发现,所设计算法的PQA值最接近10,增强图像的质量最好,同时LOE值在67～204之间,图像自然性保存最优。     

弱对比度细节模糊增强的自动参数选择

针对广义模糊增强算法中参数选择的主观性,提出了一种模糊参数自动调整的方法。通过分析实验得出模糊参数对图像增强效果的重要性,给出一种用图像可检测边缘度和图像熵的熵值作为图像增强的评价标准,并根据这个标准实现了原来模糊增强算法中参数的自动选择,达到图像的自动增强,提高图像中弱边缘对比度的目的。最后通过实验证明算法的有效性。     

基于小波变换与像元对目标的短波红外图像增强算法

弱光夜视是短波红外成像的重要应用领域之一。针对短波红外弱光图像对比度低,增强后噪声也被放大的特点,提出了一种基于小波变换与像元对目标的短波红外图像增强算法。首先通过小波变换获得不同频率成分的子带图像;然后对低频子带图像进行基于像元对目标的灰度变换处理,对高频子带图像进行可变阈值降噪处理;最后通过小波反变换将处理后的子带重构得到增强结果。将该算法与基于直方图的增强算法,全局优化线性窗口色调映射算法和自然保持增强算法进行比较,采用图像的信息熵和基于Michelson法则的对比度增强度量作为客观评价指标,结果表明本文算法更为有效地提高了短波红外弱光图像的对比度,抑制了噪声的增强,提升了图像的视觉效果。     

基于非抽样Contourlet变换的自适应阈值图像增强算法

提出了一种基于非抽样Contourlet变换的自适应阈值图像增强算法,首先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的变换系数,然后由变换系数自适应地确定阈值和调整增强函数,并对变换系数做增强处理,最后对增强处理后的变换系数进行反变换,实现图像增强.实验结果表明,与其他基于变换域的算法相比,该算法可以得到更好的增强效果.     

基于数字图像处理的冲压工件增强算法研究

传统的图像增强算法在增强图像时,存在丢失细节和增大噪声以及运行时间长等问题,为了满足冲压工件缺陷自动在线检测技术的需要,本文提出了基于Contourlet变换和混沌小生境粒子群优化算法(NCPSO)相融合的图像增强算法。首先,对图像进行Contourlet变换分解,在带通方向子带进行自适应增强来实现对工件图像的增强;然后将NCPSO算法引入,克服了Contourlet变换在图像增强时速度较慢等问题,提高了算法效率。通过实验表明,该方法在增强效果和运算时间上都优于传统的图像增强算法。     

织物图像增强技术的研究

对具有不同特性的织物数字图像利用二维离散傅立叶变换进行图像增强和图像复原等操作,能有效地改善图像的 质量,突出所需要的细节,为织物密度的自动测量提供最佳质量的图像.研究了二维离散快速傅立叶变换算法,以及利用该 算法在频率域中进行图像增强和图像复原的新方法.实验结果分析表明,利用提出的方法可以较好地改善织物图像的质量.     

基于小波变换与深度残差融合的图像增强算法

针对目前基于小波变换图像融合增强算法原始图 像中的多尺度细节信息的不足,提 出了一种改进的多尺度小波变换与深度残差选择相结合的图像增强算法。利用小波变换对原 始图像进行分解提取得到它的多级分解系数后,再利用不同规则对不同层次的小波系数进行 重构,与此同时引入深度残差算法的思想对子带系数做残差。对于高频子带系数,计算子带 残差的系数与梯度特征融合方法的系数,选用两者最大值进行融合增强;而对于低频子带系 数则采用梯度特征融合增强系数与子带残差系数取平均值的算法进行融合。通过在MATLAB 平台上的实验对所提出算法进行验证,峰值信噪比相较于对比的方法都有所提高,且均方根 误差也得到减小,结构相似度都得到提高,结果表明该算法能增强图像的多尺度细节信息, 提高图像的信噪比,且具有更好的图像增强效果。     

基于小波和灰度形态学的红外图像增强方法

针对红外图像对比度差、信噪比低的特点,提出了一种基于小波变换和灰度形态学的红外图像对比度增强的算法,对红外图像进行小波分解后,利用灰度形态学对低频系数进行对比度增强,同时计算局部阈值,并利用确定的阈值对小波系数进行去噪处理,最后重构得到去噪后的增强图像。实验结果表明,本文算法有效的提高了目标的对比度,同时突出了目标的细节信息,算法在性能优于传统的中值滤波与直方图均衡法相结合、维纳滤波与灰度变换法相结合的对比度增强算法。     

基于小波变换和直方图均衡的红外图像增强

基于红外图像低分辨率、低对比度、视觉特性差的特性,以及传统的利用直方图均衡化进行红外图像增强的方法会丢失图像的细节信息、增强红外图像的噪声的特性,将小波变换的多尺度、多分辨率的特点和直方图均衡化的方法相结合,提出一种更好的实现红外图像增强的算法。并将该算法在Matlab上进行了仿真验证。     

一种基于小波变换的非线性红外图像增强算法

针对红外图像对比度低,噪声干扰大,用传统增强算法增强时,增大噪音的问题,提出了一种基于小波变换的非线性红外图像增强算法.该算法先对原始图像进行小波变换获得低频和高频系数,接着根据低频系数的特点设计了非线性函数对低频系数进行增强,并对高频系数进行小波去噪,最后通过小波重构得到增强的图像.仿真实验表明,该方法不仅解决了红外图像对比度低的问题,并且降低了噪声,突出了图像细节,该方法无论是增强效果还是抗噪效果都明显优于传统的图像增强方法.     

基于小波分析的红外图像非线性增强算法

红外图像具有对比度低和信噪比低等特点,实际应用中需要进行增强处理。将小波分析与模糊逻辑相结合,提出了一种基于小波变换的红外图像非线性增强算法。该算法首先利用小波分析对图像进行分解,提取图像的多尺度特征信息;然后通过模糊非线性增强算子分别对各个分解层的子带系数进行运算以改变目标特征的强度;最后利用小波反变换重构图像,实现图像的对比度增强和背景抑制。与几种常用的红外图像增强算法进行了实验对比,验证了该算法的有效性。     

基于形态小波变换的低对比度图像增强算法

针对传统的图像对比度增强方法所存在的一些问题,提出了一种基于形态小波变换的图像增强算法.首先,将低对比度图像采用基于提升格式的形态Haar小波进行小波变换,得到小波系数,该小波变换实现结构简单,计算量低,并且有利于图像重要的几何信息在低分辨率空间中的保留.然后,对低频子带小波系数,采用直方图双向均衡方法进行调整,对高频子带小波系数进行基于软阈值滤波的细节系数增强,将调整后的小波系数反变换到空域上,得到增强后的结果.最后,给出几种增强算法实验结果的比较和分析,表明该算法对低对比度图片的增强是非常有效的,可以有效地增强图像的细节信息,保持图像的边缘特征,改善图像的视觉效果.