基于引导滤波的Retinex快速夜间彩色图像增强技术

针对目前基于Retinex原理的图像增强技术在对夜间彩色图像处理中存在颜色失真、在高对比度边缘区域存在“光晕伪影”等问题, 提出了一种基于引导滤波的Retinex快速夜间彩色图像增强的算法.该算法首先构造优化的颜色恢复函数, 然后对夜间彩色图像在色调、饱和度、亮度(hue, saturation, value, HSV)颜色空间下的亮度图像采用具有边缘保持功能的引导滤波进行平滑处理, 估计场景的光照分量, 进而获得仅包含物体本身特性的反射分量图像, 经过Gamma校正与颜色恢复后最终实现夜间彩色图像增强.实验结果表明, 本文提出的算法增强效果显著、效率较高, 同时具有颜色保真、抑制过增强和能较好保留边缘细节信息等特性.     

Retinex模型下基于融合策略的雾霾图像增强

针对现有Retinex算法处理后的图像达不到色彩与细节同时增强的效果,且细节增强的同时易产生光晕,出现噪声放大、色彩失真等情况,提出了一种Retinex模型下基于融合策略的雾霾图像增强算法。该算法首先在HSV空间实现色彩增强,根据亮度分量,获取无色彩失真的反射分量,再通过修正照度分量,得到改进的Retinex模型;然后在RGB空间,采用快速双边滤波器来保留图像细节,在获得反射分量的基础上,引入原图部分和色彩恢复因子,实现细节增强;最后,在RGB色彩空间对处理后的图像加权融合,得到增强后的去雾图像。通过本文算法和现有算法对雾天图像进行去雾处理,得到不同的去雾结果。本文算法得到的去雾图像增加了细节信息,没有出现明显的颜色失真和光晕现象,处理后图像的信息熵提高。本文算法具有更短的运算时间,具有良好的可操作性。根据实验结果以及评价标准,本文算法能够在减少色彩失真的基础上,达到细节增强的良好效果。     

基于多尺度Retinex理论的遥感图像增强算法

多尺度Retinex算法是近年来常用的图像增强方法之一,针对该方法在处理遥感图像时存在过增强、灰度化和色彩失真等不足,结合I阶巴特沃斯函数良好的滤波特性,提出了一种改进多尺度Retinex理论的遥感图像增强方法.首先,采用I阶巴特沃斯函数取代多尺度Retinex中的高斯环绕函数,对降质的遥感图像R、G、B三个分量分别进行滤波操作;然后对滤波后的各通道下不同尺度的亮度图像分别进行加权和归一化处理,得到增强后的R、G、B三个分量;最后将三通道分量进行合成显示,得到最终的增强图像.文中采用中巴资源卫星(CBER-02)多光谱图像和日本ALOS卫星多光谱图像进行实验,结果表明,与传统的多尺度Retinex理论增强方法相比,改进后的方法在抑制图像灰度化、增强图像空间细节和降低图像颜色失真等方面有更好的实验效果.     

基于WLS的Retinex单幅夜间彩色图像增强方法

为了提高夜间可视效果,针对单幅夜间彩色图像,作者提出一种基于加权最小二乘(WLS)的Retinex增强算法.首先构造优化的颜色恢复函数,然后在HSV(hue,saturation,value)颜色空间下,根据夜间图像的亮度与梯度特性构建WLS框架对图像照度分量进行估计,获得仅包含物体本身特性的反射分量图像,通过颜色恢复函数与Gamma校正等操作进行颜色恢复与补偿,实现夜间彩色图像增强.实验结果表明:该算法增强效果显著,与其他算法相比,具有消除"光晕伪影"现象、抑制噪声、颜色保真和较好保留边缘细节信息等能力.     

基于暗通道先验的图像去雾算法改进

暗通道去雾算法存在导向滤波精细化求取透射率后边缘细节不突出和剧烈变化的边缘处有伪影,针对这种问题提出一种基于优化的Sobel算子对导向滤波器进行自适应加权改进;同时通过判断天空区域是否存在并结合约束条件法解算大气参数,实现透射率的补偿,从而解决高亮区域失真的问题。实验结果表明,与采用统一的规整化因子导向滤波器的传统暗通道算法相比,本文算法去雾后结果图像边缘更突出,更清晰,同时消除高亮区域失真。     

表面肌电信号的小波消噪改进算法

根据在不同尺度下信号和噪声的小波变换系数的相反特性，提出了一种改进的小波消噪算法来去除肌电信号中的噪声.利用Mallat算法对肌电信号进行小波分解，实质上就是将信号投影到尺度空间和小波空间，分别包含了信号的光滑通道分量和细节分量.兼顾软阈值和硬阈值量化方法的优点，利用两者的加权平均值滤除由噪声所决定的小波变换系数，从而在大尺度下补充细节信息并保持信号在奇异点的特征.利用保留下来的小波变换系数进行信号重构即得到消噪后的信号.实验结果表明，该方法可以有效去除噪声，兼顾了软、硬阈值的优点，保留了在模式变化过程中肌电信号细节部分的有用信息.     

基于压缩感知的图像快速重构去噪算法

针对传统的压缩感知重构算法运算量大,图像质量低的缺点,提出一种新的图像快速重构去噪算法。首先对图像进行一级小波分解,分别提取近似分量子图像和细节分量子图像,并对细节分量子图像进行软阈值去噪处理,然后对近似分量子图像和处理后的细节分量子图像运用新的压缩感知重构算法进行恢复,最后将恢复的细节分量和近似分量进行小波逆变换,得到重构后的图像。实验结果表明,新方法可减少重构时的运算量,有一定的去噪效果,且可提高图像质量。     

局部平均显著梯度保边滤波算法

针对传统平均保边滤波算法中存在的光晕伪影现象,提出一种显著图局部平均梯度的保边滤波算法.利用显著图像边缘对比度突出的特点,简化边缘区域和非边缘区域间的阈值设定工作,并根据显著图的平均梯度自适应的平滑图像中的细节和噪声部分,同时保持边缘清晰.实验结果表明,显著图局部平均梯度的保边滤波算法利用显著特性有效地避免了传统平均滤波算法中的光晕伪影现象.相对于传统平均滤波算法,在降噪、多尺度增强以及HDR方面都有较好的表现.     

基于暗原色先验的Retinex去雾算法

针对雾天图像去雾问题,提出了一种基于暗通道先验理论的Retinex算法。首先利用引导滤波估计图像透射率优化暗通道先验算法,获取初步去雾图像并对去雾图像进行空间转换;在转换后的HIS空间中建立高斯尺度参数与透射率的指数关系,重新构造高斯滤波核并根据MSR算法对近处景物做大尺度变换以增强颜色保真性,对远处景物做小尺度变换以增强图像细节显示,实现根据景深大小完成自适应MSR算法以优化图像亮度分量I;对饱和度分量S进行自适应线性拉伸以优化图像色彩,最后由HIS空间重新转换为RGB空间得到最终增强图像。实验表明:与几种典型的图像去雾算法相比,经基于暗通道先验理论的Retinex算法处理后的图像清晰度和对比度提升明显,同时获得很好的图像色彩层次感。     

基于字典学习与等效视数的低剂量 CT伪影抑制算法

针对低剂量CT图像出现条形伪影的现象,提出了一种基于字典学习与等效视数(ENL)的伪影抑制算法.该方法首先利用平稳小波变换(SWT)对低剂量CT图像进行单层分解,并对高频图像训练字典,然后利用等效视数(ENL)对字典进行分区得到伪影字典和特征字典,并只对特征原子进行稀疏编码,经小波逆变换(ISWT)后得到处理的CT图像;然后,采用双边滤波器对处理后的CT图像进行分解并训练高频字典,通过判断等效视数(ENL)来摒弃伪影字典,从而去除高频图像残留的伪影和噪声,达到抑制条形伪影的目的.实验结果表明,与总变分降噪算法、K-奇异值分解(K-SVD)算法和三维块匹配滤波(BM3D)算法对比,该算法在抑制条形伪影的同时保留了更多的边缘和细节信息,并具有较高的结构相似性和峰值信噪比.     

基于小波变换的微光图像中值滤波消噪

为了提高微光图像在目标识别中的可靠性,利用微光图像中所含噪声点具有椒盐噪声的特点,对图像进行小波变换并仅对其高频小波系数进行小波重构,重构后得到含有细节和噪声点的图像;根据重构图像直方图的特点,对重构图像进行阈值处理,得到只含有噪声点的图像.由小波变换提取的噪声点位置,对含噪的微光图像进行中值滤波处理,消除掉微光图像中的椒盐噪声.结果表明包含在图像中的噪声可以很好地被消除.这种消噪方法克服了中值滤波方法边缘模糊的缺点,保持了微光图像中的细节部分.     

一种改进的基于暗通道先验的图像去雾算法

雾霾天气造成图像采集设备无法获取足够清晰的图像,为之后获取图像中的有效信息带来很大困难,由此对图像进行去雾处理显得尤为重要。暗通道先验去雾算法对大多数自然场景图像有着较好的去雾效果,但暗通道先验规律并不适用于天空区域,造成去雾后图像的天空区域颜色失真严重。针对这一问题,本文提出一种基于天空区域分割和HSI颜色空间模型的暗通道先验去雾算法。首先,运用RETINEX算法增强有雾图像的边缘信息,对增强后的图像进行canny边缘提取,同时结合形态学方法精确分割出天空区域;其次,在天空区域选取准确的大气光值,将图像中的天空区域转换到HSI颜色空间进行处理,并只对亮度分量进行改进的暗通道去雾处理,保留原图像色调和饱和度信息;最后,对非天空区域进行暗通道去雾,完成整幅图像的去雾。实验结果显示,该方法很好地解决了天空区域颜色失真和噪声增加的问题,使去雾后的图像更加清晰自然。     

基于改进阈值函数的手指静脉图像增强算法

针对传统图像增强算法对含噪手指静脉图像增强效果差、易丢失图像细节信息的问题,提出一种基于改进阈值函数的手指静脉图像增强算法.首先,对手指静脉图像进行二维小波变换,将小波变换后的低频子带系数非线性增强,各高频子带系数脊波变换得到脊波系数.然后,在脊波域利用改进阈值函数对脊波系数进行处理,将改进后的脊波系数通过脊波逆变换到...     

一种基于双边滤波的高动态范围图像再现

针对高动态范围图像再现算法中分层函数和阶调映射函数的非适性引起细节丢失和饱和度过度压缩的问题,采用了一种基于双边滤波处理和细节优先的高动态范围图像阶调再现方法。该算法首先采用优化的视觉响应曲线作为阶调映射函数,动态的映射亮度范围至低动态范围媒介;采用改进的双边滤波器作为分层函数,基于视觉可识别色差补偿细节信息。测试结果表明,该算法所得图像能够正确地表现更多可见细节信息,改善过度压缩动态范围,消除光晕现象产生。     

一种改进的HSI图像融合算法

针对传统HSI(Hue-Saturation-Intensity,HSI)图像融合算法中出现颜色失真现象,提出了一种改进的基于HSI变换的多光谱图像和高空间分辨率图像融合的新算法.该算法首先对多光谱图像进行HSI变换,其次对HSI变换后的强度分量进行高通滤波处理,接着与全色图像进行过加权融合处理,得到新的强度分量,其中加权系数从客观评价标准逆推得到,最后进行HSI逆变换,得到新的融合图像.通过与传统的HSI算法对比评价,多组实验结果表明本文提出的融合算法得到的融合图像的信息熵和平均梯度(清晰度)都增加了,而且多光谱图像的光谱偏差指数变小了.因此该算法在提高多光谱图像的空间细节表现能力和保持光谱信息上都有较好的效果,同时还具有较好的通用性.     

基于各向异性高斯滤波器的改进引导滤波算法

针对传统引导滤波中矩形均值加权窗口会引入过多干扰,导致图像边缘两侧模糊以及产生光晕伪影的不足,提出一种基于各向异性高斯滤波器的改进引导滤波算法。将各向异性高斯滤波器融入传统引导滤波算法,利用其较强的边缘分辨力更准确地识别图像的边缘结构。同时,对窗口内的像素信息进行各向异性加权,使其具有更强的边缘保持性。实验结果表明,改进算法比传统引导滤波算法精细边缘的保持性更好,并在图像平滑、图像增强和图像亮度调整等图像处理应用中的处理结果更优,在有效保留图像边缘结构的同时减少了边缘伪影和边缘模糊。     

基于线性变换的自适应透射率去雾算法

针对现有图像去雾算法在天空或高亮区域透射率估计不准确的问题,且复原图像色彩失真以及细节丢失严重等情况,提出了一种基于线性变换的自适应透射率去雾算法。首先将输入图像转换至Ycbcr空间提取亮度分量,并构造反S型函数对其进行尺度压缩,以此减弱高亮像素的影响;然后利用线性变换模型对压缩后的亮度分量进行增强处理,使用高斯函数对亮度分量进行卷积操作得到自适应控制参数;结合线性变换模型和自适应控制参数逼近无雾图像最小颜色通道操作,进而得到精确的透射率估计值;最后利用大气散射模型和局部大气光值逆向求解出复原图像。在实验验证环节中,采用可见边、平均梯度、饱和像素点和结构相似性作为客观评价指标。客观数据表明,所提算法的各项指标均取得优势。在主观效果方面,所提算法可以准确估计出透射率,有效去除图像雾气干扰并改善天空或明亮区域色彩失真的现象,提高图像可视度,复原出更多细节和边缘信息。     

基于改进γ-CLAHE算法的水下机器人图像识别

水体及悬浮粒子对光的吸收、折射及反射导致水下图像对比度低及细节模糊,单一图像增强算法难以适用于水下复杂环境识别.为了解决该问题,提出基于小波变换和改进的γ-CLAHE相融合的图像增强算法.通过快速中值滤波去除图像中噪声,向CLAHE算法中加入自适应伽马变换,解决CLAHE算法处理水下图像色彩失真,丢失孤立点、细线,画面突变等问题.利用改进的γ-CLAHE算法处理小波变换分解后的低频部分,增强图像并加快运行速度.通过小波逆变换将γ-CLAHE算法处理后的低频部分和双边滤波处理后的高频部分相融合,得到最终的增强图像.将实验图像同传统CLAHE、Retinex、Singh融合算法的处理图像进行对比,验证本研究算法在水下图像处理方面的有效性和优越性.     

一种SAR图像相干斑噪声抑制新算法

为抑制合成孔径雷达(SAR)图像乘性相干斑噪声,同时有效保护SAR图像的边缘特征,给出了相干斑噪声在小波域的一种加性转换噪声模型．并以此模型为基础,提出了一种非下采样小波包分解下自蛇扩散与改进L1-L2联合优化相结合的相干斑噪声抑制新算法．该算法利用非下采样小波包变换对SAR图像进行多层子带分解,然后对低通子带系数进行自蛇扩散滤波,并将滤波处理后的系数作为原SAR图像在小波域的局部均值估计,再以此局部均值为基础,利用改进的L1-L2联合优化对其他各高频子带系数进行自适应软阈值收缩滤波去噪．最后通过重构滤波后的各子带系数实现SAR图像相干斑噪声抑制．实验表明: 与经典的空域Kuan滤波算法、P-M扩散滤波算法及基于非下采样小波变换的Γ-WMAP算法相比,本算法在SAR图像的相干斑噪声抑制与边缘保护方面均取得了较好的效果．     

一种改进的基于近红外图像的去雾方法

为了解决雾天可见光图像降质问题,提出一种简单、高效的去雾算法。为充分利用可见光图像的色彩信息和近红外图像的细节信息,首先,根据暗通道估算出可见光图像中雾的浓度,根据雾浓度对可见光图像进行分区;然后,分别对可见光和近红外图像进行平稳小波分解,结合雾浓度分区和脉冲耦合神经网络（pulse coupled neural network,PCNN）分别融合可见光与近红外图像的高频分量和低频分量,复原得到一幅清晰而不失真的图像;最后,引入引导图像滤波对融合图像做滤波处理,平滑分区边缘的同时保留源图像的边缘信息。为验证算法的有效性,与当前主流去雾算法进行对比实验,对比指标包括去雾图像的信息熵、均值、标准差,以及算法运行时间。实验结果表明,在相同图像分辨率条件下,本文算法去雾后图像视觉效果更加理想,同时,无雾区域能够很好地保持色彩信息,反映图像细节和清晰化的各项指标优于其他算法,而且算法处理时间显著降低。