基于视觉显著区域的红外图像增强算法研究

人眼对于感兴趣区域的视觉关注度更高,为了实现对相关区域的图像增强,本文提出了基于视觉显著区域的红外图像增强算法。本算法通过去雾预处理使图像在检测时获取更加完整的显著性区域,再对该区域采用分层差分表达理论,把高层的差分向量换算到低层,最终计算显著性区域的差分向量以及图像的全局变换函数,实现图像增强。实验结果表明,本文算法对显著性区域的增强效果明显,合理地突出了显著性区域,增强图像的同时对原图边缘细节的保持能力很好。     

基于深度学习的低照度图像增强技术研究综述

使用图像增强方法和深度学习的方法可以提高低照度图像亮度,改善图像质量。文章首先对传统的低照度图像增强算法分类介绍,总结这些算法近年来的改进过程,然后重点介绍当下适用于低照度图像增强的网络模型,同时对这些网络结构和适用于该网络的部分方法进行梳理,最后介绍实验所需要的数据库与增强后图像的评价准则,提出了目前深度学习在该领域所面临的挑战,旨在为低照度图像增强的发展方向提供思考。     

区域自适应多尺度强光融合的红外图像增强

图像增强可以分为全局增强和局部增强两种技术,当前基于局部的图像增强技术无法准确地对目标和背景进行分割且难以自适应地对分割区域进行增强。本文提出了一种区域自适应多尺度强光融合算法用于红外图像的增强处理。该算法首先使用语义分割技术完成目标区域和背景区域的划分,然后使用改进后的多尺度强光融合算法分别对各区域进行自适应增强。实验结果表明,所提算法的增强效果均优于当前主流算法,图像增强的视觉效果更真实。     

模糊理论图像增强快速算法设计与实现

自Pal模糊增强算法提出以来,模糊集理论开始广泛地用于图形图像处理,并在实践应用中取得了较好的效果。但由于Pal算法函数复杂、运算耗时长、渡越点难以设置等问题,势必对于各类图像的增强效果产生了影响。本文就该问题提出了一种基于模糊理论的交互式图像增强快速算法,该算法简化隶属函数和增强算子,不但提高了图像模糊化效率、缩短图像增强处理运算时间,同时面向各类图像的增强处理需求,利用MATLAB设计实现图像增强处理系统,提供了交互式的渡越点设置接口。系统仿真结果表明,本文算法相比 Pal算法,具有更快捷的增强速度和更灵活地阈值选取以及良好的增强效果。     

基于双重迭代的零样本低照度图像增强

针对低光照条件下拍摄图像质量低下的问题,该文提出一种基于双重迭代的零样本低照度图像增强方法。其外层迭代通过卷积神经网络估计增强参数,再由内层迭代进行图像增强,增强结果进一步用于计算损失函数并反馈更新外层的参数估计网络,最终通过多轮迭代生成高质量的图像。在该框架下,还设计了多尺度增强系数估计模块、基于注意力的像素级大气光估计模块,并提出了基于亮度对比度、大气光、颜色均衡以及图像平滑性先验的无监督损失函数。大量实验结果表明,该方法可有效将低光照图像增强为高质量的清晰图像,其性能优于现有的同类方法。同时该方法基于零样本学习,不需任何训练数据集,具有良好的普适性。     

基于多尺度对比度塔的图像增强新算法

传统图像增强算法对灰度级比较分散、细节信号分布在整个灰度级空间的图像难以取得令人满意的效果,而且往往在增强图像的同时也使图像的噪声得到了提升。在此针对传统图像增强技术的缺点,提出了一种新的图像增强算法。该算法采用高斯窗口函数对图像进行变换,并通过构造多尺度对比度塔来对图像进行增强。实验结果表明该算法在灰度分散的情况下同样能有效地对细节信号进行增强,同时对图像中的噪声信号也有较好的抑制作用。     

基于自适应阈值的改进暗通道先验图像增强技术研究

基于暗通道先验的图像增强技术在图像的去雾和增强方面具有较好的图像增强效果。针对基于暗通道先验图像增强算法在处理有雾图像存在大面积白色高亮区域时出现的失真,提出了基于自适应阈值的改进暗通道先验算法。该算法在对图像进行直方图统计的基础上,先判断图像是否存在大面积白色高亮区域,并对区域的面积进行标识和统计,得到自适应系数β,再利用该系数对暗通道先验算法进行修正,最终进行对比度增强实现图像的去雾增强效果。实验结果表明,该方法能够有效消除图像去雾过程中出现的失真,提升图像质量,具有较高的实用价值。     

基于自适应阈值改进暗通道先验图像增强技术

基于暗通道先验的图像增强技术在图像的去雾和增强方面具有较好的图像增强效果.针对基于暗通道先验图像增强算法在处理有雾图像存在大面积白色高亮区域时出现的失真,提出了基于自适应阈值的改进暗通道先验算法.该算法在对图像进行直方图统计的基础上,先判断图像是否存在大面积白色高亮区域,并对区域的面积进行标识和统计,得到自适应系数β,再利用该系数对暗通道先验算法进行修正,最终进行对比度增强实现图像的去雾增强效果.实验结果表明,该方法能够有效消除图像去雾过程中出现的失真,提升图像质量,具有较高的实用价值.     

一种改进CycleGAN的低照度图像增强网络

为了提高CycleGAN对低照度图像增强后的细节分辨能力,提高图像整体的视觉质量,提出了一种改进CycleGAN的低照度图像增强算法.该网络的生成器由低光照增强模块和亮度均衡处理模块组成,用以学习低照度图像到正常照度图像的特征映射.以多尺度卷积和残差空洞卷积构建基于U-Net的低光照增强模块,提高网络对增强后图像细节信...     

基于Retinex可变框架的X射线图像增强方法研究

应用改进的Retinex可变框架模型增强算法,对X射线图像进行图像增强,提高了原图像的对比度和像质,达到了细节区域的最佳视觉效果.理论分析和实验结果表明,该算法与同态滤波、直方图均衡化等算法相比,有效地增强了对比度、抑制了背景噪声.该算法对X射线图像增强后,图像所达到的射线检测标准比前两种算法要高.     

结合多尺度深度学习网络和Retinex理论的低光照图像增强算法

针对低光照增强任务缺乏参考图像及现有算法存在的色彩失真、纹理丢失、细节模糊、真值图像获取难等问题,本文提出了一种基于Retinex理论与注意力机制的多尺度加权特征低光照图像增强算法。该算法通过基于Unet架构的特征提取模块对低光照图像进行多尺度的特征提取,生成高维度的多尺度特征图;建立注意力机制模块凸显对增强图像有利的不同尺度的特征信息,得到加权的高维特征图;最后反射估计模块中利用Retinex理论建立网络模型,通过高维特征图生成最终的增强图像。设计了一个端到端的网络架构并利用一组自正则损失函数对网络模型进行约束,摆脱了参考图像的约束,实现了无监督学习。最终实验结果表明本文算法在增强图像的对比度与清晰度的同时维持了较高的图像细节与纹理,具有良好的视觉效果,能够有效增强低光照图像,视觉质量得到较大改善;并与其他多种增强算法相比,客观指标PSNR和SSIM得到了提高。     

基于局部路径特征信息神经网络的图像去噪

图像去噪旨在减少或消除噪声对图像的影响,这一过程往往会有高频细节信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节,本文提出了一种能够连接图像局部路径信息的神经网络,该网络训练完成后可以直接对含噪声图像进行降噪,不需要对图像进行预处理。本文提出的神经网络包括3个部分特征提取层、信息连接模块、信息重建层。信息连接模块是该网络的关键部分,通过残差学习连接局部长路径和局部短路径的特征信息。实验结果表明,经本文处理后的图像在有参考的图像质量评价指标PSNR和SSIM上均有明显提升,PSNR最高可以达到34.87 dB,SSIM可以达到0.87以上;在无参考的图像质量评价指标BRISQUE和NIQE上均有明显下降。本文算法对不同水平、不同种类的算法都有相对较好的效果,且性能优于一般算法,在去噪工作中有一定的实用价值。     

基于注意力特征增强的投影图像光度补偿方法

目前,投影补偿算法已经取得了良好的研究成果,但大部分的投影图像色彩补偿研究,忽略了色彩传递函数建模过程中的光学部分,导致对色彩传递函数的建模精确度不高。同时,针对投影图像色彩补偿过程中,出现的加深网络导致提取特征信息丢失的现象,大多数的深度学习网络优化设计较少。基于以上问题,本文提出了一种基于注意力特征增强的投影图像光度补偿方法。该方法通过增加网络深度来提取带有彩色纹理投影表面的特征信息,同时采用深度学习来拟合复杂的复合辐射传递函数,以解决传统光度补偿方法存在的问题,提高了投影图像的质量和色彩,进一步消除了对高质量投影幕的依赖。本文所提方法的投影图像光度补偿结果,在峰值信噪比(PSNR)、均方根误差(RMSE)和结构相似性(SSIM)三项评价指标上,均好于其他对比算法,与CompenNet系列方法相比,本文所提方法在PSNR评价指标上最高提升5717、在RMSE评价指标上最高减少14968,在SSIM评价指标上最高提升2893。     

基于域自适应的红外图像去噪算法

在红外图像去噪任务中,由于真实的红外噪声图像难以大量获取,而使深度学习算法高度依赖于人工合成噪声,无法很好地去除真实的红外噪声。本文提出一种基于域自适应的红外图像去噪算法,包括一个图像转换模块和两个图像去噪模块。首先利用图像转换模块将合成红外噪声图像和真实红外噪声图像相互转换,然后将转换后的图像和原图像作为去噪模块的训练数据,采用一致性损失函数使两个图像去噪模块产生一致的结果,最后将训练后的去噪网络框架用于红外图像去噪任务。实验表明,本文提出的算法与BM3D、DnCNN和ADNet算法相比在合成红外噪声数据集上有更高的指标数值和更好的视觉效果,在真实红外噪声数据集上有同样优秀的去噪效果。证明了该算法具有良好的泛化能力,能够在真实噪声下恢复清晰的红外图像。     

密集残差网络红外图像超分辨率重构

单幅红外图像超分辨率重构算法作为红外图像分辨率提升应用的关键技术,近年来得到了广泛的研究。为了提高红外图像的分辨力,提出了一种基于残差密集对抗式生成网络的单幅红外图像分辨力提升方法。与以往基于对抗式生成网络的分辨力提升方法不同,本文方法的新颖性主要包含两个方面。首先,在网络架构方面进行改进,以提高性能。设计密集残差网络作为对抗式生成网络的生成网络,充分利用了低分辨率图像的有效特征。在生成网络中引入了一种连续内存机制,以利用密集的剩余块。其次,将Wasserstein-GAN作为损失函数,对判别网络模型进行修正,以达到稳定训练的目的。利用红外高分辨率图像数据集进行了大量的实验,结果表明,该方法在客观评价和主观评价方面均优于目前最新的方法。     

基于卷积神经网络的虚拟视点空洞填补

为了提高虚拟视点绘制中空洞填补的质量,本文提 出一种基于卷积神经网络的虚拟视点空洞填补算 法,包括图像预处理、特征提取和空洞填补三部分。首先,对双视点虚拟视点图像进行预处 理,即利用深 度图像绘制(Depth Image Based Rendering,DIBR)技术得到空洞填补前的图像和空洞掩膜 ;然后,通过卷积 神经网络对虚拟视点图像提取多维特征,针对空洞区域,使用结构相似性损失函数优化网络 ;最后,利用 提取的特征填补虚拟视点中的空洞。实验结果表明,本文算法能较好地保持虚拟视点图像前 景和背景的锐 利边缘,主观视觉感知效果佳,同时,对不同场景测试序列的客观评价指标PS NR和SSIM都能取得满意结果,该方法能有效地填补虚拟视点中的空洞。     

Deep quality assessment toward defogged aerial images

In order to improve the visual appearance of defogged of aerial images, in this work, a novel defogging algorithm based on conditional generative adversarial network is proposed. More specifically, the training process is carried out through an end-to-end trainable deep neural network. In detail, we upgrade the traditional adversarial loss function by incorporating an L1-regularized gradient to encode a rich set of detailed visual information inside each aerial image. In practice, to our best knowledge, existing image quality assessment algorithms might have deviation and supersaturation distortion on aerial images. To alleviate this problem, we leverage a random forest classification model to learn the mapping relationship between aerial image features and the quality ranking results. Subsequently, we transform the objective of defogged image quality assessment into a classification problem. Comprehensive experimental results on our compiled fogged aerial images quality data set have clearly demonstrated the effectiveness of our proposed algorithm.     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。