VC++与MATLAB在图像增强中的应用与比较

本文以直方图的均衡化为例分析了图像增强技术基本原理,给出了相关推导公式和算法;并以一个灰度图像为例,用VC++和MATLAB语言实现了直方图均衡化增强处理,并给出了具体程序、实验结果图像。仿真结果表明,用VC++处理后的图像比用MATLAB处理后的图像各个像素点更加清晰,但亮度不如MATLAB处理的图像。     

无人机外挂红外镜头的图像清晰化算法

以红外成像研究为出发点,根据红外图像背景、数据集和算法模型的发展方向,对红外图像增强技术展开研究,以可见光去雾模型为参照,提出了一种新的红外图像清晰化算法,并进行了具体实验。经图像清晰度评价指标的计算与评估,表明该算法有不错的去雾效果,在一定程度上解决了无人机在雨雾天气下因镜头积水积雾导致的图像数据采集效果不佳的问题,有较强的实用意义。     

基于RAW域的低光照图像质量增强方法

考虑原始图像(RAW图像)中的噪声未经过相机ISP的复杂非线性映射,更加容易建模,提出基于RAW域对低光照图像进行质量增强,以获得清晰的、高质量的图像.首先,将由相机传感器捕获的RAW图像进行线性插值,获得RGGB共4个通道的彩色图像,并模拟不同曝光程度的图像;其次,设计神经网络模型来学习不同曝光程度的RAW图像与正常曝光图像的映射关系,该神经网络采用了自编码器结构,并嵌入了通道注意力模块,以提取并增强图像中的纹理与细节特征;最后,在神经网络训练时,引入了结构相似性损失和梯度下降损失,引导网络生成与参考图像之间结构相似性和色彩关联性较高的高质量图像.该方法在SID数据集上进行了训练和测试,PSNR达到了29.738 0 dB,MPSNR达到了30.233 4 dB,均高于目前流行方法(如EnlightenGAN,Zero-DCE,SID,Residual和ALEN等);在主观质量方面,该方法生成的图像质量显著优于比较方法,无明显噪声和色斑伪影,颜色也更加真实细腻.     

A New Medical Image Enhancement Based on Human Visual Characteristics

Study of image enhancement shows that the quality of image heavily relies on human visual system. In this paper, we apply this fact effectively to design a new image enhancement method for medical images that improves the detail regions. First, the eye region of interest （ROI） is segmented; then the Un-sharp Masking （USM） is used to enhance the detail regions. Experiments show that the proposed method can effectively improve the accuracy of medical image enhancement and has a significant effect.     

金属表面脏污区域的分割和量化算法研究

针对目前金属表面缺陷检测技术的研究现状,主要研究金属表面脏污检测与量化算法。结合金属表面的特点,通过对几种分割方法的比较,研究了阈值分割法中的迭代法对图像进行分割,该算法能够最大限度地保留细节信息。另外,研究了一种改进的自适应滤波算法结合像素计数法对金属表面的脏污区域进行量化处理。实验结果证明了所提出方法的有效性。     

基于CBS的人体安检图像组合增强方法

在X射线人体康普顿背散射(CBS)安检系统中,图像的清晰度对于识别隐匿在人体上的违禁品非常重要.根据人体CBS图像的特点,从人眼视觉感知的特点出发,提出了一种图像组合增强方法,明显改善了图像质量,获得了层次清晰、轮廓分明、背景均匀的CBS图像.     

EnGAN：医学图像分割中的增强生成对抗网络

原始采集的医学图像普遍存在对比度不足、细节模糊以及噪声干扰等质量问题,使得现有医学图像分割技术的精度很难达到新的突破。针对医学图像数据增强技术进行研究,在不明显改变图像外观的前提下,通过添加特定的像素补偿和进行细微的图像调整来改善原始图像质量问题,从而提高图像分割准确率。首先,设计引入了一个新的优化器模块,以产生一个连续分布的空间作为迁移的目标域,该优化器模块接受数据集的标签作为输入,并将离散的标签数据映射到连续分布的医学图像中;其次,提出了一个基于对抗生成网络的EnGAN模型,并将优化器模块产生的迁移目标域用来指导对抗网络的目标生成,从而将改善的医学图像质量知识植入模型中实现图像增强。基于COVID-19数据集,实验中使用U-Net、U-Net+ResNet34、U-Net+Attn Res U-Net等卷积神经网络作为骨干网络,Dice系数和交并比分别达到了73.5%和69.3%、75.1%和70.5%,以及75.2%和70.3%。实验的结果表明,提出的医学图像质量增强技术在最大限度保留原始特征的条件下,有效地提高了分割的准确率,为后续的医学图像处理研究提供了一个更为稳健和高效的解决方案。     

基于神经网络的图像分类模型的设计与实现

传统的图像分类方法是采用人工分类图像的即由人眼观察到色彩特征进行特征分类的。随着人工智能时代的到来,图像自动分类处理技术已成为一项研究热点。研究以残差神经网络模型中的Res Net50为目标场景,以残差神经网络在图像分类中的应用及网络优化为切入点,将Res Net50神经网络模型应用到CIFAR10图像集的图像分类问题上,从优化网络模型和优化特征层抽取技术两个方面,对图像分类模型进行了改进。同时对梯度消失,过度拟合等一系列训练过程中可能会遇到的问题进行分析,通过在Res Net50模型的两个卷积层间增加Dropout层和在图像加载到Res Net50模型前进行一系列图像增强技术以便能改善残差网络的结构,从而达到最好的图像分类效果。     

基于暗通道先验改进算法的水下图像增强方法研究

针对水下图像受介质散射和吸收的影响所出现的颜色失真、对比度低和细节模糊等问题,提出水下图像增强的暗通道先验改进算法。采用白平衡处理对水下图像的蓝(绿)色偏进行颜色校正,进而在LAB空间对图像L分量进行同态滤波处理,从而获得暗部细节提亮的图像。在RGB空间对图像分别进行CLAHE处理增强图像对比度,解决图像雾化问题,MSRCR处理提高图像色彩饱和度并均衡图像亮度。根据暗通道先验图像计算融合权重系数对所得到的3幅图像进行加权融合与细节增强,得到最终增强图像。实验结果表明,所提算法能够有效消除图像颜色失真情况,增强的图像呈现出高对比度和更清晰的细节。