X光安检图像低对比度区域目标的分割与增强算法

为了增强显示安检图像中一些如植物风险源等因处于低对比度区域而难以识别的目标,提高安检人员的识别准确率,提出了粗分割细搜索的模糊增强算法。粗分割细搜索阶段,通过使用OTSU与结合了均值偏移的区域生长算法对低对比度区域目标进行提取。模糊增强阶段,根据感兴趣区域中像素隶属于目标区域的程度进行增强。实验表明,该算法能将低对比度区域目标提取出来并实现目标的增强,同时不改变图像的其他区域。     

基于改进高低帽变换的钢轨裂纹红外图像增强

针对钢轨裂纹红外图像对比度低、信噪比低、纹理细节模糊而难以增强目标区域的问题,借助形态学高帽变换和低帽变换,提出了多尺度高帽低帽变换的钢轨裂纹红外图像增强优化算法。首先,用改进高帽变换、低帽变换分别提取多尺度明亮、暗淡图像区域;其次对多尺度的明亮与暗淡图像区域实施最大值的提取;然后操作其最大值以构建明亮和暗淡的图像区域;最后通过加权处理,实现图像增强。实验结果表明:本文算法在抑制噪声和突出了目标图像的边缘的基础上,有效地提高图像对比度,可应用于红外图像增强的场合,为后续图像信息处理奠定了必要的基础。     

大尺寸TFT-LCD电视的彩色和图像增强

最近几年,薄膜晶体管液晶显示器(TFT-LCD)技术取得了快速而显著的进步,其性能超过了PDP、CRT以及投影显示。毫无疑问,TFT-LCD已经成为高清电视应用的最佳实现方案。本文将介绍进一步增强大尺寸LCD电视的彩色和图像性能的技术。     

图像压缩与增强

为了存储、处理和传输一些图像数据，必须要对图像进行压缩，利用哈夫曼进行无损压缩编码是可行的方法。图像增强的目的主要是改善图像质量，常用的图像增强技术有图像数据统计分析处理、直方图修改、图像平滑滤波等，这里主要介绍了直方图的均衡化和图像的均值滤波。     

多帧累加平均技术在红外实时图像处理中的应用

文章通过对红外热像仪系统图像表征特性的分析，提出了红外图像多帧累加平均实时图像处理技术，并阐述了在红外热像仪中该图像处理技术的具体实现，并通过实验证明该方法实现了沿着运动轨迹进行帧间滤波，而且实现视频图像的实时显示，从而使多帧累加平均技术对于运动红外图像序列具有较好的处理效果。     

复杂背景下圆孔半径及圆心的图像检测方法

针对刷子插毛生产线的现实问题,本文给出了一种在复杂背景下圆孔的半径和圆心的图像检测方法。首先,根据扫描过程中角度不绝对垂直以及背景木板条纹大小和方向的不确定性,采用图像增强方法提高了对比度;然后,用边缘点检测方法来确定目标范围,用数学形态学的方法提取目标;最后,用平均误差的算法提高精度。使用本方法,可以用图像检测代替用手工标尺的测量。实验结果表明:相对于传统检测方法,本文的方法定位效果好,提取目标效果佳,具有进一步提高目标检测精度的潜力。     

基于B-样条插值的分数阶模板的应用

数字图像的增强以及边缘检测是数字图像处理中的重要内容。根据B-样条函数插值公式,对图像灰度点像素值进行三次B-样条插值运算,提出了基于三次B-样条插值的分数阶增强模板以及分数阶CRONE边缘检测模板。通过对比实验表明,所设计的模板能根据对图像的需求而改变阶次,在图像增强方面能较好地提升图像边缘并且加强纹理细节,在边缘检测方面有良好的边缘定位能力,优于基于Sobel算子的传统方法。     

基于小波分频和二次均衡的图像增强算法

传统的图像增强算法在增强图像的同时也增强了图像的噪声信号,导致信息熵下降.结合小波变换多尺度、多分辨率的特点和直方图均衡的优势,提出一种基于小波分频和二次均衡的高亮度图像增强算法.首先利用小波变换将图像分解为低频分量和高频分量,然后仅对低频分量作直方图均衡处理,再由均衡后的低频分量与各高频分量进行小波重构,最后对重构的图像再次进行直方图均衡处理.实验结果表明,该算法对于亮度较高的灰度图像有较好的增强效果.     

PCNN和Otsu理论在图像增强中的应用

提出了基于改进的脉冲耦合神经网络(PCNN)与Otsu的图像增强新方法。该方法对PCNN进行了改进,而用改进后的PCNN进行图像去噪处理,继而用Otsu方法寻找最佳灰度阈值后进行图像增强。仿真实验表明,该方法滤波后信噪比(PSNR)为18．9305,而高斯滤波为5．4087;同时又能根据图像灰度性质自动选取最佳阈值,并对自适应分割后图像进行不同的灰度变换,使图像得到有效增强。仿真结果证明了该方法的有效及合理性。     

基于端到端双网络的低照度图像增强方法

由于环境的不确定性,捕获的图像存在亮度低、对比度低和信息丢失严重等问题,且利用现存算法增强后的图像存在曝光过度问题,不能满足计算机视觉任务的输入要求。针对此问题,提出了基于端到端双网络的低照度图像增强方法,该网络由Inception网络模块与URes-Net模块组成。首先利用Retinex理论合成低照度图像样本;然后运用双网络模型进行特征提取、特征融合与重建,根据测试集的损失不断调整参数以优化模型,最终使双网络模型具有较高的低照度图像增强能力。实验结果表明,所提方法的PSNR和SSIM的均值分别为28.659 8 dB和0.896 6,亮度、对比度显著提高,获得的图像更加符合人类视觉,优于其他先进的低照度图像增强方法。