Physics‐based spectral sharpening through filter‐chart calibration

The spectral overlap of color‐sampling filters increases errors when using a diagonal matrix transform, for color correction and reduces color distinction. Spectral sharpening is a transformation of colors that was introduced to reduce color‐constancy errors when the colors are collected through spectrally overlapping filters. The earlier color‐constancy methods improved color precision when the illuminant color is changed, but they overlooked the color distinction. In this article, we introduce a new spectral sharpening technique that has a good compromise of color precision and distinction, based on real physical constraints. The spectral overlap is measured through observing a gray reference chart with a set of real and spectrally disjoint filters selected by the user. The new sharpening method enables to sharpen colors obtained by a sensor without knowing the camera response functions. Experiments with real images showed that the colors sharpened by the new method have good levels of color precision and distinction as well. The color‐constancy performance is compared with the data‐based sharpening method in terms of both precision and distinction. © 2014 Wiley Periodicals, Inc. Col Res Appl, 40, 564–576, 2015     

基于主体外部轮廓的照片分割算法

在实际应用中常常需要将人像从照片的背景中有效地分割出来，通常的做法是通过提取照片中人像各部分特征来实现分割，其缺陷是计算复杂度较大，分割效果受各种干扰因素影响很大。现提出了一种基于主体外部轮廓信息的照片分割算法，通过梯度锐化、边缘保护、临近像素点相似度比较来确定图像的边界，该算法对于具有相对均匀背景的照片具有较高的计算效率。     

机载雷达成像中的两种改进多普勒质心估计算法

多普勒质心估计是机载脉冲多普勒雷达DBS成像技术中最为关键的步骤之一.本文针对载机惯导参数误差较大的实际情况,提出了改进的频域和时域多普勒质心估计算法.新的算法克服了传统算法受地面场景非均匀性和回波信号起伏的影响,大大提高了估计的精度.最后将这些算法用于某型脉冲多普勒雷达的实测数据,成像结果证明了算法的有效性.     

基于中值滤波和梯度锐化的边缘检测

实现一种基于中值滤波和梯度锐化的边缘检测方法。首先采用既能过滤噪声又能保护边缘信息的中值滤波对图像进行平滑处理。然后采用梯度锐化加强边缘像素强度,通过简单的二值化获得图像的初始边缘,系统采用连通区域标记的方法去除位于图像封闭边界内的残留黑块。最后通过实验结果与人工提取的结果比较,进行误差分析,找出本文算法的不足之处,以便对该算法进行改进。实践证明,本文的边缘检测方法对含有噪声点且灰度分布比较均匀的图像有很好的效果。     

优选法在选择刀具角度中的运用

应用优选法确定刀具几何参数,优选得γ=20°,主偏角φ=81°,刃倾角λ=20°,使生产率提高3倍。     

应用MPICH并行化图像处理算法

近年来,图像处理技术取得了巨大进步,但随之也带来了不断增长的计算量.为了提高图像处理速度,作为主流解决方案之一的基于MPI的并行处理技术日益受到重视.文中首先介绍了MPI的基本知识,然后以图像处理中的一项重要技术-图像锐化(采用梯度算法)为例,说明了采用MPI对图像进行并行处理的具体过程,并就其中的两个核心步骤:建立并行算法模型及程序代码的编写进行了详细的阐述.最后通过对实验数据的分析说明了并行计算在图像处理领域所起到的重要作用.     

C++ builder增强图像质量的若干方法

介绍了增强图像质量的若干方法,包括图像平滑处理、图像锐化处理以及Windows API函数SetStretchBltMode的调用,阐述了其原理、算法及该原理在Windows平台上以C++ Builder为开发工具的具体程序实现.     

基于拉普拉斯算法的图像锐化算法研究和实现

该文提出了一种基于拉普拉斯算法的图像锐化方法,并在DSP上实现其算法。首先研究拉普拉斯算子锐化图像的基本原理,并推导出图像锐化的拉普拉斯算子。其次,根据拉普拉斯算子,在CCS2软件上运用C语言编写主函数和读取图像数据的Read-image子函数、初始化图像的InitImage子函数和对图像锐化的计算Laplace子函数等子函数来实现基于拉普拉斯算法的图像锐化程序。最后采用三副模糊图像验证图像锐化的效果。比较实验结果,可知运用该算法锐化处理的图像比原来图像清晰。     

雾霾图像清晰化算法综述

雾霾图像不仅影响视觉效果,而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题,其成像过程难以精确建模,消除图像中的雾霾面临巨大的挑战。近年来,研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化,为全面认识和理解图像清晰化算法,论文对其进行梳理和综述。首先,对雾霾图像清晰化算法进行整理,根据雾霾退化过程是否有模型支持,将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型,本文详细剖析了模型成像机理,并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制,较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像,而且去雾性能获得了极大地提升。其次,本文汇总了近年来常用去雾数据集,从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式,对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。     

高质量通信信号时频图处理及应用

针对信号监测工作中信号时频图清晰显示重要性的问题,首先介绍了信号时频特征获取,之后进行信号时频图显示处理,利用基于灰度变换图像对比度增强、图像渐变平滑处理、图像的锐化处理的数字图像处理相关算法对信号时频图进行显示处理,并成功的在实践工程中进行了运用,解决了信号时频特征在时频域直观显示的问题,从而能够在时频域上表示出信号...