基于YUV色彩空间的暗原色单幅图像去雾改进算法

为得到更清晰的复原图像,提出了一种基于暗原色先验理论图像去雾的改进算法。先将原始雾天RGB图像转化到YUV色彩空间,在Y(Luminance)通道中,对像素点进行区域划分,只使用属于同一区域的像素点来计算该方块的暗原色,同时在Y通道计算大气光值;最后,通过修正复原图像的计算公式,来校正亮区域色彩失真。与基于引导滤波及RGB色彩空间的暗原色去雾算法相比,本文算法具有更好的去雾效果。

基于全局和局部特征的无参考夜间图像质量评价

针对夜间图像光线暗、特征不易提取的问题,提出一种基于全局和局部特征的无参考夜间图像质量评价方法。首先,利用等高线原理将图像分为亮区域和暗区域2部分,将亮区域占整幅图的比例作为特征1;其次,提取夜间图像的全局亮度信息并将其作为特征2;再次,结合微分算子法求得图像的边缘图作为特征3;然后,将夜间图像从RGB转换到HSI,提取色度、饱和度和亮度分量并将其分别作为特征4、特征5和特征6;最后,结合上述特征通过BP神经网络建立评价模型来评价夜间图像的质量。在公开数据库上的测试结果表明,所提方法与主观分数具有更好的一致性,并且优于现有的图像质量评价方法。

基于支持向量机的眼底图像视盘定位算法

视盘定位是计算机辅助诊断中处理眼底图像的重要步骤。为了准确、稳健地确定视盘的位置,提出了一种基于支持向量机(SVM)的视盘定位算法。根据眼底图像中亮区域的结构和强度特征,训练支持向量机分类器识别亮区域。在这些候选区域的基础上创建一个凸包来定位视盘的中心。与文献中的视盘定位方法相比,由于机器学习算法的应用提高了亮区域的分类精度,该方法能够以更高的精度定位视盘中心。测试了三个共259张图像的公共数据集,以评估性能。该方法对DRIVE数据集、DIARETDB0数据集和DIARETDB1数据集的准确率分别为100%、96.9%、97.8%。

分割暗通道先验邻域的单幅图像去雾算法

利用暗原色先验进行单幅图像去雾时,需采取高计算复杂度的细化程序,否则其估计的传输率易在边界处造成光晕。对导致边界处产生光晕现象的原因进行分析时发现,计算复杂度高的细化程序在去除晕轮效应时去雾过度,且传统的基于暗原色先验的单幅去雾算法在明亮区域易造成色彩失真现象。由此在原来的透射率估计时,提出一种基于色调的简单而快速的邻域分割方法。首先将原始RGB图像转换到HSI色彩空间,在H(Hue)通道中,用邻域中的点与中心点的色调的差值绝对值,来判断该邻域内的点是否属于同一区域,只使用属于同一区域的像素点来计算该区域的暗原色值;再通过修正透射率值,来校正明亮区域的色彩失真。在图像复原时,在HSI色彩空间保留色调分量不变,仅对强度分量运用修改的暗原色值进行去雾,再进行非线性增强,最后对饱和度分量进行颜色补偿。实验表明,本文的去雾算法能够显著提高场景的视觉清晰度,而且不需要图像后续修补,并能获得更好的色彩视觉保真。

暗原色先验自适应图像去雾方法

针对传统暗原色先验去雾算法存在的亮区域色彩失真、去雾参数人工设定等问题,提出了一种基于暗原色先验改进的自适应图像去雾方法。首先,提出快速OSTU法对雾霾图像亮暗区域进行自适应分割,并分区域获取亮暗区域的暗原色值;其次,根据亮区域分布情况,对不同区域大气光强进行自适应估计;接着,通过分析雾霾图像直方图特征,提出采用灰度集中度法自适应计算去雾系数;然后,运用色阶自适应调整方法进行输出图像的色彩调整;最后,通过开展对比实验,验证了本文算法的优越性。主客观评价结果表明:本文方法无需人为设定去雾参数,具有较好的鲁棒性,可适用于多种浓度、各种场景雾霾图像的去雾处理,获取的图像清晰、色彩自然,对比度高。