结合Curvelet变换与加权双边滤波的图像去噪方法

针对加权双边滤波方法在边缘纹理方面保留不好使得图像模糊的问题,提出一种结合Curvelet变换与加权双边滤波的图像去噪方法.该方法使用加权双边滤波器将噪声图像分解为低频部分和高频部分,然后将Curvelet变换的折衷阈值应用于高频部分用以保留图像纹理细节,最后将低频部分和处理后的高频部分进行重构得到去噪图像.实验结果表明,相对于其他方法,本文方法在去噪和边缘信息保留方面都有明显的改善.对于包含边缘信息的去噪图像,峰值信噪比(PSNR),视觉信息保真度(VIF)和结构相似性指数(SSIM)测量值有实质性的提高.

双边加权引导图像滤波

针对经典方法对光晕等伪影抑制能力不足的问题,将双边权重嵌入到引导滤波中,提出一种新型局部方法称之为双边加权引导图像滤波.该方法目标函数为双边加权岭回归模型,此模型可通过双边滤波的迭代执行来求解.为提高计算效率,采用双边滤波的近似加速版本.通过对滤波核进行分析,可知双边加权引导图像滤波提供了比传统方法更灵活的保边及滤波控制.最后将该滤波方法的适用范围拓展到彩色图像上.为评估双边加权引导图像滤波,在保边模糊与人像磨皮这2种图像处理应用上进行试验,并进行了计算效率的对比分析.结果表明:与多数经典保边滤波方法相比,双边加权引导图像滤波产生的结果具有更好的视觉效果,所提出方法的指标BIQI、IL-NIQE、SSEQ分别达到20.082、47.026、53.103.

去除红外图像中脉冲噪声的双边加权中值滤波

针对现有方法在去除红外图像的脉冲噪声时,未能有效保持图像的边缘细节和纹理结构,提出了基于统计检测的双边加权中值滤波算法。算法根据脉冲噪声的取值和分布特征,用最小和最大像素值以及统计规律进行噪声检测;对检测出来的噪声像素,以多尺度的方式、自适应地用双边加权系数对邻域中的无噪像素和已经去噪处理的像素进行频次加权,然后取它们的中值作为当前噪声像素的估计值。其中双边加权系数自适应于距离邻近度与灰度相似度。实验结果表明,相对于部分现有方法,所提方法去噪所得的EPI和SSIM值更高,去噪图像的视觉效果更佳。

基于强化学习的图像不确定性目标域提取仿真

相比于输入图像的整体像素点,不确定性目标所占像素点偏少,且由于物体朝向不同,对应特征也不同,导致图像不确定性目标提取的难度较大。提出一种新的基于强化学习的图像不确定性目标域提取方法。将图像输入加权双边滤波器中,将其分为高频区域和低频区域,在Curvelet变换的基础上保留图像细节信息。消除图像噪声,并采用限邻域EMD方法增强图像质量。建立自适应性模型,将预处理后的图像输入至上述模型中,通过混沌同步方法在分数阶非线性网络中提取图像像素点特征,以此实现图像分割。应用强化学习建立图像不确定性目标域提取的马尔科夫决策,获取图像的类别信息和区域结构,图像不确定性目标域的提取。仿真结果表明,研究方法能够精准提取图像像素点特征,查全率和查准率高于90%,J指数以及F检验值的平均值可达0.8以上。

基于图像融合技术的Retinex图像增强算法

针对单尺度Retinex图像增强算法存在的光晕现象和图像泛灰问题,提出一种基于图像融合技术的Retinex图像增强算法。针对光晕现象,使用高斯加权双边滤波代替单尺度Retinex算法中的高斯核函数估计光照图像,能够有效去除光晕现象。针对图像泛灰问题,引入图像融合的思想。首先,采用非线性变换拉伸反射图像,并通过Otsu阈值分割算法确定图像的亮、暗区域;然后,以信息熵为标准,通过调整非线性变换的参数来获得亮区域最优图像和暗区域最优图像,并将原始图像、亮区域最优图像和暗区域最优图像采用分块融合的方法进行融合;最后,为克服图像分块融合算法的块效应,在融合过程中加入一致性校验。实验结果表明,新算法能够充分获得图像的细节信息,同时有效去除光晕现象、改善图像泛灰的不足。相比于单尺度Retinex算法、基于双边滤波的Retinex算法、直方图均衡算法以及反锐化掩膜算法,新算法的图像增强能力具有显著的提升。

基于金字塔变换跨尺度代价聚合的立体匹配

人眼视觉系统在不同尺度上处理接收到的视觉信号,而传统的立体匹配算法都在原立体匹配图像对最大尺度下进行立体匹配,在低纹理区域、无纹理区域立体匹配错误率高。模拟人眼视觉系统在多个尺度上进行立体匹配,再融合不同尺度下的匹配结果能减少错误率。通过改进一种基于高斯金字塔变换跨尺度代价聚合的立体匹配方法,在原框架上,在代价聚合阶段加入拉普拉斯金字塔变换,在视差精细化阶段加入基于加权联合双边滤波的视差精细化方法,使新框架能获得比原论文更好的视差图。

Dehazing algorithm using adaptive dark channel fusion and sky compensation

Aiming at the inaccurate transmission estimation problem of dark channel prior image dehazing algorithm in the sudden change area of depth of field and sky area,a dehazing algorithm using adaptive dark channel fusion and sky compensation is proposed.Firstly,according to the characteristics of minimum filtering of large window scale and small window scale in the dark channel prior,the fused dark channel is obtained by weighted fusion of the approximate depth of field relationship,thus obtaining the primary transmission.Secondly,use the down-sampling to optimize the primary transmission combined with gray scale image of haze image by fast joint bilateral filtering,then restore the original image size by up-sampling,and the compensation of the Gaussian function is used in the sky area to obtain corrected transmission.Finally,the improved atmospheric light is combined with atmospheric scattering model to recover haze-free image.Experimental results show that the algorithm can recover a large amount of detailed information of the image,obtain high visibility,and effectively eliminate the halo effect.At the same time,it has a better recovery effect on bright areas such as the sky area.