自适应加权直方图均衡化的红外图像增强

鉴于现有的红外图像增强方法存在欠增强、过增强和放大噪声等缺陷,提出了自适应加权直方图均衡化的红外图像增强方法。该方法提出了直方图的自适应加权系数,其反比于每个灰度级对应直方图频次的平方根,适当地提升频次较小的直方图,而适当压制频次较大的直方图。用自适应加权系数对各个灰度级的直方图频次进行加权后,进行直方图均衡化处理,最后经灰度级映射得到增强图像。实验结果显示,相对于现有的方法,本方法的增强图像对比度更高,边缘细节信息更丰富,信息熵、平均梯度和标准差分别比现有方法高出0.23、2.2和3.7以上。因此,本文方法的红外图像增强效果优于最新提出的现有方法。

反距离加权插值自适应图像直方图均衡化算法

提出了一种基于反距离加权插值的自适应图像直方图均衡化算法:在非重叠子块直方图均衡化方法的基础上,用反距离加权插值函数的权值描述图像像素之间的相关性,利用权值下降指数调节图像中局部区域的增强效果,通过设置平滑参数控制插值算法的平滑效应。遥感图像增强实验结果表明了该方法的可行性。

多尺度自校正双直方图均衡化红外图像增强

针对红外图像增强过程中容易饱和、细节丢失等问题,提出一种参数自设定的双直方图均衡化方法。根据灰度级累积概率密度黄金比例值将原始图像划分为两个独立的子图像。结合原始图像曝光度和子图像灰度级区间信息,对每个子图像的直方图进行多尺度自适应加权校正。基于校正后的直方图,对每个子图像分别作均衡化映射变换,最后合并子图像获得增强图像。在红外图像公开数据集INFRARED100上进行的测试显示,与亮度保持双直方图均衡化(Brightness Preserving Bi-Histogram Equalization,BBHE)、带平台限制的双直方图均衡化(Bi-histogram Equalization with a Plateau Limit,BHEPL)、基于曝光度的双直方图均衡化(Exposure based Sub-image Histogram Equalization,ESIHE)方法相比,所提方法增强的图像具有合适的平均对比度和更大的平均信息熵,在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、结构相似度(Structural Similarity,SSIM)、绝对平均亮度偏差(Absolute Mean Brightness Error,AMBE)指标上平均提升至少17.2%、4.0%、56.2%。实验结果表明,所提方法对不同亮度特征的红外图像都有良好的适应性,可有效增强红外图像对象和背景之间的对比度,在噪声抑制、亮度和细节保持等方面优于同类方法。

自适应直方图均衡方法研究与应用

本文介绍了直方图均衡(HE)和自适应直方图均衡(AHE)对比度增强方法,进而提出了一种基于幂函数形式的加权自适应直方图均衡法(WAHE),并给出其滑动窗口权矩阵生成方法及直方图分布计算方法,最后给出数字X光胸腔图象的处理结果。

利用偏振图像加权融合及CLAHE算法的水下成像方法

针对传统基于偏振差分原理的水下光学成像方法中,由于目标退偏振特性差异引起的图像中局部反射光损失的问题,提出了基于偏振图像加权融合与限制对比度自适应直方图均衡(CLAHE)算法的水下成像方法。一方面,将原始水下图像分解为偏振光强图像和非偏振光强图像,根据不同退偏振特性目标在两幅图像中的灰度值分布特点,设计相应的权重因子,对两幅图像进行加权融合,从而实现在压缩原始水下图像中散射光的同时保留更多目标反射光,提升整体目标反射光在融合图像中所占的比例。另一方面,为了进一步提升融合图像的对比度,利用CLAHE算法对融合图像进行处理。该算法能够在提升融合图像对比度的同时,有效避免图像噪声的放大。实验结果表明,相较于传统的偏振差分方法以及独立的直方图均衡算法,该算法能够有效提升水下图像的清晰度和对比度。

基于幂函数的加权自适应直方图均衡

介绍了直方图均衡 (HE)和自适应直方图均衡 (AHE)对比度增强方法 ,进而提出了一种基于幂函数形式的加权自适应直方图均衡 (WAHE)法 ,并给出其滑动窗口权矩阵生成方式及直方图分布计算方法 ,最后给出数字

融合暗通道与直方图均衡化的去雾算法及应用

针对可见光图像在采集过程,由于环境温差的变化导致镜头起雾所引起采集的可见光图像清晰度下降的情况,设计一种暗通道先验和自适应直方图均衡化生成图像进行加权融合的去雾算法,并将其用于植物采收机器人的去雾复原处理上。使用暗通道先验理论,得到大气光强和透射率,完成暗通道方法的去雾复原处理,再对原图进行限制对比度的自适应直方图均衡化,将两幅图像进行加权融合,使得生成的图像更加清晰。实验结果表明,该方法能够有效地完成图像去雾工作,与经典算法相比能得到更多的信息,图像更加清晰可见,具备一定的优异性。

基于Dense-YOLO网络的井下行人检测模型

行人检测是实现矿用车辆无人化的一项关键技术,煤矿井下弱光环境中捕获的图像可见度不佳,极大地影响了行人检测效果。现有行人检测方法忽略了井下弱光环境对目标检测精度的影响,检测效果不理想。针对该问题,提出一种基于Dense-YOLO网络的井下行人检测模型。将弱光图像分解为光照图和反射图,采用Gamma变换、加权对数变换、限制对比度的自适应直方图均衡(CLAHE)对光照图进行增强处理,采用亮度权值和色彩权值对增强后的图像进行加权融合;采用双边滤波算法对反射图进行处理,以增强图像纹理;将增强后的光照图和经过双边滤波处理的反射图逐点相乘,重构出RGB图,并采用ROF去噪模型对融合后的图像进行全局去噪,得到最终的增强图像。将含有残差块的Dense模块添加到YOLOv3中,构建基于Dense-YOLO网络的井下行人检测模型,残差块的加入有利于避免在网络训练过程中出现梯度消失和梯度爆炸等问题。实验结果表明:对弱光图像进行增强处理能够有效提高图像可见度和行人检测效果;Dense-YOLO网络对增强图像的漏检率为4.55%,相较于RetinaNet网络降低了14.91%,基于Dense-YOLO网络的井下行人检测模型有效降低了行人检测漏检率。

基于亮度校正与多空间转换的水下图像增强

由于水体环境中光的吸收与散射,导致采集的水下图像存在颜色失真、亮度不均、对比度低等缺点。针对以上缺点,提出了基于亮度校正与多空间转换的水下图像增强方法。首先采用色彩平衡算法对退化图像进行颜色校正;然后将色彩校正的图像从红-绿-蓝(red-green-blue,RGB)空间转换为色调-饱和度-亮度(hue-saturation-value,HSV)空间,用构造出新的二维伽马函数处理V通道,再转回RGB空间;最后对颜色校正图像和亮度校正图像进行加权融合,并将融合图像从RGB空间转换为LAB空间,用限制对比度自适应直方图均衡化算法处理L通道,再转回RGB空间,便得到最终的增强图像。为验证本文算法的有效性,采用主观视觉效果和3种客观指标进行验证。结果表明,本文算法能够有效地校正图像亮度,提高图像清晰度。