基于FPGA的实时图像预处理技术在汽车夜视系统中的应用

针对红外图像的特点,提出了汽车夜视系统中图像增强的预处理方案。给出了基于FPGA的视频格式转换、快速中值滤波、自适应平台直方图双向均衡化的原理、实现方法及仿真结果。仿真结果表明本方案较好地满足了图像处理效果和处理速度的要求。

一种改进PCNN的红外与可见光图像融合算法研究

红外图像与可见光图像运用传统图像融合技术进行图像融合时,融合图像出现细节模糊、对比度降低等问题。针对此问题,提出了一种通过面积比改进脉冲耦合神经网络(PCNN)结合NSCT的图像融合方法。首先利用直方图双向均衡化对源图像预处理;其次经过NSCT分解图像得到低频子带和高频子带,高频部分采用改进的PCNN作为融合规则得到高频融合系数,低频部分采用加权平均作为融合规则得到低频融合系数;最后NSCT逆变换处理高低频融合系数得到融合图像。实验结果表明,融合算法在保留图像细节信息、增强图像轮廓信息方面优于传统图像融合算法,提高了图像对比度。

基于工业现场环境的图像增强方法研究

针对工业环境照明弱和光照不均等问题,运用一种结合空间域和频率域的图像增强方法对拍摄的混料颗粒图像进行增强处理。讨论直方图双向均衡化、拉普拉斯算子和高频提升滤波增强的基本原理:直方图双向均衡化是对直方图的灰度密度和灰度间距两个方向同时进行灰度化处理,能增强整幅图像的对比度;拉普拉斯变换能锐化图像,突出颗粒边缘细节,使颗粒能清晰呈现出来;高频提升滤波对傅里叶变换后的图像进行平滑处理,去除图像噪声。根据上述方法得到的实验结果表明,经新方法增强后图像的增强效果在图像均值、均方差、对比度增强系数方面较原图分别提高了30%、8倍和84%,且比使用单一某种增强方法的效果具有明显优势。

基于轻量级YOLOv4与KCF的复杂海面舰船目标识别

对于远距离或小尺寸的舰船目标,采用轻量级YOLOv4模型可提供高效实时的特征提取,降低计算和存储资源的需求,这对于长时间海上任务或移动设备十分重要。并且单一尺度特征提取容易导致识别结果出现较大误差,因此提出基于轻量级YOLOv4与KCF的复杂海面舰船目标识别方法。首先,对海面远小舰船图像进行双向均衡化处理,突出图像的细节。其次,设计一种更加轻量化的YOLOv4网络,从3个不同尺度提取舰船目标特征图,更快捷地捕捉舰船目标的位置和动态变化。最后,通过KCF算法结合相似度阈值,筛选出目标像素,构造舰船目标图像,完成舰船目标的识别。实验结果表明:所研究方法双向均衡化处理后图像质量得到提升,SNR最高达到35.4 dB,SSIM最大值为0.94;轻量化特征提取效果较为理想,特征提取的时间复杂度最低为1.2 s;相较于YOLOX-S算法、级联网络方法,所研究方法能够识别出全部的舰船目标,精准度达到了100%;所研究方法的最大帧率为49.6帧/s,相较于YOLOX-S算法、级联网络方法分别提升了84.40%与192.31%。因此,说明该方法能够更加精准地识别复杂海面舰船目标。