多尺度小波梯度图像增强方法

传统的图像增强算法在对图像增强的同时,也增强了图像的噪声信号,不利于图像的后期处理.在小波变换增强算法的基础上,提出了多尺度小波梯度图像增强方法.实验证明,该方法在提高图像对比度的同时,有效的解决了噪声也被增强问题,使增强后的图像便于图像分析和后期处理.

基于多尺度梯度域引导滤波的弱光照图像增强技术

光照较弱会导致图像出现颜色失真以及部分图像细节消失等问题,提出了基于多尺度梯度域引导滤波的弱光照图像增强方法。对弱光照图像进行多尺度梯度域引导滤波图像增强和Gamma校正,将BIQME作为目标函数,将主观图像增强问题转换为最优解问题,采用改进鸡群算法对目标函数优化求解,获取图像增强所需要的最优多尺度梯度域引导滤波参数和色调平衡参数,最终达到弱光照图像增强的目的。实验测试结果表明,所提方法可以增强弱光照图像的同时,改善弱光照图像质量和提升图像处理速度,图像处理速度控制在0.85 s以内。

基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法

针对现有红外图像增强算法存在信噪比低、细节模糊、清晰度差等问题,本文提出基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法。首先,为克服尺度参数固定和光线散射导致红外图像退化的问题,利用大气透射率得到Retinex尺度参数的全尺度映射图,从而有效提高图像的清晰度,并将输入图像和使用全尺度Retinex处理后的输入图像作为算法的第一个输入和第二个输入。其次,为解决传统小波阈值函数在图像降噪过程中存在伪影、细节丢失等问题,设计改进小波阈值函数,通过引入尺度因子,在计算每层高频子图小波系数后,能根据该层数自适应调整尺度因子,并引入调节因子,结合指数函数,使该函数不仅能抑制高频子图噪声,还能极大程度保留细节信息。然后,使用小波图像融合的方式融合输入的高频子图和低频子图,进一步提高输出图像的纹理细节。主客观仿真结果表明,所提算法比其它对比算法具有更好的降噪和细节突出能力,并能提高红外图像的人眼视觉效果。最后,本文算法应用于红外成像模块采集的红外图像增强,效果良好,表明本文方法具有实用性。

基于小波多尺度积的图像增强新算法

在分析小波变换对噪声影响规律的基础上,结合小波多尺度积的特性,提出了一种基于小波多尺度积的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了图像增强过程中噪声放大问题。

Gamma变换与多尺度细节增强的红外图像增强

针对现有的红外图像增强方法存在欠增强、过增强以及微小细节不清晰等缺陷,提出了一种Gamma变换与多尺度细节增强的红外图像增强方法。该方法充分利用红外图像边缘细节的多尺度特性,用多尺度的引导滤波将红外图像分解为多尺度的细节层和基础层;对基础层进行自适应的Gamma变换,Gamma指数自适应于基础层图像亮区像素数与暗区像素数的比值,旨在适宜地调整红外图像的整体亮度,使得隐藏于暗区的图像信息得以正常显示;对多尺度的细节层分别进行四邻域的拉普拉斯增强,以提升多尺度细节信息的信号强度。实验数据证明,相对于部分最新的现有方法,本文方法具有更好的增强效果,增强图像的视觉感知效果更佳,客观的图像质量指标平均梯度和无参考图像质量指标均较高。

低照度环境下小尺度人脸图像增强方法

为有效提升低照度人脸图像清晰度,使其更好地应用于多种领域,提出低照度环境下小尺度人脸图像增强方法。应用小波收缩去噪方法对低照度人脸图像执行去噪操作,根据韦伯费西纳定理,将去噪后低照度人脸图像划分为低对比度区、低照度区、中照度区以及饱和区4个照度区域。采用多尺度增强方法对划分后各照度区图像进行多尺度分解,增强各个尺度图像。经4个照度人脸图像融合处理,实现低照度环境下小尺度人脸图像增强。实验结果表明:该方法可实现低照度环境下人脸图像增强,图像亮度与清晰度得到显著提升,当信噪比为60 dB时,清晰度相比传统方法提高了13%左右。

基于小波多尺度的图像增强新算法

传统图像增强算法在增强对比度的同时,也很大地提升图像噪声,需要对图像进行降噪处理。小波增强方法兼顾图像信号的空域和频域特性,但没有充分考虑到视觉的非线性特性。针对现有图像增强技术的这一缺陷,在分析小波变换对噪声影响规律的基础上,结合小波多尺度的特性,提出了一种基于小波多尺度的图像增强新算法,利用不同尺度上的小波系数间的相关性和小波分析的时频局部化特性来有效区分噪声和图像信息,有效改善了图像增强过程中的噪声放大问题。

结合加权引导滤波和小波变换的低照度图像增强算法

针对低照度图像增强处理后存在图像细节差、色彩失真和“光晕伪影”等问题,在HSV颜色空间中处理图像,将V通道分量进行小波变换分解,对低频系数采用改进加权引导滤波替代高斯滤波作为环绕函数的多尺度Retinex算法处理,对高频系数采用改进的阈值函数降噪处理,小波逆变换重构V通道分量,对重构的V通道分量进行Gamma校正处理并转换回RGB颜色空间。实验结果表明,该算法增强后图像亮度提升明显,同时抑制了“光晕伪影”,颜色失真较少且细节丰富。

基于多尺度小波的图像增强改进算法的应用研究

现有的医学CT图像一般存在明暗对比度较差、灰度分布范围小、部分有用信息很不明显等缺陷,从而影响了对图像的正确分析,因而进行图像增强是非常有必要的。一些传统算法在对图像增强的同时,也增强了图像中的噪声信号,不利于图像的后期处理。本文在现有的图像增强算法的基础上,采用了基于多尺度小波图像增强的新方法,有效地抑制了噪声,处理后的图像明暗较为明显,利于进一步的分析和处理。

基于梯度信息的多尺度Retinex图像增强方法及应用

针对传统多尺度Retinex图像增强方法存在的欠缺,提出基于梯度信息的多尺度Retinex图像增强方法。该方法根据图像区域特征,融合梯度信息,自适应地修正权重系数,动态调节不同尺度高斯函数的滤波作用,显著提高了多尺度Retinex方法的功效,并将其应用于退化视频监控图像的增强处理。实验结果表明,改进的方法在提高图像对比度、增强细节特征、降低噪声干扰以及校正色彩偏差等方面具有更好的效果,能够准确地恢复监控图像记录的场景信息。

基于多尺度小波的图像增强算法

提出了一种基于多尺度小波的图像增强算法。首先对图像做小波分层,利用散布矩阵对分层后的图像提取更丰富的局部结构信息,最后对每一个子图像进行局部直方图均衡化,就可将这些子图像合成为一个完整的输出图像。实验结果表明该方法的增强效果明显优于传统的直方图均衡化方法,既提高了图像的整体对比度又突出了图像的局部细节,同时还抑制了噪声。

基于反对称双正交小波重构的图像增强方法

详细给出了基于反对称双正交小波重构的多尺度边缘检测方法的相关理论基础,即推导了反对称双正交小波变换所具有的卷积运算性质;分析了反对称双正交小波变换的微分算子功能;提出了一种针对图像多尺度边缘提取的小波重构算法.在此基础上,提出了基于反对称双正交小波重构的图像锐化增强方法.首先对图像进行多尺度小波分解;然后在小波重构中,计算模值图和相角图,提取各尺度边缘图像,并根据边缘图像,增强半重构图像的对应边缘点;最后继续逐级重构,实现图像增强.该方法在小波塔式分解数据的重构过程中有针对性地实现对图像边缘的锐化增强,对图像增强和图像滤噪增强提供了一种新的解决问题的思路.实验结果验证了该方法的有效性.

基于尺度相关性的自适应图像增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,结合小波变换中相关系数理论,提出了一种基于小波变换的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大问题。实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法。

一种基于二维离散小波变换的医学图像增强算法

噪声是影响医学图像质量的最重要的因素之一。去除噪声,增强图像以提高图像质量是医学图像处理的重要课题。传统的图像增强方法在改善图像视觉效果的同时还存在噪声过增强问题,不适于医学图像增强。针对这种情况,文章提出了基于二维离散小波变换的医学图像增强算法。在多尺度分析基础上,该算法对小波分解得到的低频子带图像采用两步提升法进行对比度增强处理,而对小波分解得到的不同方向上的小波系数进行不同程度的去噪并增强。实验结果表明,该方法在提高医学图像对比度改善图像质量的同时有效地解决了传统算法中难以克服的噪声放大问题。处理后的图像更利于医生进行分析诊断和医学影像的后续处理。

基于改进MSR滤波算法的X光图像增强

工业中用于无损检测的X光图像存在信噪比低、清晰度差、对比度低等缺点。为改善X光图像质量,提出一种改进的多尺度Retinex滤波(MSR)算法。将原始图像进行小波分解,在低频子带上进行MSR滤波,在高频子带上进行阈值滤波,实现图像重构。实验结果表明,改进MSR算法能同时达到图像增强和去噪的效果。

基于小波变换的多层次图像增强算法

提出了基于小波变换的多层次图像增强算法.首先对图像进行4级小波分解,得到尺度系数和多个层次的小波系数;然后对不同层次的小波系数采用不同的增强算法进行处理,并对图像的尺度系数采用多尺度方法进行处理;最后用得到的小波系数和尺度系数进行逆变换得到增强后的图像.试验结果证明,该算法具有优于传统增强算法的增强效果和抗噪性能.

基于梯度稀疏和多尺度变分约束的图像增强算法

针对低照度条件下采集到的图像存在亮度偏低、细节模糊等问题,通过分析传统Retinex理论在增强图像过程中的缺陷,提出了一种基于梯度稀疏和多尺度变分约束的图像增强算法。该算法首先将输入图像由RGB空间转换到HSV空间,提取亮度分量,实现3个通道的解耦合。然后,根据零范数的梯度全局显著特性,定义了一个新的相对全变分正则项。接着,在HSV空间下惩罚亮度分量,构建一种具有梯度稀疏的变分模型对亮度通道进行约束,并通过将控制因子扩张为多个尺度,形成多尺度变分约束,提升照度估计的准确度,使之更加符合光照分布特性。根据Retinex理论进行映射,获取亮度通道对应的反射图像。进而利用亮度通道不同尺度下的约束所对应的不同照度结果,分别提取图像的粗略细节、中等细节和精细细节,通过多尺度细节加权,对反射图像进行细节增强。最后,对照度图像进行伽马校正,与经细节提升后的反射图像重组并进行颜色空间转换得到输出的增强图像。通过定量、定性实验对本文算法进行了验证,实验结果表明:本文算法的增强图像有着更高的色彩丰富度和更低的色差水平,能够保持图像的自然度,提升图像的视觉效果。在均值、平均梯度和信息熵的表现上,相比原图均有大幅度提升;与现有的先进算法相比,本文算法的平均定量指标在不同类型低照度图像的增强图像上均产生了较优的效果,且运算效率较高。

基于小波增强的改进多尺度形态梯度边缘检测算法

在形态学梯度边缘检测算子的基础上,综合多结构元和多尺度算法的特性,提出了一种基于小波增强的多结构元、多尺度边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘,得到了噪声存在下的理想边缘。实验表明,本文方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力。

基于多尺度Retinex算法的遥感图像增强

遥感图像增强是对遥感图像进行后继处理的必要步骤且在遥感图像的处理中占有独特的地位。当前,有很多图像增强方法被应用到遥感图像的增强当中,文中引入Retinex增强算法,该算法可以实现对图像进行自适应的增强处理。为了使Retinex算法更具有普遍性和自适应性,采用多尺度Retinex算法对图像进行增强。多尺度Retinex算法即结合多个尺度上的单Retinex算法,因而可以进一步提高Retinex算法的自适应能力和对图像的增强效果。应用小波变换方法和多尺度Retinex算法对遥感图像进行增强对比实验,实验结果表明多尺度Retinex算法在遥感图像的增强方面具有优越性,并且可以取得令人满意的增强效果。

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。