多尺度引导滤波及其在去雾中的应用

将引导滤波与提升小波相结合提出了一种多尺度引导滤波方法,以实现在平滑图像细节的同时保持图像边缘不模糊。该方法通过提升小波法对将图像进行多尺度分解,即将信号分解成一个低频子带和多个高频子带。在提升小波重构过程中,利用引导滤波平滑每个尺度的低频信息并保持其边缘不模糊。最后,针对滤波后残余的细节,对提升小波重构后的平滑图像再次进行引导滤波,以便进一步平滑图像细节。将多尺度引导滤波应用于暗通道去雾先验理论并进行了主、客观评价。结果显示:多尺度引导滤波能够深层次平滑图像细节,保持边缘完整性,从整体上提高了图像的对比对和视觉效果,有效恢复了场景信息并保留场景的边缘信息。另外,该方法改善了客观评价指标,其对比度增强系数指标平均提升了0.1以上,场景结构相似度平均提升了1以上,而LOE(Lightness Order Error)参数降低了10以上,满足了去雾应用的视觉需求。

基于多尺度梯度域引导滤波的煤矿井下图像增强方法

煤矿井下图像存在较严重的光照不均匀和噪声干扰,现有基于Retinex的方法直接应用于煤矿井下图像增强易出现光晕伪影、边缘模糊、过增强和噪声放大等问题。针对上述问题,提出了一种基于多尺度梯度域引导滤波的煤矿井下图像增强方法。首先,将多尺度思想引入梯度域引导滤波中,实现对非均匀光照的准确估计,有效解决了增强图像时光晕伪影及边缘模糊的问题。然后,利用Retinex模型分离出光照分量和反射分量:对于光照分量,通过自适应伽马校正函数逐像素地修正光照信息,实现对图像暗区域增强的同时,抑制亮区域过增强,并使用限制对比度自适应直方图均衡化方法调整图像对比度;对于反射分量,将梯度域引导滤波与多尺度细节提升相结合,在准确去除噪声后提升纹理细节,避免了增强图像时噪声放大的问题。最后,将处理后的光照分量及反射分量融合,计算图像增益系数,并使用线性色彩恢复方法实现对原始RGB图像的逐像素增强,提升方法处理效率。实验结果表明,从主客观角度与现有方法相比,经所提方法处理后的图像在色彩保持、对比度、噪声抑制、细节保留等方面均取得了较好的增强效果,同时处理效率较高。

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。

基于残差融合的改进Retinex图像增强算法

针对低照度图像边缘纹理模糊、亮度和对比度偏低等问题,提出一种基于残差融合的改进Retinex图像增强算法。该算法采用自适应多尺度引导滤波AMGF(Adaptive Multi-scale Guided Filtering,AMGF)替代高斯核函数,根据Retinex理论获取反射图像;使用CLAHE拉伸反射图像的对比度;通过L 0范数提取输入图像残差进行融合;进行颜色恢复处理。实验结果表明,所提算法有效地提升了低照度图像的边缘细节表达能力,提高了图像质量和视觉效果。

基于照度调整的矿井非均匀照度视频图像增强算法

由于煤矿井下空间环境受粉尘等因素的影响,视频监控系统获取的作业环境图像存在照度低、照度不均匀等问题,而且现有的算法在处理煤矿非均匀照度图像时会出现颜色失真或者过增强现象,这不利于对图像的判读和应用。结合煤矿的实际数据,提出了一种新的图像增强算法,克服了现有算法存在的问题:分析井下视频图像特点,采用具有边缘保持特性的多尺度引导滤波获取照度分量;基于Retinex理论,将图像分解为照度分量与反射分量;针对照度不均匀的特性,提出一种新的"S型"曲线函数对其进行调整;分析图像的特性,引入受限对比度自适应直方图对其对比度进行增强;提出新的图像增强模型,利用细节增强系数和照度增强系数实现对图像的综合增强。与其他4种算法的对比试验表明,本文算法在主观评价和客观评价方面都优于上述算法。实验证明,本算法具有有效提升图像整体亮度和对比度,同时避免光源附近亮区域的过增强现象的特点,能够满足矿山实际应用需求。

高分辨率遥感影像城市绿地提取方法研究

以德国Vaihingen城区的高分辨率遥感影像为数据源,提出一种结合多尺度引导滤波特征与核主成分分析特征的提取方法,利用多尺度引导滤波提取不同尺度的绿地特征,通过具有非线性映射能力的核主成分分析算法,对多尺度特征进行降维,最后将降维后的特征输入支持向量机分类器,得到城市绿地的分类结果,并与现有的绿地提取方法进行对比分析。结果表明:该方法能充分利用空间邻域信息,获得比现有单尺度分析方法更高的分类精度,且明显减少传统像素级分类方法产生的结果细碎问题。

基于Retinex的自适应非均匀低照度图像增强算法

非均匀低照度图像会影响目标识别跟踪的效果,为了增强非均匀低照度图像,提出一种基于Retinex理论的自适应亮度层图像增强算法;首先将图像HSI模型中I层图像分离出来;然后通过Retinex理论和多尺度引导滤波器获得I层的入射分量,根据输入图像的均值自动获取调整参数k,对入射分量的亮度进行自适应调整;最后通过主成分分析法(PCA)提取两个图像中的细节特征并进行融合;对比实验表明,该算法能有效提升非均匀低照度图像的整体亮度和细节信息,同时减少非均匀照度的影响。

一种矿井低照度图像增强算法

针对小波变换在图像边缘保持和细节处理方面无法保持平衡及多尺度Retinex算法易造成图像出现光晕伪影和噪声污染严重等问题,将小波变换与基于多尺度引导滤波的多尺度Retinex算法相结合,提出了一种矿井低照度图像增强算法。该算法首先将低照度图像进行小波分解得到高频分量和低频分量;然后对图像高频分量采用三段式阈值函数进行小波去噪,对图像低频分量采用非线性全局亮度校正以增强图像亮度,同时采用多尺度引导滤波函数代替传统多尺度Retinex算法的高斯滤波函数来估计照射分量,进而求取反射分量,并运用主成分分析法对反射分量与非线性全局亮度校正的图像进行融合,有效提升图像边缘细节保持效果;最后对图像高频分量和低频分量进行小波重构,并对小波重构后的图像进行非线性变换,解决图像泛灰问题。实验结果表明,该算法具有很强的噪声抑制能力,可有效提升图像亮度和对比度,使图像边缘保持性能和细节信息丰富度得到有效平衡,避免了图像出现光晕伪影、颜色失真等现象。

基于亮度通道细节增强的低照度图像处理

为了解决在低照度条件下,可见光成像设备采集的图像亮度低、细节不清晰等问题,提出一种基于亮度通道细节增强的低照度图像处理算法。首先,将图像从RGB转换到Lab颜色模型,将Lab模型中的亮度通道通过指数派生函数校正构造为光照分量,再经过Retinex增强得到初步增强图像。然后,采用结构张量和多尺度引导滤波分别对初步增强图像进行细节提取,并将两种方法提取的细节信息进行了融合。最后,将细节图像和初步增强图像融合得到了目标图像。实验结果主观上得到了亮度合适、细节清晰的增强图像,客观上在亮度失真、信息熵和能量梯度上均有良好且稳定的表现,表明该算法能够有效提高图像的亮度和细节信息,并保持自然的色彩和光照效果。