基于深度神经网络的多聚焦红外图像非线性增强

当红外图像中含有多个聚焦目标主体时,会导致红外图像质量下降,部分区域出现模糊,因此,提出基于深度神经网络的多聚焦红外图像非线性增强方法。在引导滤波的作用下,从红外图像中获取细节层图像和背景层图像,在细节层图像中建立局部清晰度评价函数,得到清晰的细节层和背景层并融合二者。利用构建的深度神经网络结构,建立非线性增益函数,通过设定阈值和调整子带系数,实现对多聚焦红外图像的非线性增强。测试结果表明,所提方法在增强图像过程中,并没有改变原始图像的亮度和纹理波动;增强后的图像信息熵比原图像提高了57%左右,图像抗噪性能值更高,平均为7.4 dB,图像更清晰,SSIM值更趋近于1,平均为0.98,增强后的图片与原图片图像相似度更高,更接近于真实图像。

小尺度图像细节层的高频分量提取仿真

目前视觉领域针对图像处理没有相对完善的方案,缺少有效提取图像的高频分量方法,因此采用当前方法对小尺度图像细节层的高频分量进行提取时,存在分量提取效果不佳、图像细节信息不显著以及视觉效果不好等问题,提出一种基于人工神经网络模型的小尺度图像细节层高频分量提取方法。首先对待处理的小尺度图像进行双边滤波去噪,对平滑图像进行离散小波变换,提取出图像细节层中水平细节分量、垂直细节分量、对角细节分量;然后采用人工神经网络模型对提取出的三个细节层分量进行增强处理,进一步体现细节层的高频分量,使提取的高频分量更为平滑。仿真实验证明,所提方法对小尺度图像的高频分量提取精度较高、所需时间较短。