基于统计特征分类耦合自适应Gamma校正的图像增强算法

为了避免图像在亮度增强时导致其颜色失真,且在局部易出现过增强等问题,设计了统计特征分类耦合自适应Gamma校正(adaptive Gamma correction,AGC)的图像增强算法,以更好提高图像细节与视觉效果。首先,将输入图像转换为HSV空间,使颜色与亮度分离,使其在增强亮度通道时不改变像素的原始颜色,有效降低颜色失真。然后,考虑不同图像的性质,利用统计信息将图像分类为高、低两种对比度,每种对比度又分为亮、暗两类。其次,基于传统的Gamma校正方法,通过对于不同类型的图像进行动态参数设置,形成一种AGC机制,从而为不同类型图像的构建了不同的增强函数,以完成不同类别图像的增强处理。实验数据表明,与当前流行的增强算法相比,所提算法具备更高的增强效果,呈现出更为自然的亮度与对比度,且保持了更多的颜色信息。

基于特征图规正的虹膜图像自适应Gamma校正方法

在虹膜图像采集过程中产生的光斑使得整幅虹膜图像的照度不均匀。为了消除照度不均匀对特征提取的影响,本文提出了一种基于特征图规正的自适应Gamma校正方法。该方法将虹膜图像的特征图作为Gamma校正的依据,把距离因素考虑到Gamma校正中,而且利用模拟退火算法实现了关键值Gamma的自适应调整。该方法使Gamma值的变化更加趋于合理,提高了Gamma矫正对光照变化的适应能力,避免了较正后图像的失真。实验证明该方法不仅可以尽可能的提高图像的质量,而且对校正后的图像进行边缘提取,可以获得更加清晰连续的边缘。

基于自适应gamma校正估计的图像去雾算法

针对当前流行的图像去雾算法存在去雾过度造成图像颜色失真,或者去雾不足等问题,提出了一种自适应gamma校正估计的图像去雾算法。首先根据图像亮度,利用不同的gamma校正函数拟合不同场景深度下有雾图像与无雾图像之间的关系,自适应估算出无雾图像最小通道,并通过引导滤波算法进行修正,保持局部区域内线性的关系,进而根据大气散射模型得到初始透射率,然后通过高斯相对性进行优化;另外,通过增加搜索领域,将有雾图像的蓝色通道上半部分作为输入对四叉树算法进行改进,得到场景最深处所对应的有雾图像像素值作为大气光值;最后通过gamma校正函数对复原图像的亮度进行增强。实验结果表明复原图像的对比度、平均梯度分别平均提高了40.66%,20.98%,并具有较高的信息熵。上述算法去雾显著,复原图像具有较高的清晰度。

图像的局部自适应Gamma校正

照度不均匀图像的分辨率较低,高光区与阴影区会隐藏很多的图像信息。针对照度不均匀导致成像的不同区域存在不同的光照效果,提出了一种新的局部自适应Gamma校正方法,先使用K近邻法估计出图像中不同区域的合适的Gamma值,再对图像进行局部的Gamma校正。实验证明了该方法具有较好的校正效果。

基于自适应Gamma校正的煤岩显微图像增强研究

针对煤岩显微组分在采集过程中存在如光照变化、阴影以及非专业的补光操作所造成识别效果不理想的问题,本文提出一种基于自适应Gamma校正的图像增强方法。该方法主要分为自适应阶段和截断阶段,前者利用像素灰度值的概率分布和Gamma校正来改善模糊图像的对比度,该步骤在图像的暗区能实现良好的增强效果,但在亮区如过度曝光、白色目标和高光区域上无效。为了克服这一缺陷,本文不直接使用累积概率密度函数作为Gamma参数,而是通过设置合理的阈值来截断函数的曲线。因此,可以在不丢失亮区细节的情况下改变图像的对比度。实验结果表明,本文算法能够有效地抑制图像噪声,增强煤岩图像对比度、亮度和提高图像清晰度。

暗场自适应Gamma校正

1 Gamma的定义 我们经常会发现这样的一种状况：同一幅图片在不同的显示设备上，比如在不同的电视上，或者电脑和相机显示屏上，观看时感觉亮度和颜色会相差很大。这是由于显示设备的系统特性引起的。

基于自适应横程走廊的再入滑翔飞行器改进预测校正算法

针对再入滑翔飞行器(reentry gliding vehicle,RGV)预测校正制导算法中规避逻辑和制导逻辑相分离的问题,提出了一种基于自适应横程走廊的融合算法。首先,通过飞行器侧向运动轨迹与禁飞区的相交关系,动态引入规避逻辑;同时,提出禁飞区有效映射横程来量化影响飞行轨迹的禁飞区区域;最后,设计自适应横程走廊,动态调整走廊边界,控制倾侧角的翻转,实现规避逻辑和侧向制导逻辑的融合。仿真结果表明,在本文方法下,飞行器可以针对不同情况的禁飞区实现有效制导,对再入扰动具有一定的鲁棒性,并与制导逻辑和规避逻辑分离设计的算法相比,在保证制导精度的同时,具备更少的倾侧角翻转次数。

汽车电子传感器原位误差自适应校正方法研究

传统的汽车电子传感器误差自适应校正方法,只能依赖校准设备,导致误差校正位移值较大,因此设计一种汽车电子传感器原位误差自适应校正方法。采集汽车电子传感器的原位误差数据,并建立测量误差校正模型。基于该模型,设计一种测量误差自适应校正算法。该算法能实时识别和校正传感器的误差,从而提高测量结果的准确性和可靠性。实验结果表明,设计的汽车电子传感器原位误差自适应校正方法,误差校正位移值明显小于其它两种方法,最小值仅为0.07mm,证明该方法能更准确地测量误差并及时校正。

自适应控制系统对机加工过程中误差校正的影响研究

随着制造业的发展和竞争的加剧,对产品精度和质量的要求日益提高。然而在实际加工过程中,受到各种因素的影响——材料性质变化、工具磨损、环境温度变化,将会导致加工误差的产生。传统的固定参数控制系统难以满足这种变化多端的需求,因此需要一种能够实时感知并调整加工过程的控制系统。自适应控制系统通过实时监测加工状态和误差信息,并根据反馈信号进行调整,能够有效地提高加工精度和稳定性,从而满足不同工件加工的要求。本文重点探讨了自适应控制系统简介、自适应控制在机加工误差校正中的应用、公共安全视频监控系统的架构设计。最后进行两组模拟仿真实验发现启用自适应控制系统,能够有效补偿由于热变形引起的加工误差,显著提高加工过程的尺寸稳定性和精度。本文验证了自适应控制技术在提高加工精度方面的有效性。

基于自适应校正和非锐化掩模的木材单板节子图像增强算法研究

为提高单板节子图像的对比度、细节清晰度和颜色保真性,综合考虑单板活节和死节图像的特征,提出一种将自适应校正和非锐化掩模相结合的单板节子图像增强算法。在可分离颜色信息的HSV空间提取亮度分量、饱和度分量,分别进行加权分布的自适应Gamma校正和自适应非线性拉伸处理,用于改善单板节子图像对比度和保持色彩自然,最后利用非锐化掩模技术增强节子细节区域。试验结果表明,该算法能够有效地改善单板节子图像的对比度和细节清晰度,图像颜色更为自然;突出节子缺陷部位,保留了较多节子细节信息;在均方差、峰值信噪比和结构相似性指数上,比AGC-Quantile和直方图均衡化算法均有提升。

基于自适应Gamma校正的红外图像增强算法

为了进一步提升红外图像的亮度和对比度,同时保持图像的自然效果,提出了基于自适应Gamma校正的红外图像增强算法。用改进的双边滤波作为Retinex的中心环绕函数,以提取红外图像的低频和高频部分,即基础层和细节层。对基础层图像进行自适应于暗区像素占比的Gamma校正,以提升图像的亮度和清晰度,而对细节层图像进行自适应的分段线性拉伸,进一步提升图像的对比度。实验结果证明了本文方法的有效性,相对于现有的方法,本文方法增强后的视觉效果更清晰、细节信息更丰富。

基于检测器与定位器融合的自适应校正跟踪算法

针对传统目标跟踪算法在复杂动态场景中因目标发生遮挡、旋转等多种因素而导致的跟踪失败问题,提出了一种基于检测器与定位器融合的自适应校正跟踪算法。定位器通过提取目标的深度特征训练CNN(convolutional neural network)滤波器进行位置估计,CNN滤波器在原CF2(hierarchical convolutional features for visual tracking)算法的3层卷积特征的基础上加入了2层浅层特征,增强了对目标纹理信息的提取。检测器通过提取目标的HOG(histogram of oriented gradient)特征,结合上下文信息计算置信度评分,用当前帧的平均峰值能量和响应最大值分别与历史均值比较,综合判断是否因为遮挡等因素导致跟踪失败,如果跟踪失败,结合检测器进行目标的重定位,否则对目标进行尺度估计。当模型具有高置信度时,更新模型。实验结果表明:算法距离精度和重叠精度均取得不错的效果。

融合Gamma校正与多任务卷积神经网络的人脸识别

针对当前基于深度学习的人脸识别算法对一些模糊或较暗图像识别人脸准确率不高的问题,结合Gamma校正算法优点,提出了融合Gamma校正的多任务卷积神经网络(multi-task convolutional neural networks,MTCNN)人脸识别算法(gamma multi-task convolutional neural network,GMTCNN)。首先,利用Gamma校正增加图像像素低的对比度,同时减少图像像素高的部分的对比度;其次,利用MTCNN算法对处理后的图像人脸识别。实验结果表明,GMTCNN算法对有遮挡物的人脸识别率更高,并且能够准确识别一张图的多张人脸。

液晶空间光调制器及其在自适应光学中的应用

液晶空间光调制器(LC-SLM)通过对液晶折射率的调制来实现对光程的控制,在自适应光学中起着重要的作用。文章梳理了国内外LC-SLM的发展现状,对LC-SLM的工作原理和相位标定原理进行了详细介绍,针对LC-SLM在自适应光学中的应用,对国内外LC-SLM关键技术研究状况进行了讨论,分析总结了西安理工大学在该领域的实验研究。最后展望了LC-SLM的应用前景。

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.

一种宽带非线性信道校正方法

针对高速数传解调器接收宽带高阶调制信号时因信道非线性导致的性能恶化问题,提出一种基于两层自适应均衡网络的非线性信道校正方法。该方法先利用递归最小二乘法获得Volterra非线性前置校正系数,再利用自适应基带均衡器消除信道的剩余影响,以提升解调器的捕获跟踪能力,并在高速数传解调器工程应用中实现2.4 Gb/s 16QAM信号的稳定接收。

自适应加权根多项式回归颜色校正算法研究

针对多项式回归颜色校正方法中的不足,提出一种自适应加权的根多项式回归算法。多项式回归颜色校正过程中需要手动标定色卡色块位置,操作不便且易产生人为误差,本文自主设计了一种带QR码上3个定位标识符的色卡,可实现色卡色块的自动定位;针对多项式回归法的高阶项会放大噪声且对噪声不具有健壮性的问题,本文算法将自适应地调整权重矩阵以减小样本奇异值对拟合性能的影响,再由色差值计算另一个增益系数矩阵,从而提高校正性能。经实验验证,本文算法在CIELab色差值、PSNR两项指标上相较于传统多项式回归方法都有较大提升。其中,传统多项式回归方法平均CIELab色差值高达6.5,且该数值受环境影响较大,而本文算法对不同环境下的图像校正后色差可稳定在3.2以下。

基于模糊自适应PI和串联阻抗校正的并网逆变器控制策略

在弱电网背景下,网络阻抗增大,不同耦合点的网络阻抗不同,且随接入点变流器数量及种类的不同而改变,对并网逆变器的稳定运行造成严重威胁。模糊自适应PI控制器可根据具体工况自主改变并网逆变器的环路特性以适应不同的网络阻抗参数,但由于其固有的相位滞后特性,在高网络阻抗情况下难以保证并网逆变器稳定裕度的要求。针对上述问题,在模糊自适应PI基础上,提出了串联虚拟阻抗的校正方法,对逆变器输出阻抗串联感性环节,从而将逆变器等效输出阻抗从阻容性校正为阻感性,提升了系统稳定裕度。最后通过确定最大网络阻抗,并设定45°的最小相位裕度,得到具体的串联阻抗参数,通过控制框图等效变换模拟虚拟阻抗的实现,并通过仿真和1kW实验样机验证了所提方法的有效性。

基于误差校正和自适应算子的SVR-PSO定位算法

针对室内复杂环境易受多径效应和非视距影响,导致RSSI值不可靠,影响SVR模型预测性能和系统定位精度的问题,提出一种基于误差校正和自适应算子的SVR-PSO算法。该算法提出利用近邻参考标签的预测误差对待测标签的预测距离进行误差校正,从而弥补SVR模型因RSSI值不可靠而预测不准确的问题。然后构建求解待测标签位置坐标的非线性方程组,利用PSO算法迭代求解。针对标准PSO算法存在的易陷入局部最优且收敛速度慢的问题,设计了一种自适应算子,分别对PSO算法的惯性权重和学习因子进行改进。仿真结果表明,误差校正和自适应算子对提升室内定位精度均有一定的作用。与SVR-PSO相比,系统平均定位精度提升了31.6%。在相同定位精度下,该算法使用的参考标签数量更少。

阵元位置互质的线性阵列:阵列校正和波束形成

该文研究了阵元位置互质的线性阵列(CLA)的阵列校正和波束形成问题。在假设CLA天线单元部分校准的条件下,基于同时干扰定位与阵列校正(SILAC)技术,设计了一种适用于CLA的阵列校正和波束形成方法:CLA-SILAC-INCM算法。从理论上分析证明了,当CLA中包含有L_c≥3个完全校准的天线单元,使用SILAC技术可以高精度无模糊地实现干扰源角度和阵列天线幅相误差估计,并在此基础上完成干扰噪声协方差矩阵(INCM)重建和波束形成最优权向量构造。通过仿真实验验证了,提出的CLA-SILAC-INCM算法具有比其他常用算法更好的性能,尤其是信噪比接近干噪比时,CLA-SILAC-INCM算法的优势更为明显。