基于引导滤波分层的宽动态范围红外图像细节增强算法

针对宽动态范围红外图像在视觉效果方面出现的对比度低、细节信息不凸显及整体清晰度较差问题,本文提出了一种基于引导滤波分层的宽动态范围红外图像细节增强算法。该算法采用方差决策加权引导滤波对原图作分层,得到了更接近原图的基础层和更精细的细节层。为提高基础层的对比度,首先改进CLAHE的全局剪切点提升增强效果,然后基于AC视觉显著模型指导全局和改进局部直方图的融合,合理兼顾了图像背景和目标;为有效加强细节信息,基于多尺度加权引导滤波得到了信息更全面的新细节层,接着采用梯度域导向滤波对其消噪,再由Sigmoid函数压缩强边缘并突显细微目标,最后将两层信息融合并输出。实验结果表明,该算法在主观视觉和定量指标上均强于对比算法,且自适应强,鲁棒性好。

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。

基于多权重融合策略的Retinex矿井图像增强算法

受粉尘、湿度、照度等环境因素的影响,煤矿井下监控视频易出现光照不均、对比度低和细节模糊等问题,影响视觉伺服系统和视频分析系统的应用效果。传统图像增强算法存在亮区域增强过度、暗区域细节增强不足等问题,易产生不自然的光晕伪影和颜色失真。针对这一问题,提出一种基于多权重融合策略的Retinex矿井图像增强算法。算法基于HSV颜色空间,保持色调分量不变,仅对亮度分量和饱和度分量进行增强。首先,采用多尺度梯度域引导滤波算子从亮度分量中估计光照分量,并结合井下图像曝光过度和曝光不足共存的特性,应用自适应伽马函数对光照分量进行校正,实现照度均衡;同时,采用限制对比度自适应直方图均衡算法对反射分量进行对比度增强;然后,将亮度校正后的光照分量和对比度增强后的反射分量进行多权重融合,所采用的规范化权重由局部对比度权重、亮度权重和清晰度权重组合而成;针对色彩偏移问题提出新的映射函数对饱和度分量进行非线性拉伸;最后将图像由HSV空间变换回RGB空间,完成图像增强。实验结果表明,相较于MSRCR、NPE、SRIE、BIME算法,本算法在平均梯度、信息熵、标准差等图像指标方面均有不同程度的提升,可有效提高矿井图像的对比度、清晰度、色彩准确度,并减少光晕伪影。

基于区域分割和引导滤波的多聚焦图像融合

针对多聚焦图像可能出现局部配准不理想的情况,提出了一种基于区域分割和图像引导滤波的失配准鲁棒多聚焦图像融合算法.首先通过构造基于结构张量的聚焦评价函数,对每幅输入图像进行聚焦度评价;然后建立包含图像聚焦度的全局能量函数,并通过Graph Cut算法分割出每幅图像的聚焦区域;最后利用图像引导滤波对每个聚焦区域进行细化得到每幅图像的融合权重,在梯度域上进行图像复原得到融合图像.实验结果表明,该方法不仅可以在多聚焦图像失配准的情况下进行图像融合,而且有效地保持了图像的边缘,在主客观评价指标上均有较大的提升.

彩色图像多尺度融合灰度化算法

为了使彩色图像灰度化后能够保留更多的原始特征,提出了一种新的基于多尺度图像融合的灰度化算法。将彩色图像分解为R、G、B三个通道图像,采用基于高斯-拉普拉斯金字塔的多尺度图像融合模型进行灰度化,并引入梯度域导向图像滤波(Gradient Domain Guided Image Filter,GGIF)来消除多尺度融合可能产生的伪影。将灰度化问题转换为保持三个通道单色图像特征的多尺度融合问题。实验结果表明,与其他灰度化算法相比,所提算法对边缘信息敏感,并能够在较亮或较暗区域检测出更多的图像细节特征。

基于融合亮度模型和梯度域滤波的图像去雾

为解决暗通道先验算法在处理图像的天空区域时容易出现颜色过饱和、亮度整体偏暗和光晕等问题,提出了一种融合亮度模型和梯度域滤波的图像去雾算法。首先,选择整幅图像中亮度最大的前0.1%像素的平均值作为大气光值;然后,利用自适应最小值滤波的改进暗通道模型和亮度模型分别对前景区域和天空区域求解透射率,在将其加权融合得到粗透射率的基础上,使用梯度域导向滤波对透射率进行细化;最后,通过大气散射模型和伽马校正复原出无雾图像。实验结果表明,在包含天空区域的雾图上本文算法能够快速有效地解决天空区域的光晕效应和图像失真问题,复原出来的图像清晰自然,保留了较多的细节信息,在主观和客观2个评价方面均优于其他对比算法。

基于显著性检测与梯度导向滤波的红外与可见光图像融合

针对红外与可见光融合图像背景信息丰富度不足,以及在融合过程中红外目标显著性、边缘轮廓清晰度和细节纹理信息的保留难以同时兼顾的问题,提出了一种在潜在低秩分解基础上结合图像增强和显著性检测,并运用梯度导向滤波重构融合决策图的红外与可见光融合方法.首先使用增强算法提高可见光图像的细节轮廓清晰度,并对红外源图使用视觉显著性检测处理,提取最初的显著性权重图;接着对红外图像与增强图像进行潜在低秩分解,获取细节层和基础层,将细节层作为引导图像引入梯度导向滤波系统,对之前获取的显著性权重图进行优化,得到对图像细节和轮廓把握更加精准的二次权重图;然后将初次权重和二次权重作为融合决策图分别引导基础层和细节层的融合;最后将重构好的细节和基础层使用加权平均法进行融合得到最终结果.实验结果表明,算法对融合结果中细节信息的保留,边缘轮廓分辨度和红外目标显著性的提升,均有着较好的表现,在质量指标如平均梯度、视觉信息保真度、图像互信息等方面也取得了较好的效果.

基于引导滤波算法的绝缘子憎水性图像去噪研究

复合绝缘子憎水性检测是保障绝缘子安全可靠运行的重要手段,其中从憎水性图像中有效去除噪声并保持边缘信息是进行绝缘子憎水性识别的重要前提。使用思路简单,运算复杂度低且滤波过程能有效克服梯度反转问题的引导滤波算法进行憎水性图像处理。在此背景下,首先分析了引导滤波的原理;然后结合憎水性图像本身的特点,将引导滤波引入憎水性图像去噪处理中;最后通过滤波实验和定量实验结果分析验证引导滤波算法在憎水性图像边缘提取预处理中的良好效果。

基于形态学与梯度域导向滤波的图像去雾算法

目前的多数图像去雾方法不适用于浓雾场景,存在去雾后图像亮度偏暗及光晕伪影等问题,提出一种利用图像形态学和梯度域导向滤波的去雾算法。通过暗通道先验算法得到初始透射率,并根据图像形态学闭、开运算细化和平滑初始透射率。运用梯度域导向滤波优化透射率图,以平滑透射率图的边缘和消除矩形块状效应。为更好地估计出大气光值,对雾图的最小强度图进行形态学灰度腐蚀,并经过导向滤波处理,以此结果作为暗通道图,选取其最亮的前0.1%像素点对应到原图中,最高的像素值作为大气光值,得到大气光值后利用大气散射模型求出去雾后的图像。将除雾后的RGB图像转换到HSI颜色空间,利用多曝光融合框架对I通道进行无雾图像整体亮度提高,最终转到RGB颜色空间。实验结果表明,该算法能够恢复更多的细节信息,保证图像具有合适亮度,且颜色自然,无光晕伪影,优于暗通道先验和颜色衰减先验等去雾算法。

基于多尺度梯度域引导滤波的低照度图像增强算法

针对低照度彩色图像整体亮度较低,增强图像中颜色易失真,部分图像细节淹没在较低灰度值像素中等问题,提出一种改进的低照度图像增强算法。首先,把待处理图像转换到色调、饱和度、亮度(HSI)颜色空间,对亮度分量进行非线性全局亮度校正;然后,提出多尺度梯度域引导滤波的亮度增强模型,利用该模型对校正后的亮度分量进行增强,接着对增强后的亮度分量进一步实施避免颜色失真的亮度校正;最后,将图像再转换回红绿蓝(RGB)颜色空间。实验结果表明,增强后的图像亮度平均提高90.0%以上,清晰度平均提高123.8%以上,这主要得益于多尺度梯度域引导滤波具有更好的亮度平滑和增强能力;同时由于减小了颜色失真,使增强图像的细节表现能力平均提高18.2%以上;由于采用了多尺度梯度域引导滤波的亮度增强模型与直方图自适应的亮度校正算法,使提出的低照度图像增强算法适宜应用于夜间等弱光源条件下的彩色图像增强。

基于光照分量校正和补偿的低照度图像增强算法

为了解决低照度图像光照不均、对比度较低、细节展现较差的缺点,本研究提出了一种基于光照校正和补偿的低照度图像增强算法。首先将低照度图像进行颜色空间转换,由RGB颜色空间转换到HSV颜色空间,得到H、S、V三个分量,对饱和度分量S进行自适应增强,采用多尺度梯度域引导滤波对亮度分量V进行处理,从而提取图像的光照分量,并对光照分量采用二维自适应Gamma变换进行校正,用Retinex模型将其进行融合得到新的亮度分量。然后用改进的同态滤波算法对合成之后的RGB图像进行光照补偿,提升图像的暗处细节和整体亮度。实验结果表明,该算法不仅解决低照度图像光照不均的问题,提升了图像的对比度和细节,同时也保持了图像原有的自然性,使图像更加符合人眼的视觉效果,图像质量更高。

轮毂高动态X射线图像分层色调映射算法

在目前的轮毂X射线成像系统中,常采用的图像显示算法为窗位窗宽算法,此算法操作过程繁琐,效率不高,不能同时还原图像的各部分细节,图像显示质量较差.鉴于此,本文借鉴HDR色调映射技术,提出了基于梯度域引导滤波的分层色调映射算法,利用梯度域引导滤波器进行图像分层,然后对基础层进行自适应对数压缩,对细节层进行补偿,最后将图像合并输出,使高动态范围图像在普通显示屏上显示效果更优.实验结果表明,本文算法还原了图像细节信息,提高了图像对比度和清晰度,产生了较好的视觉效果.

基于梯度域导向滤波增强的图像扩散修复取证

扩散修复是一种常见的小面积图像篡改手段,考虑到扩散修复引入的模糊效应,提出了一种梯度域导向滤波增强的图像扩散修复取证算法。因伪造图像在未修复区域结构纹理清晰,而模糊效应会导致修复区域纹理发生一定的改变,所以梯度域导向滤波能够保留未修复区域的纹理结构,从而突显修复区域的模糊效应。鉴于篡改信息在不同颜色通道里均有不同程度的体现,对输入图像的各个颜色通道分别进行梯度域导向滤波增强,从多角度捕捉图像修复带来的影响。实验结果表明,该方法不仅可以有效检测和定位扩散修复区域,且比现有的方法检测性能更好。