基于主特征提取的Retinex多谱段图像增强

根据Retinex视觉模型中照射分量和反射分量的统计特性,融合多尺度主特征提取法、平台直方图算法、非局部均值滤波及局部细节增强算法可对多谱段图像进行有效增强.首先利用多尺度主特征提取法估计照射分量,对照射分量进行平台直方图操作,增强全局对比度及图像主结构边缘细节;然后将原图与照射分量相除获取反射分量,对反射分量进行非局部均值滤波抑制噪声,再进行基于局部方差的局部细节增强;最后将增强后的照射分量与反射分量相乘,即为增强图像.从主观和客观两方面,对X光图像、紫外图像、可见光图像、低照度可见光图像和红外图像实验结果的分析表明,本文算法能够有效地抑制图像噪声、增强图像对比度及细节、改善图像视觉效果,是一种通用有效的多谱段图像增强算法.

自适应聚类的全耦合稀疏学习算法

在图像处理领域,基于稀疏表示理论的图像超分辨力算法、高低分辨力字典与稀疏编码之间的映射关系是其中的2个关键环节。由于丰富多样的图像类型,单一字典并不能很好地表示图像。而在稀疏编码之间的映射关系上,严格相等的约束关系也限制了图像重建的效果。针对上述两个方面,采用包容性更强的多个字典与约束条件更为宽松的全耦合稀疏关系进行图像的超分辨力重建。在图像非局部自相似性的基础上,进行多次自适应聚类;挑选出最优的聚类,通过全耦合稀疏学习的图像超分辨力算法,得到多个字典;最后,对输入的低分辨力图像进行分类重建,得到高分辨力图片。实验结果表明,在图像Leaves,Barbara,Room上,本文的聚类算法比原全耦合稀疏学习算法在峰值信噪比(PSNR)上分别提升了0.51 d B,0.21 d B,0.15 d B。