基于Retinex理论与概率非局部均值的红外图像增强方法

针对传统红外图像增强算法中细节模糊及过度增强的问题,提出了一种基于Retinex理论与概率非局部均值相结合的红外图像增强方法.首先通过单尺度Retinex方法调整图像中过暗与过亮部分的灰度级;然后利用概率非局部均值对图像进行分解处理得到基本层与细节层,对基本层采用直方图均衡化拉伸对比度,对细节层采用非线性函数进行增强;最后,将不同层次的结果融合得到对比度与细节增强的红外图像.用该方法对多组不同场景的红外图像进行仿真实验,并将其与多种增强方法进行主、客观对比分析,结果表明所提方法在红外图像的细节及对比度增强方面都获得了更好的效果.     

局部对比度结合区域显著性红外弱小目标检测

为了解决局部对比度方法的计算效率低,以及在某些红外场景中易出现虚警的问题,将其与图像区域显著性相结合,提出一种改进的局部对比度算法——区域局部对比度算法,仅在图像的显著性区域中进行局部对比度计算,而非遍历整幅图像。首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量,经二值化得到单帧图像显著性区域;接下来在该区域中进行局部对比度数值计算,得到区域局部对比度图像,最后经过自适应阈值分割,得到弱小目标检测结果。实验结果表明,区域局部对比度算法可以极大提高红外弱小目标的信噪比,检测结果准确,虚警率低,与原始的局部对比度算法相比,检测效率有明显提升,可以更好地保持弱小目标的形状。     

基于纹理分割和Top-Hat变换的合成孔径雷达与可见光图像增强融合

针对目前合成孔径雷达(SAR)与可见光图像融合结果目标信息缺失、对比度不高的缺点,提出了一种基于纹理分割和top-hat变换的图像增强融合算法。将SAR图像灰度共生矩阵的熵纹理特征图进行阈值分割,提取SAR图像的感兴趣区域(ROI);并对SAR和可见光图像进行非下采样Contourlet变换(NSCT)分解,低频系数采用基于区域的融合规则,在感兴趣区域内选择SAR的低频系数。对低频系数进行top-hat变换得到显著化的图像亮、暗细节特征,并加入到低频系数上形成低频合成系数;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;对融合系数进行NSCT逆变换得到最终的融合图像。实验证明了本算法的有效性。     

结合PCNN分割和模糊集理论的红外图像增强

为了克服天空背景对红外图像增强处理的干扰、更好地凸显图像中的目标,提出了一种结合脉冲耦合神经网络(PCNN)分割和模糊集理论的红外图像增强方法。利用PCNN将图像分割成天空背景区域和目标区域,之后对目标区域利用变分Retinex处理以获得反射图像,并对该反射图像进行基于岭型分布的自适应模糊增强,将自适应增强后的反射图像与照射图像进行融合,将融合后的目标区域的局部均值赋值给天空背景区域,重构得到增强后的图像。实验结果证明,该方法解决了已有算法中出现的天空区域噪声放大问题,增强后的图像具有更高的对比度和更好的视觉效果。     

基于小波概率估计的图像融合方法研究

在研究了已有的图像融合方法后,提出基于小波变换和最大似然概率估计(MLE)相综合的融合方法,利用概率估计融合模型,首先对不同的传感器图像进行小波分解,然后对相应的子带求解仿射变换参数,根据Bayes规则进行最大后验概率似然估计,得到估计子带系数,最后通过小波反变换得到融合图像.在仿射变换的假设条件下定义融合规则,更适合传感器图像具有局部相反对比度的情况,采用此方法对航空可见光图像和红外图像进行融合实验,其结果与采用其它方法进行了对比,表明该方法的有效性.     

基于非下采样轮廓波变换和直觉模糊集的红外与可见光图像融合

针对传统图像融合方法造成的边缘模糊、细节损失、图像对比度与清晰度容易降低等问题,利用非下采样轮廓波变换,提出一种基于直觉模糊集和区域对比度的红外与可见光图像融合算法.首先,使用非下采样轮廓波变换将源图像分解,分别得到源图像的高频和低频成分.其次,利用直觉模糊集灵活准确描述模糊概念的特性,构建双高斯隶属函数对低频成分进行融合;利用区域对比度详细描述图像纹理信息的特点,采用多区域特征对比度结合距离分析的融合规则,对高频成分进行融合.最后使用非下采样轮廓波逆变换得到融合图像.实验结果表明,与其它融合算法相比,该算法提高了图像对比度,保留了源图像中的边缘和细节信息,且得到的融合结果具有更优的客观评价值.     

基于伪彩色融合图像聚类的夜视图像上色算法

提出一种将小波融合和基于伪彩色融合图像的C均值聚类用于图像色彩传递算法中的彩色夜视方法.在色彩传递前将可见光和红外图像进行小波融合得到灰度融合图像作为目标图像,保持了较好的纹理信息和目标信息;再对彩色源网像进行基于连接相对熵的彩色阈值分割;然后针对灰度融合图像的特点,根据一种基于伪彩色融合图像的C均值聚类方法,将伪彩色融合图像的彩色信息作为特征向量应用在夜视图像的分类当中,得到较好的分类效果,并基于此分类结果再进行色彩传递,得到更为自然的彩色夜视图像.实现了对夜视图像的自动色彩传递,得到的罔像色彩较真实.纹理清晰,将有利于人眼的目标识别.     

融合两类跟踪框架优点的红外目标跟踪算法

基于粒子滤波的算法模型框架,针对红外的目标成像与背景对比度低、背景复杂等问题,进行提取目标灰度特征,通过对系统概率的密度函数的采样集进行了预测和更新,来逼近系统的后验密度概率,初步确定目标位置,再融合均值漂移算法进行小区域精确搜索,确定目标位置。同时,通过调整均值漂移的算法和函数的带宽,对于红外目标有阻挡情况下的识别能够得到有效处理。通过仿真得到该模型具有算法高效、去除粒子的退化,并且对于有遮挡的红外目标能够进行实时稳定地跟踪。     

基于NSSCT的红外与可见光图像融合

为了克服传统图像融合结果存在对比度不足和细节缺失的缺点,提出基于非下采样剪切波-对比度变换(NSSCT)的图像融合算法。分析了图像经非下采样剪切波变换(NSST)后高频系数间的关联性与差异性,构造了高频系数方向性基本一致的NSSCT变换,保留了融合图像的高频系数细节,并提升了对比度。基于图像的低频特点,采用显著性增强方法对低频系数进行融合,通过NSSCT逆变换得到对比度提升和细节增强的融合图像。实验结果表明,在图像对比度提升与细节保留方面,本文算法比基于小波、NSST和显著性等算法具有明显优势。     

基于颜色传递的双波段目标跟踪算法研究

针对复杂背景下Camshift算法容易丢失目标的情况,提出一种基于YCBCR空间将红外与可见光融合图像与彩色参考图像进行颜色传递后,采用Camshift进行目标跟踪的算法。该算法在颜色传递时充分利用双波段图像信息,得到的目标对比度高并且颜色空间较其周围背景突出,增强了目标的颜色概率图,提高了Camshift算法效率。实验表明,通过对可见光图像、经颜色传递后的红外图像以及传统颜色传递方法得到的图像采用相同跟踪算法进行定性分析,在该算法得到的图像中,跟踪窗口中心相对于目标质心仅有3个像素的误差,跟踪精度远远优于对比实验图像的跟踪结果,并且算法的跟踪时间为每帧20.6 ms,达到了实时性的要求。     

基于图像分割和局部亮度调整的微光图像颜色传递算法

为提高微光夜视图像质量，提出一种基于图像分割和局部亮度调整的颜色传递算法。用简单线性迭代聚类结合K均值聚类对微光图像进行分割，在YCbCr颜色空间中利用子区域与参考图像每一个像素点上亮度的一致性，将匹配参考图像的颜色分量传递到目标图像的子区域，以目标图像纹理特征中对比度的值作为系数，调整目标图像子区域的亮度值，进行颜色空间转换并显示颜色传递结果。搭建了微光图像成像系统，进行了微光图像分割及完成了微光图像的颜色传递。结果表明，改进的分割算法将图像中不同的景物分割出来，得到的彩色微光图像的峰值信噪均值达到12.048 dB，比Welsh算法平均提高2.63 dB。     

低对比度小目标检测

对强杂波背景下的远距离目标探测,提出基于序列图像的局部自适应背景预测,获得图像背景的最佳估计。对残差图像采用能量累积及中值滤波消除背景杂波。为提高信噪比,采用带缓冲窗口的双窗滤波法使目标和背景的差别更加显著,有利于低对比度下的目标分割。最后采用改进的高阶相关方法,在不影响检测性能的情况下加快了真实目标识别的运算收敛速度,并最终实现了算法工程化,在图像局部信噪比大于0.3时,采用三阶相关时检测概率达到98%。     

基于优势特征图像融合的水下光学图像增强

针对水下光学图像颜色失真、非均匀光照、对比度低的问题,提出基于优势特征图像融合的水下光学图像增强算法.首先,提出改进的暗通道先验算法去除退化图像中的不均匀浑浊并均衡色彩;其次,对颜色校正图像分别使用基于加权分布的自适应伽玛校正算法和限制对比度自适应直方图均衡-同态滤波算法,增强颜色校正图像对比度并使其亮度均衡;最后,定义三幅融合图像即颜色校正图像、亮度均衡图像、对比度增强图像的关联权重图,通过多尺度融合算法获得融合图像.与单一预处理算法只能解决对应的退化现象相比,该算法对单幅退化图像进行多算法处理,得到三幅优势特征图像,通过不同权重的组合最大程度地将各优势特征相结合,得到的综合效果远超各单一算法优化效果,不再局限于解决颜色失真等单一问题.将本文算法与现有算法在主观评价和客观评价两方面进行实验对比,结果表明,该算法可以有效平衡水下图像的色度、饱和度及清晰度,视觉效果接近自然场景下的图像.     

基于视觉的自主车道路检测技术研究

针对结构化道路检测中基于单一特征的检测易受影响,非结构化道路检测算法对多种类型的非标准道路缺乏适应性的问题,分别提出了一种基于D-S证据理论的多视觉特征融合的车道线检测方法和一种基于增量模糊支持向量机(IFSVM)的非结构化道路在线学习检测方法。选取梯度幅度等检测算子分别设计基本概率分配函数,根据建立的分段线性道路模型进行求解,FSVM分类器通过从前先的检测结果中学习,在耗费少量计算时间与内存空间的情况下,不断再训练以增强分类器的性能。实验结果表明,该算法比单纯利用图像的边缘或颜色等特征进行道路检测具有更高的可靠性,对复杂环境下的道路检测具有较强的鲁棒性和较强的抗干扰能力。     

二尺度分解和显著性提取的红外与可见光图像融合

为增强红外与可见光图像融合可视性,克服红外与可见光图像融合结果中细节丢失、目标不显著和对比度低等问题,提出一种基于二尺度分解和显著性提取的红外与可见光图像融合方法。首先,以人类视觉感知理论为基础,针对人眼对图像不同区域敏感性不同特性,在跨模态融合任务中需要对源图像进行不同层次分解,避免高频分量和低频分量混合减少光晕效应,采用二尺度分解方法对源红外与可见光图像进行分解,分别获取各自的基本层和细节层,该分解方法能够很好的表达图像并具有很好的实时性;然后,针对基本层的融合提出一种基于视觉显著图(VSM)的加权平均融合规则,VSM方法能够很好提取源图像中的显著结构和目标。采用基于VSM的加权平均融合规则对基本层融合,能够有效避免直接使用加权平均策略而导致对比度损失,使融合图像可视性更好;针对细节层的融合,采用Kirsch算子对源图像分别提取得到显著图,然后通过VGG-19网络对显著图进行特征提取获取权值图,并与细节层进行融合,得到融合的细节层;Kirsch算子能在八个方向上快速提取图像边缘,显著图中将包含更多边缘信息和更少噪声,且VGG-19网络能够提取到图像更深层特征信息,获取的权值图中将包...     

基于多特征融合的复杂背景下弱小多目标检测和跟踪算法

针对红外弱小多目标的检测和跟踪难题,提出一种基于多特征融合的复杂背景下弱小多目标检测和跟踪算法.融合红外弱小运动目标的灰度特征、梯度特征、运动特征等多个典型特性,进行复杂背景下弱小多目标的检测和跟踪.实验证明:该算法应用于复杂背景下低信噪比的红外弱小多目标图像序列能得到较理想的结果,算法检测概率高、检测速度快、具有较强鲁棒性.     

基于纹理显著性的微光图像目标检测

微光图像对比度较低,目标显著性不明显,目标自动探测难度大.针对此问题,本文提出一种噪声鲁棒性较好的图像局部纹理粗糙度算法,并给出一种适用于微光图像显著分析的纹理显著性算法.首先,提出一种新的局部纹理粗糙度算法,该算法利用最佳尺寸计算局部纹理粗糙度,对纹理图像进行加噪实验,与基于局部分形维的粗糙度方法相比,本文局部纹理粗糙度算法表现出较好的噪声鲁棒性;其次,在提取图像粗糙度特征图的基础上,给出一种针对纹理的显著性度量算法;最后,将纹理显著性算法应用于微光图像目标检测,实验结果证明了该算法的有效性.     

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.     

复杂背景灰度图像下的多特征融合运动目标跟踪

为解决低对比度、低信噪比、目标旋转、缩放等非理想状态给跟踪算法的研究带来的诸多困难,本文提出灰度图像多特征融合目标跟踪算法,保证在满足工程实践需要的条件下,能够对目标进行稳定的跟踪。算法首先对灰度图像利用Sobel算子求出梯度特征,将X、Y双方向的梯度特征与灰度特征相融合得到新特征,新特征在核密度函数下对低对比度,目标轮廓形状变化较大的情况有较高的适应性和稳定性,再利用背景建模的方法对提取的运动目标区域进行加权,降低非跟踪目标的权值,最后对融合后的加权特征目标利用改进MeanShift算法进行跟踪。通过大量的实验表明,该算法适应目标和背景的复杂变化,并且具有较强的鲁棒性,基本满足在复杂背景灰度图像下目标跟踪的工程实际需求。     

基于特征融合的红外图像增强算法

在红外图像处理过程中,提高图像的对比度,抑制噪声以及突出图像细节尤为重要,针对这些问题,提出了基于特征融合的红外图像增强算法.以引导滤波为基础对图像进行平滑分层,得到基本层和细节层,基本层采用CLA-HE算法扩展低频分量的范围,而对于细节层采用Log算子与Laplace算子分别处理,依据梯度因子的权重信息获得融合细节层...