保留边界特征的深度图像增强算法研究

针对现有深度图像增强算法存在边界保留特性差的问题,提出梯度掩模导向联合滤波(gradient mask guided joint filter, GMGJF)算法。利用深度图像进行Sobel梯度变换获取边界方向信息,利用深度图像空洞区域生成空洞掩模,再以边界方向和空洞掩模为导向联合彩色图像对深度图像进行迭代高斯滤波和空洞填充。实验结果表明,GMGJF算法的PSNR(peak signal to noise ratio)、SSIM(structural similarity index measure)比IMF(iterative median filter)、GF(guided filter)、JBF(joint bilateral filter)算法的PSNR、SSIM至少提高了3.50%和1.07%,不仅去噪能力、空洞填充能力最强,而且边界特征保持最好,有利于深度图像的特征提取与目标识别。     

基于BIRCH聚类加速的彩色图像增强算法

针对现存的大多图像增强算法增强的图像可见性丢失问题,提出了一种基于BIRCH聚类加速的彩色图像增强算法;首先,通过BIRCH聚类加速确定数据库中与输入图像直方图相似度最高的图像来提取图像特征;然后,选择最小欧氏距离的特征值进行图像融合以获取目标图像;最后,增强图像通过目标图像直方图规范化和后期处理获得;大量图像融合实验结果验证了算法的有效性,该算法扩展了图像增强的类别,解决了增强过程中可能出现的可见性丢失问题,使图像增强的适应性更强;另外,EM、CII和SSIM评估指标的结果表明该算法明显改善了增强效果。     

图像增强算法综述

图像增强算法能够提高图像整体和局部的对比度,突出图像的细节信息,使增强后的图像更符合人眼的视觉特性且易于机器识别,在军事和民用领域具有广泛的应用。本文从图像增强算法的原理出发,归纳总结了近年来应用比较广泛的4类图像增强算法及其改进算法,包括直方图均衡图像增强算法、小波变换图像增强算法、偏微分方程图像增强算法和基于Retinex理论的图像增强算法。结合人眼视觉特性、噪声抑制、亮度保持和信息熵最大化等图像增强的改进算法,在保证增强图像具有较高对比度的前提下,可进一步提升图像的质量。实现了9种较为典型的图像增强算法,采用主观和客观的评价方法对增强效果进行了对比,分析了不同增强算法的优缺点,并给出了这些算法的计算时间。对这些算法的深入研究能够推动图像增强技术向更高水平发展,从而使图像增强技术在多个学科领域发挥重要作用。     

基于神经网络的低照度彩色图像增强算法

由于低照度彩色图像存在整体亮度低、对比度低、颜色偏暗和信噪比低等特点,所以经典图像增强算法对其增强效果非常有限。提出了一种利用BP神经网络进行彩色图像增强的算法,并将RGB图像转换成HSI图像,以保证增强处理不引起图像的色彩失真。实验证明:该方法显著地改善了低照度彩色图像的视觉效果,提高了图像整体亮度和图像的信噪比,可调节图像的动态范围,能增强图像的对比度和细节,可增加图像信息熵。     

基于迭代直方图均衡化的常规光源下水下成像增强算法

为了增强常规光源下水下图像的视觉对比度,提高水下图像的图像质量,提出一种基于迭代直方图均衡化水下图像增强算法.首先通过Retinex模型将水下图像分解为细节层和光照层图像.然后推导出一个图像增强模型,该模型能够在保证韦伯对比度的前提下完成图像增强工作.接着提出一种基于迭代直方图的直方图均衡化算法对光照层图像进行对比度增强,并通过S形状函数对细节层图像进行对比度拉伸.最后,合并拉伸后的细节层图像和增强后的光照层图像,进而获得较佳的图像增强效果.实验结果表明,该算法能够有效地提升水下图像的视觉对比度,图像信息熵值及均值结构相似度高于其他算法,图像的视觉效果得到显著提高.     

实时图像增强算法研究

图像增强是图像处理最有吸引力的领域。在嵌入式视频图像处理系统中,图像增强后的效果和图像增强的实时性是决定算法优劣的两个关键问题。而恰当的图像增强算法和高效硬件平台的合理搭建是解决问题的有效途径。在研究多种实时图像增强算法基础上,本文在matlab平台上对三种典型的增强算法进行算法仿真,即直方图均衡增强算法、基于照度-反射模型的同态滤波增强算法、基于小波变换增强算法。并对仿真结果进行分析,比较各算法的优缺点,指出了其最佳的应用场景和最高效的硬件实现平台,以期从中总结出一套行之有效的实时图像增强算法的应用指导规则。     

基于视觉词典的深度图生成算法

针对从二维彩色图像中恢复深度信息的问题,提出一种基于视觉词典的深度图生成算法。采用基于数据驱动的方法,从包含深度图的深度图像库中找出图像中各种空间结构对应的深度信息,得到由空间结构相似的图像块组成的初始视觉单词;采用难例挖掘方法找到视觉单词的难例负样本,更新视觉单词分类器,获得最优的分类效果;利用视觉单词分类器和视觉单词组成的视觉词典对目标图像进行多尺度检测,得到对应的深度图并进行边缘保持平滑滤波。实验结果表明,该算法生成的深度图符合目标图像的深度变化,在主观视觉效果和各种客观评价指标上都有显著提高。     

基于人眼视觉特性的彩色图像自适应增强算法

针对有些图像增强算法对噪声比较敏感,提出了一种自适应图像增强算法.利用原算法的基本原理,结合人眼的视觉特性自适应地生成算法的参数,这样首先保留了原算法实现容易、运算速度快等特点,其次,对噪声具有一定的抑制作用,再次,可以增强和保留图像细节信息.通过实验比较,所提算法能够自适应地生成算法的参数,并在保持了原算法原有的容易实现的优点的基础上,提高了算法抑制噪声方面的性能,将该算法应用于彩色图像增强也取得了相当理想的结果.     

基于深度卷积神经网络的低照度图像增强

针对低照度条件下图像降质严重的问题,提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本,将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间,保持色度分量和饱和度分量不变,利用DCNN对亮度分量进行增强,最后将HSI颜色空间转换到RGB空间,得到最终的增强图像。实验结果表明,与现有主流的图像增强算法相比,所提算法不仅能够有效提升亮度和对比度,改善过增强现象,而且能够避免色彩失真,主观视觉和客观评价指标均得到了进一步提高。     

基于Contourlet变换和形态学的图像增强方法

传统的图像增强算法在增强图像时,增大噪音,同时丢失细节.针对该问题,结合Contourlet变换中相关系数理论,提出了基于Contourlet变换和数学形态学的图像增强新算法.首先,对图像进行Contourlet变换分解,采用数学形态学算子对高频细节部分区分为细节信息和噪音产生的系数,然后,对变换系数采用非线性映射函数进行增强.最后,利用修改后的变换系数进行Contourlet逆变换得到增强后的图像.实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法.     

基于互结构正则约束的红外偏振图像增强算法

为有效改善红外偏振图像视觉效应,提高红外偏振成像质量,提出了基于互结构正则约束的红外偏振图像增强算法。根据红外偏振特性描述,对Stokes参数Q分量与U分量进行加权邻域梯度融合,获得起偏特征图像,捕获目标边缘、轮廓的偏振特性;提出互结构正则约束模型,以梯度幅值相似算子联合正则约束融合结果与起偏特征图像的边缘结构相似性,及与辐射强度图像的灰度一致性,优化得到增强后的高质量红外偏振图像。实验结果表明,基于互结构正则约束的红外偏振图像增强算法,能有效提高红外偏振图像对比度与清晰度,同时提升复杂背景下人造目标边缘轮廓的偏振显著性,算法快速,工程实时性高.     

基于注意力残差编解码网络的动态场景图像去模糊

动态场景下的图像去模糊技术是一个具有挑战性的计算机视觉问题。模糊图像不仅影响主观感受,还会影响后续的智能化分析的性能。提出了一种基于注意力残差编解码网络的动态场景图像去模糊方法。首先,编码阶段采用多个残差模块提取特征,加入空间注意力模块感知模糊的空间位置信息;其次,通过在网络中采用全局-局部残差连接策略融合多层卷积特征,减少信息丢失;最后,解码阶段生成具有清晰边缘结构的复原图像。实验结果显示,提出的算法在公开数据集上获得的峰值信噪比值为31.76 dB,结构相似性值为0.912。客观和主观质量评估表明,本文算法能够有效地复原包含丰富边缘轮廓信息的清晰图像,在对比算法中获得最优的性能。     

基于多尺度空洞卷积的对抗去雾网络

雾天拍摄的图像存在颜色失真、图像细节模糊的问题，对成像设备采集到的图像质量造成了负面印象。针对雾天搜集图像存在的降质问题，提出了一种基于多尺度空洞卷积的对抗去雾网络。去雾网络的生成器由不同空洞率的卷积模块组成，结合多尺度的策略增加感受野并增强去雾效果；判别器采用多个卷积模块构成，用于区分生成的去雾图像与真实无雾图像；通过计算去雾图像和真实无雾图像之间的感知距离，优化图像的纹理结构并减少噪声信号。实验结果显示，提出算法在公开数据集上获得的峰值信噪比值为22.410 dB，结构相似性值为0.844，色差值为10.545。定量和定性评估表明，采用空洞卷积和感知损失技术设计的去雾网络能够有效地恢复图像的颜色信息和纹理结构。     

A novel image fusion algorithm based on nonsubsampled shearlet transform

To overcome the shortcoming of traditional image fusion method based on multi-scale transform, a novel adaptive image fusion algorithm based on nonsubsampled shearlet transform (NSST) is proposed. Firstly, the NSST is utilized to decompose the source images on various scales and in different directions, and the low frequency sub-band and bandpass sub-band coefficients are obtained. Secondly, for the low frequency sub-band coefficients, the singular value decomposition method in the gradient domain is used to estimate the local structure information of image, and an adaptive ‘weighted averaging’ fusion rule based on the sigmoid function and the extracted features is presented. To improve the quality of fused image, a novel sum-modified-Laplacian (NSML), which can extract more useful information from source images, is employed as the measurement to select bandpass sub-band coefficients. Finally, the fused image is obtained by performing the inverse NSST on the combined coefficients. The proposed fusion method is verified on several sets of multi-source images, and the experimental results show that the proposed approach can significantly outperform the conventional image fusion methods in terms of both objective evaluation criteria and visual quality.     

基于偏振测量的雾天图像场景分割

现有场景分割方法主要依赖于图像亮度、颜色和纹理等特征,然而在雾天图像中提取这些特征将变得困难且不稳定.基于此本文提出了适用于雾天图像场景分割的特征矢量,以及相应的特征提取算法.特征矢量由目标偏振度、深度和颜色三部分组成.特征提取算法分别为:用去相关的方法从图像偏振度分离出大气偏振度和目标偏振度;根据雾天退化模型和雾天图像偏振表示形式推导出场景深度信息;利用两幅偏振图像求出非偏振彩色图像,从而得到场景的颜色信息.将这些特征构成的特征矢量用于基于图的分割算法中,并从两个方面比较了仅使用颜色特征和使用本文特征矢量的分割结果.最后得出结论:对于雾天图像而言,这些特征比通常的颜色特征更加有效和鲁棒.     

基于深度反向投影的感知增强超分辨率重建模型

以SRCNN（super-resolution convolutional neural network）模型为代表的超分辨率重建模型通常都有很高的PSNR（peak signal to noise ratio）和SSIM（structural similarity）值，但其在视觉感知上并不令人满意，而以SRGAN为代表的拥有高感知质量的GAN（generative adversarial networks）模型却很容易产生大量的伪细节，这表现在其PSNR和SSIM值通常都较低。针对上述问题，提出了一种基于深度反向投影的感知增强超分辨率重建模型。该模型采用双尺度自适应加权融合特征提取模块进行特征提取，然后通过深度反向投影进行上采样，最终由增强模块增强后得到最终输出。模型采用残差连接与稠密连接，有助于特征的共享以及模型的有效训练。在指标评价上，引入了基于学习的LPIPS（learned perceptual image patch similarity）度量作为新的图像感知质量评价指标，与PSNR、SSIM一起作为模型评价指标。实验结果表明，模型在测试数据集上PSNR、SSIM、LPIPS的平均值分别为27.84、0.7320、0.1258，各项指标均优于对比算法。     

基于自适应像素级注意力模型的场景深度估计

深度估计是传统的计算机视觉任务，在理解三维场景中起着至关重要的作用。基于单目图像的深度估计任务的困难在于如何提取图像特征中大范围依赖的上下文信息，提出了自适应的上下文聚合网络（adaptive context aggregation network，ACANet）用于解决该问题。该方法基于有监督的自注意力模型(supervised self-attention，SSA)，能够自适应地学习任意像素之间的具有任务特性的相似性以模拟连续的上下文信息，并通过模型学习的注意力权重分布用来聚合提取的图像特征。将单目深度估计任务设计为像素级的多分类问题，经过设计的注意力损失函数减少RGB图像和深度图的语义不一致性，通过生成的像素级注意力权重对由位置索引的特征进行全局池化。最后提出一种软性有序推理算法（soft ordinal inference，SOI），充分利用网络的预测置信度，将离散的深度标签转化为平滑连续的深度图，并且提高了准确率（rmse下降了3%）。在公开的单目深度估计基准数据集NYU Depth V2上的实验结果表明:rmse指标为0.490，阈值指标为82.8%，取得了较好的结果，证明了本文提出的算法的优越性。     

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.     

改进Canny算法的红外人脸图像边缘轮廓提取

红外人脸图像的边缘轮廓特征对于红外人脸检测、识别等相关应用具有重要价值。针对红外人脸图像边缘轮廓提取时存在伪边缘的问题,提出了一种改进Canny算法的红外人脸图像边缘轮廓提取方法。首先通过对引导滤波算法引入“动态阈值约束因子”替换原始算法中的高斯滤波,解决了原始算法滤波处理不均匀和造成红外人脸图像弱边缘特征丢失的弊端;接着对原始算法的非极大值抑制进行了改进,在原始计算梯度方向的基础上又增加了4个梯度方向,使得非极大值抑制的插值较原始算法更加精细;最后改进OTSU(大津)算法,构造灰度-梯度映射函数确定最佳阈值,解决了原始算法人为经验确定阈值的局限性。实验结果表明:提出的改进Canny算法的红外人脸轮廓提取方法滤波后的图像,相较于原始Canny算法滤波处理,信噪比性能提升了34.40%,结构相似度性能提升了21.66%;最终的红外人脸边缘轮廓提取实验的优质系数值高于对比实验的其他方法,证明改进后的算法对于红外人脸图像边缘轮廓提取具有优越性。