精华内容
下载资源
问答
  • 图像细节增强算法
    2019-06-13 16:13:08

    图像增强中一种主要的方式就是通过加强图像的高频成分来突出图像的细节和边缘 , 人们常使用提取图像高频成分扩大k倍,然后与源图像进行叠加的方式达到图像锐化的效果。

    这种方式很简单,图像增强效果也较好,但是同样带来了一些其他的问题:在增强图像细节的同时,噪声也增加了。图像低细节区域由于源图像没有噪声,细节增强后,低细节部分同样出现了很大噪声,这会使图像不平滑,很不自然。

    处理的方法很多,大多采取分块增强的方式即:在中细节区域采取大增强,低细节区域不增强,高细节区域微增强的方式。这样处理的图片,只在中细节区域做细节增强,而图像平缓的区域不增强,让眼睛看到的图像有即增强了细节,又减少了噪声的效果。

    1  算法思想
    1. 1  传统图像细节增强算法的计算公式如下 : y (m, n) = x (m,n) + k × z(m, n)

    式中 , x (m, n) 是输入图像信号 ; z(m, n)是线性高通滤波器的输出 ; k 是一个正比例增益因子 , 可以控制图像增强的强度 ; y (m, n) 是增强后的图像 ,这是最简单的图像细节增强算法,只能实现细节增强,不能实现降低噪声的目的。

    1.2     基于局部方差的细节算法如下:

                      原始图像经过滤波器分成高通图像和低通图像,原始图像经过3*3或者5*5的局部方差运算,经过选择合适的缩放因子,和高通图像相乘,低通图像或者原始图像进行叠加,即为细节增强后的降噪图像。

    程序中的低通滤波采用双边滤波,局部方差计算即为信息测度。信息测度还可以为熵测度或者边缘检测,本人未能实现,还需继续研究。

     

    更多相关内容
  • 工业射线图像细节增强算法研究.pdf
  • 红外图像细节增强算法与实现的研究.pdf
  • 在车身结构概念设计阶段,需要对梁单元赋截面并调整截面的方向。研究了UG中调整截面方向的规律,设计了一种调整梁截面方向的工具。主要介绍了调整截面方向的方法:首先在UG的草图中建立简化的截面,利用坐标转换公式...
  • 针对传统大动态范围图像数据压缩方法易受场景变化影响,量化后的8位显示图像整体模糊、图像细节和弱小目标丢失问题,提出了一种基于直方图重建图像细节增强算法。对图像直方图统计值进行重新赋值,保留图像中出现的...
  • 面向人脸识别的复杂光照下图像细节增强算法.pdf
  • 红外图像去噪增强算法近五年的论文和代码合集,经过整理,每种算法各分文件夹整理,方便学习借鉴,主要是matlab代码,部分是C语言,深度学习为训练好的模型
  • 现有的细节增强算法首先通过保留边缘的平滑算法将源图像分解为基础层和细节层,然后放大细节层以产生细节增强的图像。 在这封信中,我们提出了一种新的基于规范的细节增强算法,该算法可直接生成细节增强的图像。 ...
  • 为什么红外系统中图像大多是14bit(甚至更高)? 一个红外系统的性能经常以其探测的范围来区别,以及其对最小等效温差指标。首先是探测的范围,就是常说的动态范围,意思是探测器能够检测到温度红外信号的范围。...

    标题:
    数字细节增强算法的缘由与效果
    DDE( digitial detail enhancement )数字细节增强
    感谢您订阅本 红外专栏
    创作时间:
    2018-11-26
    目录:
    0. 概述
    1. 为什么红外系统中图像大多是14bit(甚至更高)?
    2. 相机的14bit数据怎么显示?
    3. DDE算法的提出
    4. FLIR的理论示例
    5. 我自己来举个 DDE实例
    6. 不同厂家的图像增强算法

    正文:
    0.概述
    DDE 是一种高级非线性图像处理算法,可以保留高动态范围图像中的细节。图像细节得到增强,从而与原始图像背景的总动态范围相匹配。这样即使在温度变化十分显著的场景中,操作员也能够看清细节。

    1. 为什么红外系统中图像大多是14bit(甚至更高)?
    一个红外系统的性能经常以其探测的范围来区别,以及其对最小等效温差指标。首先是探测的范围,就是常说的动态范围,意思是探测器能够检测到温度红外信号的范围。然后是最小等效温差,意思是探测器能够检测到的最小温度差。
    这就好比一把尺子,有两个重要指标。第一,就是尺子的量程,意思是它能丈量多少长度范围的物体;第二,就是尺子的最小刻度,就是它能够分辨多少精度的长度。
    在自然界中,红外信号不同于可见光,动态范围比较宽,而且物体信号的差异比较小。所以我们需要高bit的ADC(模数转换器)去采集红外信号。常用的ADC位宽有:12bit 、14bit 、16bit。
    2. 相机的14bit数据怎么显示?
    许多模拟和数字视频接口都要求是8位,而且人类只能识别图像中约128级灰阶(7位)。要想将显示14位数据,就得将动态范围有效地限制到256级灰阶。因此,需要一种从14bit到8 bit的对应关系或者方法。一般常用的就是“滑位显示”,比如Camera link采集卡上显示采集到的超过8位 的灰度图像。
    但是在红外图像中,不能采取该办法。“滑位显示”方法显示高8位的数据,那么低位的数据就被舍弃,这样的显示必然会丢失细节。
    所以这种高动态范围的红外图像显示并不是那么简单,既然相机“看到”了,并不一定可准确不失真的显示,让人眼也“看见”。
    3. DDE算法的提出
    为了解决这14bit至8bit显示的问题,既要能够保障图像的整体信息,又能够保障图像的细节既可能被保留。FLIR 提出了一种算法,帮助用户解决在高动态范围场景中克服低对比度目标检测的难题。FLIR称之为 数字图像细节增强(DDE)。FLIR在《Technical Note --DDE 》对其描述如此:“DDE是一种改进的非线性图像处理算法,可以保留高动态范围图像中的细节。图像细节得到增强,从而与原始图像的总动态范围相匹配,这样即使在极端的温度动态范围的场景中,操作员也能够看清细节。”
    4. FLIR的理论示例
    使用一个理论上的五个温度目标(ΔT≈200mK)的图像,分别对比采用“线性映射”,“HE直方图均衡”,DDE算法进行处理。在这三张图,五组“栅状目标”隐藏其中,每一个目标较其所在的背景的温度高出大约200mK的温度值。
    在这里插入图片描述
    图1 采用AGC(线性映射)算法 (看不到目标)
    在这里插入图片描述
    图2 采用HE(直方图均衡)算法 (只能看到一个目标)
    在这里插入图片描述
    图3 采用DDE算法 (所有目标都能看到)
    采用FLIR的DDE算法(如图3),5个目标都能被同时看到。而且呢,这五个目标的对比度相同,和特定动态范围中有多少像素无关。这就使得DDE在不管场景如何变化下,都是有效且可预测的。
    传统的AGC算法消除了极端值,然后将动态范围线性映射到8bit域。然而,这对高动态范围视频几乎没有帮助。HE直方图均衡化,增加了主要灰度分布的温度/辐照度范围的对比度。如果目标不在那个主要灰度分布动态范围内吗? DDE为细节分配了可用对比度的预定义部分。低对比度物体的检测概率在图像上是恒定的。
    5. DDE实例
    图4-图8展示的一个相当高动态范围场景的图片序列。图4 是采用标准的AGC(线性映射)算法,该算法将截止(省略)一些极端像素,这样就使得位于直方图的绝大部分灰度形成更大对比度。
    在这里插入图片描述
    图4 采用标准的AGC(线性映射)算法
    在图5-图7中,使用ImageJ软件是人为的调整以便拉伸部分灰度范围,以更好的显示目标。
    在这里插入图片描述
    图5 图像的低灰度信号范围
    在图5中,使用ImageJ软件拉伸图像中灰度值较低的像素值,可以发现:经过拉伸,可以看到如箭头所示的指示牌信息以及树木草丛细节。这些潜在的信息在图4中观察不到。
    在这里插入图片描述
    图6 图像的中间灰度信号范围
    在图6中,使用ImageJ软件拉伸图像中灰度值处于中间的像素值,可以发现:经过拉伸,可以看到楼宇清晰的边缘信息。楼宇突出的边缘部分和楼宇的其他外墙是有显著的温度差异得到了很好的表现。在图4中,这些差异的显示是微弱的,原始图像中的这些细节差异已然被损失。
    在这里插入图片描述
    图7 图像的高灰度信号范围
    在图7中,使用ImageJ软件拉伸图像中灰度值较高的像素值,可以发现:经过拉伸,可以看到楼宇右侧外墙的边缘信息,以及广告牌上的文字信息。而在图4中,这些信号差异没有那么明显。
    在这里插入图片描述
    图8 采用DDE算法,可以同时观察到所有目标。
    最后,图8显示了使用Luster的DDE算法。 可以同时观察到所有目标。 在图像中可以看到非常少的伪影(artifacts)。
    6. 不同厂家的图像增强算法
    针对高动态范围的红外图像的压缩显示,不同的厂家有自己的算法命名,比如:Leonardo称其算法为GLACE(local contrast enhancement ),局部对比度增强算法;Xenics称其算法XIE( Xenics image enhancement ),Xenics图像增强。究其本质都是为了将大动态范围红外图像中低对比度目标显示出来。


    THE END~
    在这里插入图片描述

    【MATLAB-app】系列教程(含视频)00_csdn上第一套关于matlab appdesigner系列“视频课”来啦~~

    【图像算法&MATLAB】一文讲明白:图像的直方图均衡化(附作者自编源代码)

    【探测器与相机标准】我对图像(图像传感器/相机)“非均匀性”的理解与学习笔记

    在这里插入图片描述

    展开全文
  • 研究了一种基于高斯约束滤波器的图像细节增强算法,通过高斯约束滤波器将原始红外图像分解为基图和细节图,并采用γ变换分别对其压缩,然后将两部分图像重新合成,从而在保留图像细节的同时有效地使红外场景得到高...
  • 内窥镜图像细节增强和亮度增强算法,适用于胃部图像处理(Endoscopic image detail enhancement and brightness enhancement algorithm for stomach image processing)
  • 从研究图像增强的空域法人手,利用多尺度Retinex灰度图像增强算法完成图像的增强。做到改善图像颜色恒常性,压缩图像动态范围,提高对比度,有效显示淹没在阴影、光照等区域中的细节。在仿真实验中,对图像进行高斯...
  • 将高斯曲率正则项应用到变分Retinex模型的构建中,采用一阶微分对模型添加细节增强约束项,实现细节信息的自适应增强。结合邻域差分,引入曲率滤波方法对变分模型求取最优解。实验结果表明,与采用其他变分Retinex方法...
  • 图像增强算法

    千次阅读 2021-10-08 16:27:11
    图像增强算法(直方图均衡化、拉普拉斯、Log、伽马变换) 一、图像增强算法原理 图像增强算法常见于对图像的亮度、对比度、饱和度、色调等进行调节,增加其清晰度,减少噪点等。 图像增强往往经过多个算法的组合,...

    图像增强算法(直方图均衡化、拉普拉斯、Log、伽马变换)

    一、图像增强算法原理

    图像增强算法常见于对图像的亮度、对比度、饱和度、色调等进行调节,增加其清晰度,减少噪点等。
    图像增强往往经过多个算法的组合,完成上述功能,比如图像去燥等同于低通滤波器,增加清晰度则为高通滤波器,当然增强一副图像是为最后获取图像有用信息服务为主。一般的算法流程可为:图像去燥、增加清晰度(对比度)、灰度化或者获取图像边缘特征或者对图像进行卷积、二值化等,上述四个步骤往往可以通过不同的步骤进行实现,后续将针对此方面内容进行专题实验,列举其应用场景和处理特点。
    1.1 基于直方图均衡化的图像增强
    图像对比度增强的方法可以分为两种:直接对比度增强方法,间接对比度增强方法。直方图拉伸和直方图均衡化是常见的间接对比度增强方法。直方图拉伸是利用对比度拉伸对直方图进行调整,扩大前景和背景灰度的差别,这种方法可以通过线性和非线性的方法来实现,其中ps中就是利用此方法提高对比度;直方图均衡化则是利用累积函数对灰度值进行调整,实现对比度的增强。

    直方图均衡化处理原理: 将原始图像的灰度图从比较集中的某个灰度区间均匀分布在整个灰度空间中,实现对图像的非线性拉伸,重新分配图像像素值。

    算法应用场景:

    1、算法的本质是重新分布图像的像素值,增加了许多局部的对比度,整体的对比度没有进行太大改变,所以应用图像为图像有用数据的对比度相近是,例如:X光图像,可以将曝光过度或曝光不足照片进行更好的显示,或者是背景及前景太亮或太暗的图像非常有用。
    2、算法当然也有缺点,具体表现为:变换后的图像灰度级减少,某些细节减少;某些图像有高峰值,则处理后对比度不自然的过分增强。

    算法实现特点:
    1、均衡化过程:直方图均衡化保证在图像像素映射过程中原来的大小关系保持不变,即较亮的区域依旧较亮,较暗的依旧较暗,只是对比度增加,不能明暗颠倒;保证像素映射函数的值域在0和255之间。累积分布函数是单增长函数,并且值域是0到1。
    2、累积分布函数实现过程:
    比较概率分布函数和累积分布函数,前者的二维图像是参差不齐的,后者是单调递增的。直方图均衡化过程中,映射方法是
    在这里插入图片描述
    其中,n是图像中像素的总和,是当前灰度级的像素个数,L是图像中可能的灰度级总数。
    来看看通过上述公式怎样实现的拉伸。假设有如下图像:
    在这里插入图片描述
    得图像的统计信息如下图所示,并根据统计信息完成灰度值映射:
    在这里插入图片描述
    映射后的图像如下所示:
    在这里插入图片描述

    算法伪代码:

        1、计算原始灰度图像的像素概率分布
    
        2、根据像素概率分布获取图像累积分布函数
    
        3、根据映射函数获取变换后的图像
    

    1.2 基于拉普拉斯算子的图像增强
    利用拉普拉斯算子进行图像增强本质是利用图像的二次微分对图像进行蜕化,在图像领域中微分是锐化,积分是模糊,利用二次微分对图像进行蜕化即利用邻域像素提高对比度。在opencv中也有拉普拉斯函数,但那时生成了灰度图像,更多的求取边缘。
    1.3 基于对象Log变换的图像增强
    对数变换可以将图像的低灰度值部分扩展,显示出低灰度部分更多的细节,将其高灰度值部分压缩,减少高灰度值部分的细节,从而达到强调图像低灰度部分的目的。变换方法:

    对数变换对图像低灰度部分细节增强的功能过可以从对数图上直观理解:
    x轴的0.4大约对应了y轴的0.8,即原图上0-0.4的低灰度部分经过对数运算后扩展到0-0.8的部分,而整个0.4-1的高灰度部分被投影到只有0.8-1的区间,这样就达到了扩展和增强低灰度部分,压缩高灰度部分的值的功能。

    对于不同的底数,底数越大,对低灰度部分的扩展就越强,对高灰度部分的压缩也就越强。

    1.4 基于伽马变换的图像增强
    伽马变换主要用于图像的校正,将灰度过高或者灰度过低的图片进行修正,增强对比度。变换公式就是对原图像上每一个像素值做乘积运算:

    伽马变换对图像的修正作用其实就是通过增强低灰度或高灰度的细节实现的,从伽马曲线可以直观理解:

    γ值以1为分界,值越小,对图像低灰度部分的扩展作用就越强,值越大,对图像高灰度部分的扩展作用就越强,通过不同的γ值,就可以达到增强低灰度或高灰度部分细节的作用。

    伽马变换对于图像对比度偏低,并且整体亮度值偏高(对于于相机过曝)情况下的图像增强效果明显。

    二、测试代码
    根据上述讲解,本文利用python进行编程实验,代码如下:

    def preprocess(filename, i):
        image = cv2.imread(filename)
        image_gray = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
    

    直方图均衡增强

    image_equal = cv2.equalizeHist(image_gray)
    r,g,b = cv2.split(image)
    r1 = cv2.equalizeHist(r)
    g1 = cv2.equalizeHist(g)
    b1 = cv2.equalizeHist(b)
    image_equal_clo = cv2.merge([r1, g1, b1])
    

    拉普拉斯算法增强

    kernel = np.array([ [0, -1, 0],  
                        [-1,  5, -1],  
                        [0, -1, 0] ]) 
    image_lap = cv2.filter2D(image,cv2.CV_8UC3 , kernel)
    

    对象算法增强

    image_log = np.uint8(np.log(np.array(image) +1))    
    cv2.normalize(image_log, image_log,0,255,cv2.NORM_MINMAX)
    

    转换成8bit图像显示

    cv2.convertScaleAbs(image_log,image_log)
    

    伽马变换

    gamma = 2
    image_gamma = np.uint8(np.power((np.array(image)/255.0),fgamma)*255.0)
    cv2.normalize(image_gamma, image_gamma, 0, 255, cv2.NORM_MINMAX)
    cv2.convertScaleAbs(image_gamma, image_gamma)
    

    结果分析为:
    1、log函数变化对图像增强来讲,更多是对图像的对比度有所减弱,毕竟函数表现形式为像素值小的变大点,像素值大的变小点,所以对比度减小,亮度增加,正如图像所显示。所以目前看来log函数还是慎用,如果提高函数可以利用分段函数啊。
    2、gamma函数图像增强,这个函数原理可以看出,当r大于1时,可以当做指数函数,小于则为log函数。在试验中我们常用r>1,实现图像对比度增强。从图像中可以看出,黑色更黑,白色更白。
    3、laplus函数图像增强,本质是微分,所以为图像锐化,在图像锐化是明显凸显图像的细节,进而直观上提高图像对比度。
    4、equal函数本质是重新分布图像的像素值,直观我们发现图像颜色发生变化,但对比度是有所提高,当然对于这组的图像的作用,没有体现。

    总结:图像增强方法不同,应用领域不同,更好的应用需要掌握灵活多变的方法。

    来源:https://www.cnblogs.com/polly333/p/7280764.html

    展开全文
  • 针对水下图像的对比度低,噪声大问题,提出一种基于à Trous算法水下图像增强算法。该算法一方面利用直方图均衡,提高水下图像整体对比度;另一方面根据à Trous小波变换的抽取过程允许在不丢失高通细节(如空间和...
  • 音视频-编解码-色调保持的自适应图像视频细节增强算法.pdf
  • 针对光照不均匀、光线暗等环境导致图像采集单元采集到的图像视觉效果差、噪声大等问题,本文提出一种基于视网膜和皮层(Retinex)理论改进的低照度图像增强算法去恢复图像原有的视觉特征。将低照度图像从红、绿、蓝...
  • 针对上述问题,利用X射线图像重点表征突变结构信息的特点,提出基于图像梯度非线性增强算法,通过增强图像中的灰度变化信息来实现图像增强。同时,结合图像的多分辨特性,实现了不同分辨率层级梯度图像增强和融合,...
  • 研究了分数阶微分及其掩模算子的特性,提出了一种新的基于局部二进制模式方差(LBPV)的分数阶微分的图像...实验结果表明,与现有的分数阶微分图像增强算法相比,所提算法在增强图像的纹理和细节信息上具有良好的效果。
  • 高动态范围红外图像压缩的细节增强算法研究.pdf
  • 研究了空间域下基于直方图处理的图像增强算法。通过直方图统计获得具体参数,根据平均值和方差调整图像的强度和对比度,以实现对图像的增强。由于对图像进行全局增强,不能有效突出局部特征,因此重点阐明局部图像...
  • 针对含有低亮度低对比度区域的图像,提出基于局部自适应拉升窗(LASW)的复合图像增强算法。通过研究目前一系列基于局部操作的空域图像增强算法,提出全局和局部操作结合的总体思路;首先使用高提升拉普拉斯(Laplacian)反...
  • 在之前毕业设计的时候,实现了基于快速双边滤波的细节增强算法,采用Matlab语言实现,细节增强效果很明显,效果很好。 需要相关代码可以加文章最后的QQ名片咨询博主。 2、实现效果图 3、部分Matlab代码 %% 基于...

    DATE: 2022.5.8


    1、前言

    在之前毕业设计的时候,实现了基于快速双边滤波的细节增强算法,采用Matlab语言实现,细节增强效果很明显,效果很好。

    需要相关代码可以加文章最后的QQ名片咨询博主。

    2、实现效果图

    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    3、部分Matlab代码

    %% 基于快速双边滤波
    展开全文
  • 针对RetinexNet低照度图像增强算法中出现的颜色失真、边缘模糊等问题,提出了一种改进的RetinexNet算法。首先,利用HSV(Hue,Saturation,Value)颜色空间模型中各通道相对独立的特性,增强亮度分量;然后,利用相关系数使...
  • 针对现有算法对图像边缘细节增强不足及无法有效控制各尺度信息增强程度的问题,提出了多级分解的Retinex低照度图像增强算法。该算法在Retinex分解模型和双边滤波的基础上,通过设置不同的滤波参数,获取表征图像不同...
  • 基于人工鱼群算法和多尺度金字塔分解重建,设计了一种医学DR图像自适应增强算法,实现了图像增强的自适应性。针对分解后的高频部分和低频部分设计了相应的增强方案,增强过程中考虑到了人眼视觉系统的特性。通过仿真...
  • 针对传统对比度增强算法图像增强的不足,...实验结果表明,与传统算法相比,该方法有效的增强了图像的对比度,且能抑制噪声放大,视觉效果更好,避免了传统对比度增强算法存在的过增强或细节增强不足的问题,适用范围较广。
  • 基于opencv4.10的clahe限制对比度自适应直方图增强算法的代码。
  • 使用python编写了共六种图像增强算法:1)基于直方图均衡化2)基于拉普拉斯算子3)基于对数变换4)基于伽马变换5)限制对比度自适应直方图均衡化:CLAHE6)retinex-SSR7)retinex-MSR其中,6和7属于同一种下的变化。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 35,597
精华内容 14,238
关键字:

图像细节增强算法