基于感知的彩色图像增强和分割算法研究_1_5
基于微粒群算法的彩色图像增强研究
摘 要 ： 增 强彩 色 图像 问题 中， 图像 增强看 作最 优 化 问题 ， 出 了一种 基于 微粒 群 算法 的 在 把 提 彩色 图像 自适 应增 强方法． 将在 Ｒ ＧＢ空 间表 示 的 降质 图像 转 换 到 与人 类视 觉 系统特 性 相适 应 的 ＨＩ Ｓ颜 色 空间进 行增 强 ， 出 了应用 于亮度 １ 量 的新 的 目标 函数． 用 此方法 可 以 自动地 找 出降 提 分 使
质 图像 归一化 的非完全 函数 的最优参 数值 ， 对原始 图像 降质类 型进 行 正确 的推 理． 真结果 表 明 仿 所 提 出的方法在 自动拟 合灰度 的广 义 变换上有很 好 的性能 ， 图像 增 强效果 显著．
关键词 ： 彩色 图像 增 强 ； 微粒群 优化 算法 ； 完全 口函数 ； 色 空间 非 颜 中 图分 类号 ： Ｐ ９ 文献标 志码 ： Ｔ ３１ Ａ 文章编 号 ：６ ４３ ８ （ ０ ９ ０ －０ ６０ １ ７ —５ Ｘ ２ ０ ） ３０ ３ —５
２０ ０ ９年 ９ 月
ＳＥＰ． ００ ２ ９
基 于微 粒 群算 法 的彩 色 图像 增 强研 究
孙 勇 强 秦 媛 媛 ，
（ ． 阴 师 范 学院 继 续 教 育 学 院 ， 苏 淮安 ２３ ０ ； １淮 江 ２０ １
２ 江 苏财 经 职 业技 术 学院 计 算 机技 术 与 艺术 设 计 系， 苏 淮 安 ２ ３ ０ ） ． 江 ２ ０ ３
（） ａ
（） ｂ
（） ｃ
（） ｄ
图 １ 灰 度 图像 增 强 中 四 种 非 线 性 转 换 类 型
收 稿 日期 ：０ ９０—０ ２０ —４１
作 者 简 介 ： 勇 强（ ９ ２） 男 ， 东滕 州人 ， 士 ， 要 从 事 人 工智 能 与 模 式识 别 、 孙 １ ８一 ， 山 硕 主 图形 图像 处 理等 研 究
retinex算法步骤及公式_解释说明以及概述
retinex算法步骤及公式解释说明以及概述1. 引言1.1 概述在数字图像处理领域，Retinex算法是一种用于图像增强和色彩恢复的经典算法。
该算法通过模拟人眼对光线的运动和适应性来提取出图像中的有用信息，在许多计算机视觉和图像处理任务中都有广泛应用。
1.2 文章结构本文将详细介绍Retinex算法的步骤及公式，并解释其原理和概念。
接下来，我们将展示实验结果并与其他相关算法进行比较分析。
然后，我们会深入研究Retinex算法的实现流程，并通过具体的应用案例进行分析。
最后，我们总结文章的主要内容，并探讨Retinex算法未来发展的方向。
1.3 目的本文旨在为读者提供对Retinex算法的全面了解。
通过详细讲解该算法的步骤和公式，读者可以掌握它在图像增强和色彩恢复方面的应用原理。
同时，我们希望通过对实验结果和与其他算法比较分析的讨论，评估Retinex算法在不同任务中的优劣势。
最后，我们希望通过具体应用案例研究，帮助读者更好地理解Retinex 算法的实际应用场景，并为未来研究方向提供一些启示。
这样一个引言可以使读者对文章的内容有一个整体的了解，并且明确了文章的结构和目的。
2. retinex算法步骤及公式:2.1 算法步骤解释:Retinex算法是一种用于图像增强和颜色恢复的经典算法。
它基于人类视觉系统的原理，通过模拟光线在物体表面的传播和反射过程来改善图像的质量。
以下是Retinex算法的主要步骤:步骤1：获取输入图像首先，需要从相机或其他来源获取原始图像作为输入。
步骤2：颜色空间转换将RGB颜色空间转换为某个非线性颜色空间，如CIE XYZ或CIE Lab。
这样做是因为这些颜色空间更符合人眼对亮度和颜色感知的方式。
步骤3：计算局部对比度对图像进行高斯滤波，以计算每个像素周围区域的局部对比度。
这可以通过计算像素与其相邻区域之间亮度值的标准差得到。
步骤4：估计全局亮度对整个图像进行低通滤波，以估计全局亮度分量。
基于视觉特性的多尺度彩色图像增强算法
色的心理感受的一种颜色模式。其中Ｈ是色调
臼一 （ａ）ＲＧＢ模型
ｒｂ）Ｈｓｖ模型
图Ｉ ＲＧＢ和Ｈｓｖ颜色模型
（Ｈｕｅ），又称色相，ｓ是饱和度（ｓａｔｕｒａｔｉｏｎ），Ｖ是亮度值。它是由ＲＧＢ三基色转换为Ｌａｂ模式，
再在Ｌａｂ模式的基础上考虑了人对颜色的心理感受这一因素而转换成的。因此这种颜色模式比较符
得到了相应的调整。点线在点划线上方的曲线斜率 明显小，表示此部分并没有增强。饱和度分量与亮
度分量所包含信息不同，因此增强方式也不同。由
于其主要采用了指数形式的拉伸，可以从图４（ｂ）中
看出，增强前和增强后各个象素之间存在着如图所 示的曲线关系。
５ 结束语
本文按照视觉心理特性选择了合适的色度空 间，在此空间中选择了一种基于小波变换的彩色图 像增强算法。和其它小波增强算法仅对细节分量增 强不同，本文分析后得出图像亮度信息主要集中在 小波变换后的第一级平滑分量中，因此本文算法从 高频分量增强和低频分量对比度调整两方面处理彩 色图像的亮度分量。同时，对于饱和度分量也做了 简单的拉伸处理，拉伸系数可以根据个人的喜好选 择。增强后的彩色图像不仅更加清晰，同时更加生 动，鲜艳。
Ｌｕ在［１】中提出了一种基于小波的图像增强算法，其基本思想是对分解图像进行数据加工，将其
中代表细节的高频成分进行增强，然后再经过小波逆变换恢复图像。该方法是一种补偿图像轮廓的处
理方法，突出高频分量，可以使图像轮廓加强，看起来更清晰。设，为任一图像函数，则有分解：
Ｌ一】
，（ｊ，ｙ）＝∑ｑ一，帆，．（ｚ，ｙ）＋∑∑见，，帆，，（Ｊ，ｙ）
数构造，实验中均为三级小波分解。亮度细节投系数Ｇ移Ｕ＝ｌ…Ｊ），亮度动态范围因子缭出如下：
ｆ淄
ｔ∞｛ Ｉ．１
基于Lab色彩模型的FCM图像分割研究
基于Lab色彩模型的FCM图像分割研究作者：廖周宇来源：《软件导刊》2017年第05期摘要摘要：为了解决彩色图像的准确分割问题，研究了不同颜色模型特别是Lab模型对彩色图像分割效果的影响。
将同一彩色图像转换到不同颜色模型下，并使用传统模糊C均值聚类图像分割算法对其进行分割处理。
通过对多幅彩色图像进行分割实验，结果表明，虽然Lab颜色模型在数字图像处理中使用广泛程度不及RGB颜色模型，但在该模型下处理MSRA_10K彩色图像数据集时的图像分割效果整体优于RGB颜色模型。
关键词关键词：Lab；RGB；模糊C均值聚类；图像分割DOIDOI：10.11907/rjdk.171456中图分类号：TP317.4文献标识码：A文章编号文章编号：16727800（2017）0050183030引言图像分割就是把图像分成若干个特定的、具有独特性质的区域并从中提取出感兴趣目标的过程，是由图像处理到图像分析的关键步骤。
目前，已有很多图像分割方法，主要有以下几种：基于阈值分割方法、基于区域的分割方法、基于边缘的分割方法、基于聚类的分割方法等。
模糊C均值聚类（FCM）算法是一种经典的模糊聚类分析方法，它在图像分割领域已引起广泛关注。
其算法简单、收敛速度快、局部搜索能力强。
但由于它属于一种局部搜索算法，初始时随机地选取聚类中心，以致对于初值和噪声较为敏感、容易陷入局部最优，进而影响了该算法的使用效果。
随着自动化技术的发展，对机器视觉的要求也越来越高。
为了精准地获取数字图像中的目标，研究者们提出了多种图像分割方法。
为了实现对彩色图像信息更加详尽的记录，也提出了多种颜色模型：例如RGB、HSI、HSV、Lab等。
目前在图像处理领域，采用最多的是RGB色彩空间，本文将通过实验分析Lab颜色模型在图像分割中的重要作用。
1Lab色彩1.1Lab色彩模型RGB颜色模型并不是均匀的颜色模型，即R、G、B分量改变相同的色差，对于人眼来说其颜色变化程度是不一样的。
彩色图像分割技术的研究——图像边缘检测技术的研究应用的开题报告
彩色图像分割技术的研究——图像边缘检测技术的研究应用的开题报告一、选题背景彩色图像分割是图像处理领域的研究热点，其应用广泛，在计算机视觉、图像识别、医学影像诊断、机器人等领域具有重要的应用价值。
图像边缘检测是彩色图像分割的重要前置技术，能够有效提取图像特征，为后续分割处理提供有力的支持。
本研究旨在对彩色图像分割技术中的图像边缘检测技术进行深入研究，并将其应用于彩色图像分割中，以达到提高图像分割质量和准确度的目的。
二、研究内容本研究主要包括以下两个方面的内容：1. 图像边缘检测技术的研究图像边缘检测是图像处理中的重要问题之一，其主要作用是在图像中提取出物体的轮廓，为后续的图像分割处理提供有力的支持。
在本研究中，我们将分析常用的图像边缘检测算法，包括基于梯度算子的Sobel、Prewitt、Roberts等算法、基于二阶导数算子的Laplacian、LoG、DoG等算法以及Canny算子等算法，并对各种算法的优缺点进行评估和比较，最终确定合理的算法。
2. 彩色图像分割技术的研究应用在图像边缘检测技术的基础上，我们将进一步研究彩色图像分割技术，并探索图像边缘检测技术在彩色图像分割中的应用。
我们将结合实际应用需求，通过比较不同的分割方法，包括阈值分割、区域分割、边界分割等方法，选择最优的彩色图像分割方法，并对分割结果进行评估和分析。
三、研究意义本研究将对彩色图像分割技术的研究做出贡献，对于提高图像分割的质量和准确度具有重要意义。
通过对图像边缘检测技术的研究，能够更好地提取图像特征，为彩色图像分割提供优秀的预处理手段。
进一步地，本研究为图像处理领域的相关研究提供了更为完备的理论基础和技术支持。
四、研究方法本研究将采用文献资料法、实验仿真法和对比试验法等研究方法开展研究。
五、预期成果本研究预期将研究出适用于彩色图像分割领域的图像边缘检测技术，选择最优化的彩色图像分割方法，并对分割结果进行实验验证。
预期成果将在学术期刊和会议中发表，以及提交本科毕业论文。
基于引导滤波的微光图像增强算法研究
第１３卷㊀第４期Ｖｏｌ．１３Ｎｏ．４㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年４月㊀Ａｐｒ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０４－０１２２－０７中图分类号：ＴＰ３９１文献标志码：Ａ基于引导滤波的微光图像增强算法研究陈㊀婷１，蒲亨飞１，黄治勇１，李良荣１，张丰云２（１贵州大学大数据与信息工程学院，贵阳５５００２５；２遵义市播州区中等职业学校，贵州遵义５６３０００）摘㊀要：针对低光照条件下，成像设备获取的图像存在低亮度㊁细节丢失的问题，提出一种基于引导滤波的微光图像增强算法，以实现微光图像增强㊂首先，将微光图像从ＲＧＢ转到ＨＳＶ空间，并将Ｖ通道复制为３份，分别采用直方图均衡化㊁改进的伽马校正及经典的非锐化掩膜对其进行处理㊂其次，用合适的融合权重将３份处理后的Ｖ通道进行多尺度融合，再采用改进的引导滤波对融合后的Ｖ通道进行处理㊂最后，将处理后的图像反变回ＲＧＢ颜色系统，从而实现图像增强㊂通过与现有的４种图像增强算法进行主观视觉效果对比以及客观指标分析，实验结果表明，所提算法可有效提高图像亮度，增强图像细节，提升图像的质量㊂关键词：引导滤波；多尺度融合；图像增强；微光图像；伽马校正Ｒｅｓｅａｒｃｈｏｎｌｏｗ－ｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇＣＨＥＮＴｉｎｇ１，ＰＵＨｅｎｇｆｅｉ１，ＨＵＡＮＧＺｈｉｙｏｎｇ１，ＬＩＬｉａｎｇｒｏｎｇ１，ＺＨＡＮＧＦｅｎｇｙｕｎ２（１ＣｏｌｌｅｇｅｏｆＢｉｇＤａｔａａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ；２ＺｕｎｙｉＢｏｚｈｏｕＤｉｓｔｒｉｃｔＳｅｃｏｎｄａｒｙＶｏｃａｔｉｏｎａｌＳｃｈｏｏｌ，ＺｕｎｙｉＧｕｉｚｈｏｕ５６３０００，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｂｒｉｇｈｔｎｅｓｓ，ａｎｄｄｅｔａｉｌｓｌｏｓｓｉｎｔｈｅｉｍａｇｅｓｏｂｔａｉｎｅｄｂｙｉｍａｇｉｎｇｅｑｕｉｐｍｅｎｔｕｎｄｅｒｔｈｅｌｏｗｌｉｇｈｔｃｏｎｄｉｔｉｏｎｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｌｏｗｌｉｇｈｔｌｅｖｅｌｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇｔｏｒｅａｌｉｚｅｌｏｗｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ．Ｆｉｒｓｔｌｙ，ｔｈｅｌｏｗｌｉｇｈｔｉｍａｇｅｉｓｔｒａｎｓｆｅｒｒｅｄｆｒｏｍＲＧＢｔｏＨＳＶｓｐａｃｅ，ａｎｄｔｈｅＶｃｈａｎｎｅｌｉｓｃｏｐｉｅｄｉｎｔｏｔｈｒｅｅｃｏｐｉｅｓ，ｗｈｉｃｈａｒｅｐｒｏｃｅｓｓｅｄｂｙｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎ，ｉｍｐｒｏｖｅｄｇａｍｍａｃｏｒｒｅｃｔｉｏｎａｎｄａｇｅｎｅｒａｌｉｚｅｄｕｎｓｈａｒｐｍａｓｋｉｎｇａｌｇｏｒｉｔｈｍｒｅｓｐｅｃｔｉｖｅｌｙ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｔｈｒｅｅｐｒｏｃｅｓｓｅｄＶｃｈａｎｎｅｌｓａｒｅｆｕｓｅｄｉｎｍｕｌｔｉ－ｓｃａｌｅｗｉｔｈａｐｐｒｏｐｒｉａｔｅｆｕｓｉｏｎｗｅｉｇｈｔ，ａｎｄｔｈｅｎｔｈｅｆｕｓｅｄＶｃｈａｎｎｅｌｉｓｐｒｏｃｅｓｓｅｄｂｙｉｍｐｒｏｖｅｄｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ．Ｆｉｎａｌｌｙ，ｔｈｅｐｒｏｃｅｓｓｅｄｉｍａｇｅｉｓｒｅｖｅｒｓｅｌｙｃｈａｎｇｅｄｂａｃｋｔｏＲＧＢｃｏｌｏｒｓｙｓｔｅｍｔｏｒｅａｌｉｚｅｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｉｍａｇｅｂｒｉｇｈｔｎｅｓｓ，ｒｅｄｕｃｅｔｈｅｉｍａｇｅｎｏｉｓｅ，ｅｎｈａｎｃｅｔｈｅｉｍａｇｅｄｅｔａｉｌａｎｄｉｍｐｒｏｖｅｔｈｅｉｍａｇｅｑｕａｌｉｔｙ．ʌＫｅｙｗｏｒｄｓɔｇｕｉｄｅｄｆｉｌｔｅｒｉｎｇ；ｍｕｌｔｉｓｃａｌｅｆｕｓｉｏｎ；ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ；ｌｏｗ－ｌｉｇｈｔｉｍａｇｅ；Ｇａｍｍａｃｏｒｒｅｃｔｉｏｎ基金项目：国家自然科学基金（６２１６３００６）㊂作者简介：陈㊀婷（１９９７－），女，硕士研究生，主要研究方向：图像处理；蒲亨飞（１９９６－），男，硕士研究生，主要研究方向：图像处理；黄治勇（１９９６－），男，硕士研究生，主要研究方向：图像处理；李良荣（１９６３－），男，教授，硕士生导师，主要研究方向：电路与系统㊁电磁场与微波技术；张丰云（１９８７－），男，讲师，主要研究方向：应用数学等数学研究㊂通讯作者：李良荣㊀㊀Ｅｍａｉｌ：ｌｒｌｉ＠ｇｚｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－０５－２４０㊀引㊀言微光图像通常是在夜间或光照较弱等低光照条件下所获取的一类图像㊂在低照度条件下，成像设备获取的图像和视频的质量降低，就会出现图像亮度低㊁对比度不足㊁噪声大的问题，不仅使得人眼的主观视觉效果受到影响，也会导致某些特定系统的性能降低，比如公路交通监控㊁视觉监视和消费电子产品等系统㊂因而，开展微光图像增强技术的研究具有重要意义㊂迄今为止，微光图像增强算法可大致分为６类：基于直方图均衡化的增强方法㊁基于Ｒｅｔｉｎｅｘ理论的增强方法㊁基于频域的增强方法㊁基于图像融合的增强方法㊁基于去雾模型的增强方法以及基于深度学习的增强方法㊂直方图均衡化算法运用累积分布函数来调整图像的输出灰度，从而使其具有均匀分布的概率密度函数㊂通过这种方式，可以使黑暗区域中隐藏的细节重现，并且可以改善输入图像在人眼中的视觉效果，然而这种方法易导致细节消失以及局部过度增强［１］；Ｒｅｔｉｎｅｘ理论由美国物理学家Ｌａｎｄ［２］在１９６４年提出，也被称作视网膜皮层理论，是基于人眼对颜色的感知和颜色不变性的建模，即基于光照－反射模型，但是光照估计是基于光照缓慢变化的，而并不是所有微光图像都满足此假设㊂２０２０年，Ｗａｎｇ等学者［３］提出了一种新的微光图像增强算法，此算法从空域扩展到频域㊂基于频域的图像增强方法是指当图像在某一个变换域内时，调整变换后的系数，将图像从空域变换为频域，使得图像在频域内进行滤波，最后将得到的结果反变换回空域㊂典型的频域方法包括同态滤波和小波变换，但是其中滤波器的选取会丢弃某些细节㊂基于融合的方法可以使用不同的成像方法将一幅图像进行处理，包括从单个图像中以多种方式提取细节，以打破对图像序列的依赖㊂Ｙａｍａｋａｗａ等学者［４］提出了一种图像融合技术，该技术使用源图像和ｒｅｔｉｎｅｘ处理过的图像，能在亮区和暗区实现高能见度㊂２０１１年，Ｈｅ等学者［５］提出了图像暗通道先验理论，这一理论的提出使得图像增强技术获得了进一步发展㊂２０１１年，Ｄｏｎｇ等学者［６］基于去雾理论提出了一种新的图像增强算法，也称为亮通道先验方法㊂但是基于去雾模型的增强算法缺乏可靠的理论支撑，且容易在一些细节领域过度增强㊂Ｌｏｒｅ等学者［７］在一个框架中采用了堆叠稀疏降噪自动编码器来训练ＬＬＮｅｔ进行微光图像增强㊂Ｋｉｍ等学者［８］利用局部光照制作训练图像，并使用先进的生成式对抗网络构建ＬｏｗＬｉｇｈｔＧＡＮ㊂但是，这种方法必须得到大数据集的支持，模型复杂度的增加会使相应算法的时间复杂度显著变大㊂因此，对于微光图像存在低亮度㊁细节丢失的问题，本文提出一种基于引导滤波的微光图像增强算法㊂由于ＨＳＶ颜色系统比ＲＧＢ更接近于人眼的感知，因此首先将图像从ＲＧＢ颜色系统转为ＨＳＶ颜色系统，为提高对比度㊁亮度，分别采用直方图均衡化（ＨＥ）㊁改进的伽马校正及经典的非锐化掩膜（ＧＵＭ）对Ｖ通道进行处理，其次用合适的融合权重将Ｖ通道进行多尺度融合，然后采用改进的引导滤波对融合后的Ｖ通道进行处理，最后将处理后的图像从ＨＳＶ颜色系统转回ＲＧＢ颜色系统，从而实现图像增强㊂１㊀基本原理１．１㊀ＨＳＶ色彩空间一般为学界所熟知的是ＲＧＢ㊁即三基色空间［９］，该空间表示一幅彩色图像可以被分为红（Ｒｅｄ）㊁绿（Ｇｒｅｅｎ）㊁蓝（Ｂｌｕｅ）三幅分量图像，而ＨＳＶ是一种通过色调（Ｈｕｅ）㊁饱和度（Ｓａｔｕｒａｔｉｏｎ）以及亮度（Ｖａｌｕｅ）三种色彩分量来表示彩色图像的色彩空间，也可称为六角锥体模型，因其比ＲＧＢ系统更接近人眼感知系统，所以近年来得到了广泛使用㊂ＲＧＢ空间图像可以转换为ＨＳＶ空间图像，转换关系的数学公式具体见如下：㊀㊀㊀㊀㊀㊀Ｖ＝ｍａｘ（Ｒ，Ｇ，Ｂ）（１）Ｓ＝Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）Ｖ㊀㊀㊀㊀ｉｆＶʂ００㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ｏｔｈｅｒｗｉｓｅìîíïïï（２）Ｈ＝６０（Ｇ－Ｂ）Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）㊀㊀㊀ｉｆＶ＝Ｒ１２０＋６０（Ｇ－Ｂ）Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）㊀ｉｆＶ＝Ｇ２４０＋６０（Ｇ－Ｂ）Ｖ－ｍｉｎ（Ｒ，Ｇ，Ｂ）㊀ｉｆＶ＝Ｂìîíïïïïïïïï（３）㊀㊀㊀㊀㊀ｉｆＨ＜０㊀ｔｈｅｎＨ＝Ｈ＋３６０１．２㊀引导滤波引导滤波是２０１３年Ｈｅ等人［１０］提出的一种新的图像局部滤波算法，具备平滑㊁保持边缘，以及提高系统速度的优点㊂假设引导图像为Ｇ，待滤波输入图像为ｐ，滤波输出图像为ｑ，ｑ可表示为Ｇ在窗口ｗｋ内的局部线性变换，线性模型为：ｑｉ＝ａｋＧｉ＋ｂｋ㊀∀ｉɪｗｋ（４）㊀㊀其中，ｗｋ表示以像素ｉ为中心，以ｋ为半径的一个邻域，ａｋ㊁ｂｋ是ｗｋ中假定为常数的一些线性系数㊂为了确定ａｋ㊁ｂｋ的值，建立一个约束条件，输出ｑ可表示为输入ｐ减去一些不需要的分量ｎ，例如噪声或者纹理可由下式进行描述：ｑｉ＝ｐｉ－ｎｉ（５）㊀㊀为使ｐ和ｑ之间的差值能够达到最小化，即在窗口ｗｋ中最小化损耗函数，损耗函数定义为：㊀Ｅ（ａｋ，ｂｋ）＝ðｉɪωｋ（（ａｋＧｉ＋ｂｋ－ｐｉ）２＋εａｋ２）（６）其中，ε是规整化因子，可避免ａｋ系数过大，同时也是一个能够调节滤波器滤波效果的重要参数㊂对式（６）进行最小二乘法得到：ａｋ＝１ｗðｉɪｗｋＧｉｐｉ－μｋｐｋσ２ｋ＋ε（７）ｂｋ＝ｐｋ－ａｋμｋ（８）㊀㊀其中，μｋ和σｋ２是局部窗口ｗｋ内引导图像Ｇ的３２１第４期陈婷，等：基于引导滤波的微光图像增强算法研究灰度均值和方差；ｗ表示窗口内的像素总数；ｐｋ表示输入的待滤波图像ｐ在窗口内的灰度均值㊂２㊀本文改进算法本文改进算法框图如图１所示㊂最终增强图像处理后的图像多尺度融合滤波后的V HSV输入微光图像改进的引导滤波衍生输入H E G U M g a m m ar g b 2h s vh s v 2r g b 图１㊀算法框图Ｆｉｇ．１㊀Ｂｌｏｃｋｄｉａｇｒａｍｏｆｔｈｅａｌｇｏｒｉｔｈｍ２．１㊀输入在本文算法中，３个输入都来自原始微光图像的Ｖ通道㊂首先，使用直方图均衡化来增强图像的全局对比度，从而得到第一幅输入图Ｉ１㊂因微光图像的整体亮度很暗，故通过改进的伽马变换来提高整体亮度，从而得到第二幅输入图Ｉ２㊂Ｇａｍｍａ变换通过γ和ｃ两个参数来决定［１１］㊂Ｇａｍｍａ变换公式可写为：Ｉｏｕｔ＝ｃＩγｉｎ（９）㊀㊀其中，Ｉｉｎ表示输入图像；Ｉｏｕｔ表示输出图像；γ和ｃ都是用于调节伽马变换函数的参数，不同的γ会产生不同的效果㊂然后，经过多次的实验，本文改进一种能够自适应的伽马校正因子［１２］，该因子可较好地校正图像整体亮度且避免亮度过高的情况，使得校正后的图像在视觉效果上变得更好㊂校正因子的计算见式（１０）：γ＝１２æèçöø÷１－μ＋σ２()（１０）㊀㊀其中，σ为图像像素的标准差，μ为图像像素的均值㊂最后，根据改进的γ值对Ｖ通道进行伽马校正：Ｉ２＝Ｖγ（１１）㊀㊀Ｉ１和Ｉ２提高了图像的对比度以及亮度，因此本文进一步采用广义非锐化掩蔽算法（ＧＵＭ）［１３］提高图像的对比度㊁清晰度和保留细节，生成第三幅输入图Ｉ３㊂２．２㊀权重亮度增强和提升对比度是图像增强的预处理步骤，为了使得最后的增强图像与人类的视觉感知相契合，本文使用特定的权重图来测量和提取输入图像的更多细节㊂由于微光图像的本质问题与光照有关㊂因此，选择亮度作为权重来融合那些从输入中获得良好光照的区域［１４］㊂一般来说，首先将像素值进行归一化，然后将像素平均值设置为０．５，这些像素（０．５）通常有很好的光照效果㊂为了得到权值，计算每个像素的输入值Ｉ（ｘ，ｙ）与平均值之间的距离，可由下式计算求出：Ｗｚ（ｘ，ｙ）＝ｅｘｐ（－（Ｉｚ（ｘ，ｙ）－０．５）２２σ２）（１２）其中，Ｉｚ（ｘ，ｙ）为输入Ｉｚ在点（ｘ，ｙ）的像素值，ｚ是输入索引，本文设标准差的默认值为σ＝０．３㊂对光照不足的像素点，赋予其较小的权值，而对大多数正常光照强度的像素点，赋予其较大的权值㊂为得到一致的处理结果，将Ｗｚ（ｘ，ｙ）进行归一化处理，推得的数学公式为：Ｗ－ｚ（ｘ，ｙ）＝Ｗｚ（ｘ，ｙ）／ðｚＷｚ（ｘ，ｙ）（１３）２．３㊀多尺度融合在获得３个输入Ｉｚ和权值映射Ｗ－ｚ（ｘ，ｙ）后，输出图像由下式计算：Ｖ（ｘ，ｙ）＝ðｚＷ－ｚ（ｘ，ｙ）Ｉｚ（ｘ，ｙ）（１４）㊀㊀由于原始图像融合过程是将不同图像直接进行加权相加，结果会产生不同程度的光晕现象㊂因此本文采用Ｂｕｒｔ和Ａｄｅｌｓｏｎ［１５］提出的多尺度融合来解决这个问题，即通过使用拉普拉斯算子将输入分解为一个金字塔和一个高斯金字塔的权重映射，最后通过使用逐层重建的方式来获得最终的融合图像㊂因此，Ｖ（ｘ，ｙ）的结果是通过将每一层的拉普拉斯输入和高斯权重映射分别混合而得到：Ｖｌ（ｘ，ｙ）＝ðＧｌＷ－ｚ（ｘ，ｙ）{}ＬｌＩｚ（ｘ，ｙ）{}（１５）其中，ｌ表示金字塔的层数，本文设置金字塔层数为５；ＧＷ－{}是归一化之后的权重映射Ｗ－的高斯金字塔；Ｌ｛Ｉ｝是输入Ｉ的拉普拉斯金字塔㊂２．４㊀改进的引导滤波由于在引导滤波里，所有的窗口选用的都是固定的规整化因子，这完全忽视了不同窗口内像素之间存在的某些纹理差异㊂因此，在对边缘进行平滑处理时，会将模糊集中在这些边缘附近，从而产生光晕伪影，导致滤波效果降低㊂后来在２０１５年，Ｌｉ等学者［１６］提出了加权引导滤波，该滤波和引导滤波一样快速并且保留边缘㊂为了使得规整化因子能够自４２１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀适应调整，使用局部窗口内的方差信息㊂按照局部窗口ｗｋ内方差的定义，对边缘权重定义如下：ＷＧ（ｉ）＝１ＮðＮｉᶄ＝１σ２Ｇ（ｉ）＋εσ２Ｇ（ｉᶄ）＋ε（１６）㊀㊀其中，Ｇ为引导图像；σ２Ｇ（ｉ）表示以像素点ｉ为中心像素周围３ˑ３邻域内的方差；ε是规整化因子，取值为（０．００１ˑＬ）２；Ｌ表示原始输入图像的动态范围；Ｎ表示引导图像的像素总数㊂因此，损耗函数变为：Ｅ（ａｋ，ｂｋ）＝ðｉɪｗｋ（（ａｋＧｉ＋ｂｋ－ｐｉ）２＋εＷＧ（ｉ）ａ２ｋ）（１７）在引导图像的边缘，依据公式（１６）可轻易得到，邻域内像素点ｉ的方差与其对应的边缘权重ＷＧ（ｉ）成正比，与规整化因子ε成反比，即当方差越大时，边缘权重ＷＧ（ｉ）越大，而对应的规整化因子则会越小㊂所以才能够更好地保护图像的边缘细节信息㊂但是通过计算３ˑ３窗口内的方差作为边缘权重因子，方差大的像素点并不全是图像边缘，会导致所得的边缘信息与实际存在着较大误差㊂因此，在原有加权引导滤波算法的基础上加入Ｓｏｂｅｌ算子［１７］，以自适应调节边缘权重因子，修正后的边缘权重因子如下：ψＧ（ｉ）＝１ＮðＮｉᶄ＝１Ｓ（ｉ）σ２Ｇ（ｉ）＋εＳ（ｉᶄ）σ２Ｇ（ｉᶄ）＋ε（１８）㊀㊀其中，Ｇ为引导图像；ψＧ（ｉ）为边缘权重因子；Ｓ（ｉ）为像素点ｉ处的Ｓｏｂｅｌ算子；Ｎ为图像的总像素；ε值和式（１６）一样，取为（０．００１ˑＬ）２；Ｌ是输入图像的动态范围㊂ψＧ（ｉ）可以一定程度地反映边缘像素在总像素中的占比，当ψＧ（ｉ）＜１，此时为平滑处像素，权重较小；当ψＧ（ｉ）＞１，此时为边缘处像素，权重较大㊂滤波结果如图２所示㊂可以很明显看出，改进的引导滤波可以更好地保持图像的细节，使得图像更加清晰㊂（ａ）采用方差的引导滤波㊀㊀（ｂ）改进的引导滤波㊀㊀图２㊀滤波结果Ｆｉｇ．２㊀Ｆｉｌｔｅｒｉｎｇｒｅｓｕｌｔｓ３㊀实验与结果分析本文所有算法都是计算机在Ｗｉｎｄｏｗｓ１０系统下，使用ＭａｔｌａｂＲ２０１８（ｂ）软件进行实验㊂电脑配置为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ５－７２００ＵＣＰＵ＠２．５０ＧＨｚ，４ＧＢＲＡＭ㊂３．１㊀本文算法的实验结果本文算法运行的各步骤效果如图３所示㊂（a）原始微光图像（b）H E（c）G U M（d）G a m m a校正（e）加权引导滤波（f）增强图像图３㊀本文算法处理各步骤效果图Ｆｉｇ．３㊀Ｐｒｏｃｅｓｓｉｎｇｒｅｎｄｅｒｉｎｇｓｏｆｅａｃｈｓｔｅｐ㊀㊀图３（ｄ）是经过本文改进的ｇａｍｍａ校正处理后的Ｖ通道图像，可知增强了整体亮度㊂图３（ｅ）为经过本文改进的引导滤波处理后的Ｖ通道图像㊂图３（ｆ）为本文算法最终的增强图像㊂可以看出，与原始微光图像相比，本文算法处理后的图像对比度㊁清晰度以及亮度均有比较明显的提升，图像的细节也得到较好的保留㊂综上所述，本文算法能有效提高图像质量㊂３．２㊀增强效果对比为了证实本文所提出算法的性能优势，将选用文献［１８］的Ｒｅｔｉｎｅｘ－Ｎｅｔ算法㊁文献［１９］的对比度受限的自适应直方图均衡化算法（ＣＬＡＨＥ）㊁文献［２０］以及文献［２１］所提出的微光图像增强算法分别对相同的微光图像进行增强处理，最后与本文所提算法的处理结果进行比较㊂３．２．１㊀实验结果的主观评价本文所提算法与选用的４种算法的处理结果如图４所示㊂由图４（ｂ）第３幅图像可知，通过文献［１８］增强过的图像存在亮度提升过度的情况，整体过于模糊，丢失许多细节；通过文献［１９］处理过的图像，整体颜色过于黯淡，且整体对比度不高㊂由图４（ｃ）第１幅图像可看到，花盆旁边的地板㊁盆栽以及花朵的颜色不够鲜明，图４（ｃ）中第３幅图像的地板亮度依旧很暗㊂通过文献［２０］算法处理的图像，在色彩上存在一定失真，由图４（ｄ）中第１幅图像可看到粉色花朵经过增强后变为白色，图４（ｄ）中第２５２１第４期陈婷，等：基于引导滤波的微光图像增强算法研究幅图像的鲜橙色格子变为淡橙色㊂通过文献［２１］处理过的图像，整体亮度提升不够，仍然较为黯淡；通过本文所提出算法增强后的图像，由图４（ｆ）第１幅图像可看到图像的整体亮度提升较好，且盆栽及旁边的花朵颜色未出现失真，图４（ｆ）第２幅图像的很多暗处的细节都显现出来，图４（ｆ）第３㊁第４幅图像的增强效果也较好㊂因此，本文算法使增强后的图像在整体亮度㊁对比度以及细节保持㊁清晰度上都有了一定的提升，并且图像还原度较高，色彩鲜艳自然，总体来讲，主观视觉质量较好㊂（a）输入图像（b）文献[18]的算法（c）文献[19]的算法（d）文献[20]的算法（e）文献[21]的算法（f）本文算法图４㊀５种算法的结果对比图Ｆｉｇ．４㊀Ｃｏｍｐａｒｉｓｏｎｃｈａｒｔｏｆｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅｆｉｖｅａｌｇｏｒｉｔｈｍｓ３．２．２㊀实验结果的客观评价本文选用３个客观指标来评价算法的优劣，详述如下㊂（１）峰值信噪比（ＰＳＮＲ）［２２］：图像的ＰＳＮＲ是判断图像去噪效果最普遍㊁最常用的客观评价方法㊂数学定义公式具体如下：ＲＰＳＮ＝１０ｌｇｆ２ｍａｘＥＭＳ（１９）㊀㊀其中，ｆｍａｘ是灰度像素最大值，ｆｍａｘ＝２５５，ＥＭＳ是均方方差㊂从式（１９）可以看出，ＰＳＮＲ值与图像质量成正比，当ＰＳＮＲ值越大，则表明增强后的结果图像质量越高㊂（２）结构相似度指标（ＳＳＩＭ）［２３］：根据图像的亮度ｌ（ｆ，ｆｅ）㊁对比度ｃ（ｆ，ｆｅ）和结构ｓ（ｆ，ｆｅ）三者的比较，以此来评估处理后的结果图像相较于原始图像的质量㊂将这３个值结合起来，就能得到整体的相似度度量㊂其值越大，表明结构越相似，数学公式６２１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀具体如下：ＭＳＳＩ＝Ｆｌｆ，ｆｅ()，ｃ（ｆ，ｆｅ），ｓ（ｆ，ｆｅ）[]（２０）㊀㊀（３）无参考图像评价指标（ＮＩＱＥ）［２４］：基于一个简单而成功的空间域自然场景统计（ＮＳＳ）模型，构建了一个统计特征的 质量感知 集合㊂ＮＩＱＥ与图像质量成反比，即ＮＩＱＥ值越低，表明图像质量越高㊂本文算法与选用的４种算法的３个客观评价指标结果见表１ 表３㊂以图４（ａ）中第１幅图像为例，本文所提算法与文献［１８］相比较，峰值信噪比㊁结构相似度分别提高了０．０８９㊁０．００９，无参考图像评价指标降低了０．２４９㊂相较于文献［１９］，峰值信噪比㊁结构相似度分别提高了０．００４２㊁０．０００１，无参考图像评价指标降低了０．７１６３㊂相较于文献［２０］，峰值信噪比㊁结构相似度分别提高了０．０００３㊁０．０１５３，无参考图像评价指标降低了０．４１８７㊂相较于文献［２１］，峰值信噪比㊁结构相似度分别提高了０．０１３㊁０．００７，无参考图像评价指标降低了０．１５１８㊂表１㊀本文算法和４种算法的ＰＳＮＲ值比较结果Ｔａｂ．１㊀ＣｏｍｐａｒｉｓｏｎｏｆＰＳＮＲｖａｌｕｅｓｂｅｔｗｅｅｎｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｄＢＩｍａｇｅＲｅｔｉｎｅｘ－ＮｅｔＣＬＡＨＥＲｅｆ．［２０］Ｒｅｆ．［２１］Ｐｒｏｐｏｓｅｄａ（１）１２．８８５０１２．９６９８１２．９７３７１２．９６１０１２．９７４０ａ（２）１４．６５５３１４．６５０２１４．６５４３１４．６３８６１４．６５６０ａ（３）１６．９５６３１６．８９４８１６．９４４４１６．８９５３１６．９６８２ａ（４）１３．５４８１１３．５５０８１３．５４７１１３．５３７３１３．５５５５Ａｖｅｒａｇｅ１４．５１１２１４．５１５４１４．５２９９１４．５０８１１４．５３８４表２㊀本文算法和４种算法的ＳＳＩＭ值比较结果Ｔａｂ．２㊀ＣｏｍｐａｒｉｓｏｎｏｆＳＳＩＭｖａｌｕｅｓｂｅｔｗｅｅｎｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓＩｍａｇｅＲｅｔｉｎｅｘ－ＮｅｔＣＬＡＨＥＲｅｆ．［２０］Ｒｅｆ．［２１］Ｐｒｏｐｏｓｅｄａ（１）０．９８８１０．９９７００．９８１８０．９９０１０．９９７１ａ（２）０．９８１９０．９９６２０．９９０７０．９８１６０．９９６８ａ（３）０．９７２３０．９６８００．９７３６０．９７０５０．９７３８ａ（４）０．９８５１０．９９５２０．９８７８０．９８６１０．９９６１Ａｖｅｒａｇｅ０．９８１９０．９８９１０．９８３５０．９８２１０．９９１０表３㊀本文算法和４种算法的ＮＩＱＥ值比较结果Ｔａｂ．３㊀ＣｏｍｐａｒｉｓｏｎｏｆＮＩＱＥｖａｌｕｅｓｂｅｔｗｅｅｎｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓＩｍａｇｅＲｅｔｉｎｅｘ－ＮｅｔＣＬＡＨＥＲｅｆ．［２０］Ｒｅｆ．［２１］Ｐｒｏｐｏｓｅｄａ（１）２．６４７４３．１１４７２．８１７１２．５５０２２．３９８４ａ（２）２．５８８１２．９６４９２．６９５５２．３１５９２．５６６０ａ（３）２．８７６０３．２３６２２．９８２７３．８７７１２．７９９１ａ（４）４．２３７８３．３９４０３．３８５１４．２４７２３．３６４６Ａｖｅｒａｇｅ３．０８７３３．１７７５２．９７０１３．２４７６２．７８２０㊀㊀通过客观数据分析表明，经本文算法处理过的图像，不论是在峰值信噪比㊁结构相似度还是无参考图像评价指标以及各自平均值，与选用的另外４种算法处理后的图像相比较，得到的数据结果都是相对比较好的㊂４㊀结束语针对微光图像的亮度低㊁细节丢失的问题，本文提出一种基于引导滤波的微光图像增强算法㊂所提算法使用改进的伽马校正解决亮度低的问题，改进的引导滤波解决细节丢失的问题㊂最后的增强结果不论是从客观评价㊁还是主观评价指标方面看，与本文选用的４种图像增强算法的效果相比，本文算法在各方面都有一定的优势㊂最后，尽管本文所提算法在对微光图像的增强效果方面有了一定提升，但依旧需要对其做更深一步的优化，例如减少算法运行时间以及拓宽算法的应用场景㊂（下转第１３４页）７２１第４期陈婷，等：基于引导滤波的微光图像增强算法研究［７］张亮．基于多源数据融合的变结构ＤＢＮ模型基因调控网络构建［Ｄ］．天津：天津大学，２００９．［８］肖秦琨．基于动态贝叶斯网络的智能自主优化机制研究［Ｄ］．西安：西北工业大学，２００６．［９］陈云．贝叶斯网络结构学习算法研究及应用［Ｄ］．广东：广东工业大学，２０１５．［１０］贾士政．博弈场景下自动驾驶车辆通行避撞研究［Ｄ］．长春：吉林大学，２０２１．［１１］ＧＥＡＲＹＪ，ＧＯＵＫＨ．Ａｌｔｒｕｉｓｔｉｃｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｆｏｒａｕｔｏｎｏｍｏｕｓｄｒｉｖｉｎｇｗｉｔｈｓｐａｒｓｅｒｅｗａｒｄｓ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：２００７．０７１８２Ｖ１，２０２０．［１２］孙兆林，杨宏文，胡卫东．基于贝叶斯网络的态势估计时间推理方法［Ｊ］．火力与指挥控制，２００７（０１）：３０－３３，４４．［１３］ＺＨＡＮＧＹｉｎｇｈｕａ，ＨＵＱｉｐｉｎｇ，ＺＨＡＮＧＷｅｎｓｈｅｎｇ，ｅｔａｌ．ＡｎｏｖｅｌＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＭａｘｉｍａｌＩｎｆｏｒｍａｔｉｏｎＣｏｅｆｆｉｃｉｅｎｔ［Ｊ］／／２０１２ＩＥＥＥＦｉｆｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｄｖａｎｃｅｄＣｏｍｐｕｔａｔｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＩＣＡＣＩ）．ＮＡＮＪＩＮＧ，ＣＨＩＮＡ：ＩＥＥＥ，２０１２：８６２－８６７．［１４］ＳＰＩＥＧＥＬＨＡＬＴＥＲＤＪ，ＬＡＵＲＩＴＺＥＮＳＬ．Ｓｅｑｕｅｎｔｉａｌｕｐｄａｔｉｎｇｏｆｃｏｎｄｉｔｉｏｎａｌｐｒｏｂａｂｉｌｉｔｉｅｓｏｎｄｉｒｅｃｔｅｄｇｒａｐｈｉｃａｌｓｔｒｕｃｔｕｒｅｓ［Ｊ］．Ｎｅｔｗｏｒｋｓ，２０１０，２０（５）：５７９－６０５．（上接第１２７页）参考文献［１］赵馨宇，黄福珍．基于双通道先验和光照图引导滤波的图像增强［Ｊ］．激光与光电子学进展，２０２１，５８（０８）：０８１０００１．［２］ＬＡＮＤＥＨ．Ｔｈｅｒｅｔｉｎｅｘ［Ｊ］．Ａｍｅｒｉｃａｎｓｃｉｅｎｔｉｓｔ，１９６４，５２（２）：２４７－２５３，２５５－２６４．［３］ＷＡＮＧＭａｎｌｉ，ＴＩＡＮＺｉｊｉａｎ，ＧＵＩＷｅｉｆｅｎｇ，ｅｔａｌ．Ｌｏｗ－ｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｂａｓｅｄｏｎｎｏｎｓｕｂｓａｍｐｌｅｄｓｈｅａｒｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２０，９９：１－１．［４］ＹＡＭＡＫＡＷＡＭ，ＳＵＧＩＴＡＹ．Ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｕｓｉｎｇｒｅｔｉｎｅｘａｎｄｉｍａｇｅｆｕｓｉｏｎｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ＆ＣｏｍｍｕｎｉｃａｔｉｏｎｓｉｎＪａｐａｎ．２０１８，１０１（８）：５２－６３．［５］ＨＥＫａｉｍｉｎｇ，ＳＵＮＪｉａｎ，ＴＡＮＧＸｉａｏᶄｏｕ．ＳｉｎｇｌｅｉｍａｇｅＨａｚｅｒｅｍｏｖａｌｕｓｉｎｇｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１１，３３（１２）：２３４１－２３５３．［６］ＤＯＮＧＸｕａｎ，ＷＡＮＧＧｕａｎ，ＰＡＮＧＹｉ，ｅｔａｌ．Ｆａｓｔｅｆｆｉｃｉｅｎｔａｌｇｏｒｉｔｈｍｆｏｒｅｎｈａｎｃｅｍｅｎｔｏｆｌｏｗｌｉｇｈｔｉｎｇｖｉｄｅｏ［Ｃ］／／２０１１ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭｕｌｔｉｍｅｄｉａａｎｄＥｘｐｏ．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥ，２０１１：１－６．［７］ＬＯＲＥＫＧ，ＡＫＩＮＴＡＹＯＡ，ＳＡＲＫＡＲＳ．ＬＬＮｅｔ：Ａｄｅｅｐａｕｔｏｅｎｃｏｄｅｒａｐｐｒｏａｃｈｔｏｎａｔｕｒａｌｌｏｗ－ｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０１７，６１：６５０－６６２．［８］ＫＩＭＧ，ＫＷＯＮＤ，ＫＷＯＮＪ．Ｌｏｗ－ｌｉｇｈｔｇａｎ：Ｌｏｗ－ｌｉｇｈｔｅｎｈａｎｃｅｍｅｎｔｖｉａａｄｖａｎｃｅｄｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｗｉｔｈｔａｓｋ－ｄｒｉｖｅｎｔｒａｉｎｉｎｇ［Ｃ］／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＩＰ）．Ｔａｉｐｅｉ：ＩＥＥＥ，２０１９：２８１１－２８１５．［９］赵宏宇，肖创柏，禹晶，等．基于ＷＬＳ的Ｒｅｔｉｎｅｘ单幅夜间彩色图像增强方法［Ｊ］．北京工业大学学报，２０１４，４０（０３）：４０４－４１０．［１０］ＨＥＫａｉｍｉｎｇ，ＳＵＮＪｉａｎ，ＴＡＮＧＸｉａｏᶄｏｕ．Ｇｕｉｄｅｄｉｍａｇｅｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓ．ＰａｔｔｅｒｎＡｎａｌＭａｃｈ．Ｉｎｔｅｌｌ，２０１３，３５（６）：１３９７－１４０９．［１１］韩梦妍，李良荣，蒋凯．基于光照图估计的Ｒｅｔｉｎｅｘ低照度图像增强算法［Ｊ］．计算机工程，２０２１，４７（１０）：２０１－２０６．［１２］杨先凤，李小兰，贵红军．改进的自适应伽马变换图像增强算法仿真［Ｊ］．计算机仿真，２０２０，３７（０５）：２４１－２４５．［１３］ＤＥＮＧＧｕａｎｇ．Ａｇｅｎｅｒａｌｉｚｅｄｕｎｓｈａｒｐｍａｓｋｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇＡＰｕｂｌｉｃａｔｉｏｎｏｆｔｈｅＩＥＥＥＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＳｏｃｉｅｔｙ，２０１１，２０（５）：１２４９－１２６１．［１４］ＰＡＲＩＨＡＲＡＳ，ＳＩＮＧＨＫ，ＲＯＨＩＬＬＡＨ，ｅｔａｌ．Ｆｕｓｉｏｎ－ｂａｓｅｄｓｉｍｕｌｔａｎｅｏｕｓｅｓｔｉｍａｔｉｏｎｏｆｒｅｆｌｅｃｔａｎｃｅａｎｄｉｌｌｕｍｉｎａｔｉｏｎｆｏｒｌｏｗｌｉｇｈｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．ＩＥＴＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０２０，１５（４）：１－１４．［１５］ＢＵＲＴＰＪ，ＡＤＥＬＳＯＮＥＨ．Ｔｈｅｌａｐｌａｃｉａｎｐｙｒａｍｉｄａｓａｃｏｍｐａｃｔｉｍａｇｅｃｏｄｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，１９８３，３１（４）：５３２－５４０．［１６］ＬＩＺｈｅｎｇｇｕｏ，ＺＨＥＮＧＪｉｎｇｈｏｎｇ，ＺＨＵＺｉｊｉａｎ，ｅｔａｌ．Ｗｅｉｇｈｔｅｄｇｕｉｄｅｄｉｍａｇｅｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０１５，２４（１）：１２０－１２９．［１７］拉斐尔㊃Ｃ㊃冈萨雷斯，理查德㊃Ｅ㊃伍兹，史蒂文㊃Ｌ㊃埃丁斯等．数字图像处理的ＭＡＴＬＡＢ实现［Ｍ］．２版．阮秋琦，译．北京：清华大学出版社，２０１３．［１８］ＣＨＥＮＷｅｉ，ＷＡＮＧＷｅｎｊｉｎｇ，ＹＡＮＧＷｅｎｈａｎ，ｅｔａｌ．Ｄｅｅｐｒｅｔｉｎｅｘｄｅｃｏｍｐｏｓｉｔｉｏｎｆｏｒｌｏｗ－ｌｉｇｈｔｅｎｈａｎｃｅｍｅｎｔ［Ｃ］／／２０１８ｔｈｅＢｒｉｔｉｓｈＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆｅｒｅｎｃｅ（ＢＭＶＣ）．Ｎｅｗｃａｓｔｌｅ，ＵＫ：ＮｏｒｔｈｕｍｂｒｉａＵｎｉｖｅｒｓｉｔｙ，２０１８：１５５．［１９］ＺＵＩＤＥＲＶＥＬＤＫ．Ｃｏｎｔｒａｓｔｌｉｍｉｔｅｄａｄａｐｔｉｖｅｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎ［Ｊ］．ＧｒａｐｈｉｃｓＧｅｍｓ，１９９４：４７４－４８５．［２０］ＡＬ－ＡＭＥＥＮＺ．Ｎｉｇｈｔｔｉｍｅｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｕｓｉｎｇａｎｅｗｉｌｌｕｍｉｎａｔｉｏｎｂｏｏｓｔａｌｇｏｒｉｔｈｍ［Ｊ］．ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，ＩＥＴ，２０１９，１３（８）：１３１４－１３２０．［２１］ＷＡＮＧＱｉｕｈｏｎｇ，ＦＵＸｕｅｙａｎｇ，ＺＨＡＮＧＸｉａｏｐｉｎｇ，ｅｔａｌ．Ａｆｕｓｉｏｎ－ｂａｓｅｄｍｅｔｈｏｄｆｏｒｓｉｎｇｌｅｂａｃｋｌｉｔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ［Ｃ］／／２０１６ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＩＰ）．Ｐｈｏｅｎｉｘ，ＡＺ，ＵＳＡ：ＩＥＥＥ，２０１６：４０７７－４０８１．［２２］ＨＯＲÉＡ，ＺＩＯＵＤ．Ｉｍａｇｅｑｕａｌｉｔｙｍｅｔｒｉｃｓ：ＰＳＮＲｖｓＳＳＩＭ［Ｃ］／／２０ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＩＣＰＲ）．Ｉｓｔａｎｂｕｌ，Ｔｕｒｋｅｙ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１０：２３６６－２３６９．［２３］ＷＡＮＧＺｈｏｕ，ＢＯＶＩＫＡＣ，ＳＨＥＩＫＨＨＲ，ｅｔａｌ．Ｉｍａｇｅｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔ：ｆｒｏｍｅｒｒｏｒｖｉｓｉｂｉｌｉｔｙｔｏｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２００４，１３（４）：６００－６１２．［２４］ＭＩＴＴＡＬＡ，ＳＯＵＮＤＡＲＡＲＡＪＡＮＲ，ＢＯＶＩＫＡＣ．Ｍａｋｉｎｇａｃｏｍｐｌｅｔｅｌｙｂｌｉｎｄｉｍａｇｅｑｕａｌｉｔｙａｎａｌｙｚｅｒ［Ｊ］．ＩＥＥＥＳｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｌｅｔｔｅｒｓ，２０１２，２０（３）：２０９－２１２．４３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。
计算机视觉技术在彩色图像处理中的应用与算法研究
计算机视觉技术在彩色图像处理中的应用与算法研究计算机视觉技术在彩色图像处理中的应用日益广泛，其能够帮助我们提取、分析和理解彩色图像中的信息，为各个领域的研究和应用提供支持。
本文将介绍计算机视觉技术在彩色图像处理中的应用，并深入探讨其中的算法研究。
首先，计算机视觉技术在彩色图像处理中的一个重要应用是目标检测和识别。
通过利用图像中的颜色信息，我们可以训练模型来自动识别图像中的目标物体，如交通标志、人脸等。
其中一个常用的算法是基于颜色特征的目标检测算法。
该算法通过提取图像中目标物体的颜色特征，并与事先训练好的模型进行比对，来实现目标的检测和识别。
这种方法在交通监控、人脸识别等领域得到了广泛的应用。
其次，计算机视觉技术在彩色图像处理中还可以用于图像分割。
图像分割是将图像分成若干个具有相似特征的区域的过程，它是很多图像处理任务的前处理步骤。
对于彩色图像的分割，颜色信息是一个重要的特征，可以帮助我们识别出物体的边缘和纹理等特征。
在算法方面，彩色图像分割可以采用传统的基于阈值或边缘检测的方法，也可以结合深度学习和神经网络等先进的算法进行处理。
这些算法不仅能够准确地分割出图像中的物体，还能够处理复杂的场景和变化的光照条件。
此外，计算机视觉技术在彩色图像处理中还可以应用于图像增强和修复。
通过对图像中的颜色信息进行调整，我们可以改善图像的质量和观感。
例如，我们可以通过增强图像的对比度、饱和度和亮度等属性，使图像更加清晰、鲜艳，以提高图像的可视化效果。
另外，通过修复图像中的噪声、模糊或缺失等问题，我们可以恢复图像的完整性和细节。
在图像增强和修复的算法研究中，彩色图像的处理方法通常会结合颜色空间的转换和滤波等技术，以实现对图像的精确控制和处理。
最后，计算机视觉技术还可以在彩色图像处理中用于图像分析和理解。
通过对彩色图像中的颜色和纹理等特征进行分析，我们可以获取图像的语义信息和上下文信息，进而实现对图像内容的理解。
这些分析结果有助于我们对图像进行内容检索、目标跟踪和图像分类等应用。
基于边缘检测和区域生长的彩色图像分割方法研究
基于边缘检测和区域生长的彩色图像分割方法研究作者：刘欢张梅彭星星来源：《中国新通信》2016年第11期【摘要】彩色图像分割是计算机视觉领域研究的焦点和难点。
本文通过介绍常用彩色图像分割方法，论述彩色空间的表示方法，在分析和综合所有方法基础上，选取边缘检测和区域生长相结合的图像分割方法对彩色图像进行研究，分析、总结实验结果，提出彩色图像分割和处理技术的发展方向。
【关键词】彩色图像分割边缘检测区域生长一、引言图像在军事、医疗、工农业等领域应用十分广泛，彩图能提供更多样准确的信息，彩色图像处理在现阶段备受关注，如何有效的分割处理彩色图像成为现阶段分析图像分析的关键。
灰度图像分割技术发展相对成熟，可在灰度图像分析处理的基础上完善彩色图像分割方法。
图像分割是指按照一定的规则、约束将目标图像分割成多个互不相交的区域，使相同特征在同一区域表现一致性，在不同区域表现明显的差异性[1]。
光学模拟、电学模拟、数字图像是图像处理技术发展较成熟的技术。
图像分割技术中典型的有基于区域的图像分割、基于边缘检测的分割和基于神经网络的分割方法等，综合考虑彩色图像的特点和现阶段图像分割技术的优缺点，本文最终决定采用边缘检测和区域生长技术处理彩色图像。
使用边缘检测技术可以快速、准确地找到目标图像的边缘，并通过边缘确定区域内的灰度或颜色信息，从而达到对图像的快速分割[2]。
使用区域生长技术去除边缘检测技术中存在的毛刺和虚假边缘，提供更准确，清晰的封闭图像。
本文分析了图像边缘检测和区域生长的优缺点，将二者巧妙、有效的结合，完成了彩色图像的分割处理。
二、常用图像分割方法图像分割人员在进行图像处理时，根据图像特点和具体问题采用不同的分割方法，常用彩色图像分割方法有直方图阈值法、特征空间聚类、基于区域的方法，基于边缘检测、基于模糊理论的方法和基于神经元网络方法等，彩色图像分割中经常会使用到RGB、YIQ、YUV、I1I2I3、HSI、Nrgb、CIE（L* a* b*）、CIE（L* u* v*）等彩色空间。
基于不确定性增强的RGB-IR双波段图像语义分割算法
基于不确定性增强的RGB-IR双波段图像语义分割算法作者：***来源：《计算机时代》2023年第12期摘要：語义分割广泛应用于机器人、医学成像和自动驾驶等领域，但当前语义分割主要针对可见光图像。
可见光图像在光照不足或天气差的情况下成像效果较差，而红外图像受光照影响较小。
因此，将可见光图像和红外图像联合使用可以提升模型的鲁棒性。
通过预测前景轮廓的不确定性并将其作为注意力机制，可以有效地提高模型在前景物体和边缘轮廓部分的分割能力。
本文模型在公开数据库上取得了57.2的分割精度，综合性能优秀。
关键词：语义分割；不确定性；注意力机制；红外图像中图分类号：TP391.4 文献标识码：A 文章编号：1006-8228（2023）12-44-05Semantic segmentation algorithm for RGB-IR dual-band imagesbased on uncertainty enhancementChen Dinglv（School of Informatics Science and Technology， Zhejiang Sci-Tech University，Hangzhou， Zhejiang 310018， China）Abstract： Semantic segmentation is widely used in robotics， medical imaging， autonomous driving and other fields. However， the existing methods mainly focus on visible （RGB） images which have low quality under insufficient illumination or bad weather conditions. The infrared （IR） images are less affected by such situations. Therefore， the combination of RGB and IR images can improve the robustness of the model. By predicting the uncertainty of the foreground edge and using it as an attention mechanism， the model's segmentation ability in the foreground object and edge parts can be effectively improved. The proposed model achieves a segmentation accuracy of 57.2 on a public dataset with excellent comprehensive performance.Key words： semantic segmentation; uncertainty; attention mechanism; IR image0 引言语义分割是计算机视觉领域的基础视觉任务。
颜色恒常性在图像增强中的作用调研报告
颜色恒常性在图像增强中的作用调研报告-----杨杰一：背景与重要意义颜色恒常性是指不因外界环境变化而保持对客体颜色知觉不变的心理倾向。
实验表明，人类视觉系统能够不管环境的光照颜色和亮度如何变化，轻松地识别出目标且在脑中实现对目标物体颜色的恢复。
人眼这种能够忽视光照颜色然后识别出彩色目标物体的特性被称为颜色恒常性(ColorConstancy)。
显然，如果计算机视觉也能够具有人眼的颜色恒常特性的话，在彩色物体目标识别方面的很多问题都会迎刃而解。
在计算机视觉领域，许多不同的课题，例如人机交互，颜色特征提取，彩色目标识别与检测等，都可以通过对这个特性的应用而取得不错的效果。
二：研究现状硕士、博士论文：1：徐一初，男，硕士研究方向：计算机应用技术南京理工大学论文题目：基于颜色恒常性的彩色目标检测研究2：鹿瑞，男，博士研究方向：计算机软件与理论北京交通大学论文题目：自然图像的颜色恒常性计算研究3：陈雾，男，硕士研究方向：模式识别与智能系统南京理工大学论文题目：基于Retinex理论的图像增强算法研究4：任波涛，男，硕士研究方向：计算机系统结构西安电子科技大学论文题目：自适应颜色恒常算法研究5：蔡珣，男，博士研究方向：计算机软件与理论山东大学论文题目：视频监控中的背景颜色恒常性算法研究6：高绍兵，男，硕士研究方向：生物医学工程电子科技大学论文题目：基于视觉生理机制的颜色恒常性模型及其在图像处理中的应用期刊论文：1：夏思宇，李久贤，夏良正东南大学自动控制系论文题目：基于色彩恒常性的彩色图像增强改进算法文献出处：南京航空航天大学学报2：黄开奇，吴镇扬，王桥东南大学无线电工程系论文题目：色彩恒常性在彩色图像增强中的应用文献出处：应用科学学报(2004年03期) 3：曹生现，李国英，王延红，郑丽婷东北电力大学自动化工程学院论文题目：数字图像颜色恒常性算法及应用文献出处：化工自动化及仪表(2013年04期) 4：蔡珣，孟祥旭，向辉山东大学计算机科学与技术学院人机交互与虚拟现实实验室论文题目：光照色调颜色恒常性算法研究文献出处：中国图像图形学报(2004年08期) 5：许超，赵秀双北京大学机器感知与智能教育部重点实验室论文题目：颜色恒常性算法研究文献出处：第四届全国信号和智能信息处理与应用学术会议论文集(2010年10月01日)6：蒙丰博，张新荣，李雪威天津大学计算机科学与技术学院论文题目：一种新的基于颜色恒常性的肤色分割算法文献出处：计算机工程与应用(2007年17期)7：白雪生，刘立峰，徐光清华大学计算机科学与技术系论文题目：基于颜色图直方图的监督颜色恒常性算法文献出处:清华大学学报(自然科学版)三：基于颜色恒常性在图像增强中的应用调研总结1：基于颜色恒常性的常用算法的总结国内提出的基于颜色恒常性的算法研究主要有以下几种：(1):基于Retinex理论的颜色恒常性算法，包括在其基础上提出的基于全局特征的Retinex 算法和基于局部特征的Retinex算法。
基于MATLAB的图像分割算法研究
摘要本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。
对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。
而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。
区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。
与此同时本文还分析了图像分割技术研究的方向。
关键词：图像处理图像分割AbstractThis article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time.Key words: image processing image segmentation operator目录（一般目录要求最多是三级目录，不要出现四级目录）第一章绪论 (1)1.1数字图像处理的基本特点 (1)1.1.1数字图像处理的信息大多是二维信息，处理信息量很大（三级标题有问题）1 1.1.2数字图像处理占用的频带较宽 (2)1.1.3数字图像中各个像素是不独立的，其相关性大 (2)1.1.4作合适的假定或附加新的测量 (2)1.1.5数字图像处理后的图像受人的因素影响较大 (2)1.2数字图像处理的优点 (2)1.2.1再现性好 (2)1.2.2处理精度高 (3)1.2.3适用面宽 (3)1.2.4灵活性高 (3)1.3数字图像处理的应用 (4)1.3.1航天和航空技术方面的应用 (4)1.3.2生物医学工程方面的应用 (5)1.3.3通信工程方面的应用 (5)1.3.4工业和工程方面的应用 (5)1.3.5军事公安方面的应用 (5)1.3.6文化艺术方面的应用 (6)1.4数字图像分割技术的发展概况 (6)1.4.1 基于分形的图像分割技术 (6)1.4.2 基于神经网络的图像分割技术 (7)1.5本文的主要流程图 (8)第二章数字图像处理的处理方式 (9)2.1图像变换 (9)2.2图像编码压缩 (9)2.3图像增强和复原 (9)2.4图像分割 (9)2.5图像描述 (10)2.6图像分类（识别） (10)第三章 MATLAB平台及其开发环境 (11)3.1.MATLAB的组成 (11)3.1.1MATLAB主要有以下几个部分 (11)a.数值计算功能 (12)b.符号计算功能 (12)c.数据分析功能 (12)d.动态仿真功能 (12)e.程序借口功能 (13)f.文字处理功能 (13)3.2MATLAB的特点 (13)3.2.1功能强大，可扩展性强 (13)3.2.2界面友好，编程效率高 (14)3.2.3图像功能，灵活且方便 (14)3.3MATLAB在图像处理中的应用 (14)第四章图像分割概念及算法研究 (16)4.1图像分割的基本概念 (16)4.1.1图像分割定义 (16)4.2边缘检测方法（4.1和4.2之间不是并行关系） (17)4.2.1边缘检测概述 (17)4.2.2边缘检测梯度算法 (19)a.梯度边缘检测算法基本步骤及流程图 (19)b.Robert算子 (20)c.Sobel算子 (21)d.Prewitt算子 (21)4.2.3拉普拉斯（Laplacian）算子 (22)4.2.4LoG(Laplacian-Gauss)算子 (24)4.2.5坎尼（Canny）算子 (25)4.3灰度阈值分割 (27)4.3.1阈值分割介绍 (28)a.阈值化分割原则 (28)b.阈值分割算法分类 (29)4.3.2全局阈值 (30)a.极小值点阈值 (31)b.最优阈值 (31)c.迭代阈值分割 (33)4.3.3动态阈值 (34)a.阈值插值 (35)b.水线阈值算法 (35)4.4区域分割 (37)4.4.1区域生长的基本原理、步骤及流程图 (37)4.4.2生长准则和过程 (40)a.灰度差准则 (40)b.灰度分布统计准则 (41)c.区域形状准则 (42)4.4.3分裂合并 (43)第五章总结 (45)5.1对于图像边缘检测的分析 (45)5.2对于图像阈值分割的分析 (45)5.3对于图像区域分割的分析 (46)5.4改进意见（改进可另外做为一章比如说某某算法等的若干改进等，不要放入总结一章中）（总结是对整篇文章的一个概述，应该是写比如得出些什么结论，一些算法间比较等相关问题。
基于机器学习的颜色图像分割算法研究
基于机器学习的颜色图像分割算法研究第一章：引言颜色图像分割是计算机视觉领域中的一个重要问题，其主要目的是将一个彩色图像划分成不同的区域，从而提取出图片中各种对象和区域的信息。
颜色图像分割在许多领域都有重要的应用，如医学图像分析、图像处理以及计算机视觉等。
在过去的几十年中，许多学者已经开发出了各种各样的图像分割算法，包括传统的阈值分割、边缘检测和区域生长等算法。
然而，传统的图像分割算法存在许多局限性，如对光照变化和噪声敏感性较高、对图像质量要求较高等。
因此，如何提高图像分割的准确性和稳定性成为计算机视觉领域中的一个重要课题。
近年来，随着机器学习技术的发展，机器学习的方法已经被广泛应用于图像分割领域。
机器学习技术能够从大量的数据中学习出图像的特征和模式，从而实现更加准确和稳定的图像分割。
本文将重点介绍基于机器学习的颜色图像分割算法的研究进展和应用。
第二章：基本原理2.1 颜色特征提取在颜色图像分割中，颜色特征是非常重要的特征之一。
颜色特征提取通常包括色调、饱和度和亮度等几个方面。
色调是指像素颜色的基本色彩。
饱和度是指像素颜色的纯度或鲜艳程度。
亮度是指像素颜色的明暗程度。
2.2 卷积神经网络卷积神经网络是一种广泛应用于图像识别和分类的深度学习神经网络模型。
卷积神经网络在处理图像时，能够从图像中提取出深层次的特征信息，从而实现对图像的高效识别和分类。
2.3 支持向量机支持向量机（SVM）是一种基于统计的机器学习算法，它能够通过学习一组正负样本数据，从而寻找出一个最优的分类超平面，从而实现对数据的分类。
第三章：基于机器学习的颜色图像分割算法3.1 基于卷积神经网络的颜色图像分割算法卷积神经网络能够从图像中提取出深度特征，这些特征能够有效地用于颜色图像分割。
基于卷积神经网络的颜色图像分割算法通常采用全卷积神经网络实现像素级别的分割。
在训练过程中，首先采用交叉熵误差作为损失函数，然后通过反向传播算法对神经网络进行优化。
基于视觉感知特性的彩色图像分割
ｙ 个 聚 类 中 心 。 Ｘ
现代计算 机图形 系统 可以产生 成千上 万种颜 色 ， 而好
的 视 觉 观 察 员 （ Ｃ Ｅ定 义 ） 能 对 在 最 大 亮 度 的 １ ０ ０ 由 Ｉ 只 ７０
种颜色做 出响应 ｌ 。人 眼 中的红 色视 锥 细胞 具 有很 小 的 ４ ］ 光谱敏感 度 ， 色视锥 细胞 具 有最 大敏 感 度 ， 然蓝 色视 绿 虽 锥细胞敏 感度 适 中 ， 与 绿 色视 锥 细 胞 敏感 度 更 为 相 近 但
域， 也可 以对应于多个 区域 。关 于 图像 分割 领域 的研究有
很多不同的技术 Ｌ ， ２ 大概可 以分为基于直方 图的 ， 于边 界 ］ 基
＊ 收 稿 日期 ：０ １ ８月 ９日， 回 日期 ：０ １年 ９月 盼盼 ， ， 常 女 硕士研究生 ， 研究方 向 ： 图像处理 ， 模式识别。黄继风 ， 博士 ， 教授 ， 硕士生导 师， 研究方 向： 模式识别 ， 数据挖掘 ，
彩色图像增强
彩色图像增强
对彩色的视觉感知是人类视觉系统的固有能力
彩色图像是一种矢量图像。
彩色图像增强技术可分成两大类 ：
• 将灰度图像变换/转化为彩色图像以提高人们 对图像内容的观察效率。
• 直接对彩色图像进行增强，同时考虑彩色矢 量的所有分量，但可对不同分量区别对待。
第4章 彩色图像增强
4.0 人的视觉特性（补充）
C rR + gG + bB
r+g+b=1
直接用RGB表示颜色，存在负的系数，导致
该色不能物理实现，再现颜色范围缩小。 CIE定
义了三种标准基色XYZ
4.1 三基色与色度图
标准基色XYZ(三个刺激量）
X 0.4902 R 0.3099G 0.1999 B
Y 0.1770 R 0.8123G 0.0107 B
三基色与三补色： 红的补色：蓝绿 绿的补色：品红 蓝的补色：黄 三基色光之和---白色 色与补色叠加为黑色。 相加混色法：由发光体发出的光相加而产生的
各种颜色， 相减混色法：先有白色光，然后从中减去某些 成份（吸收）得到各种颜色。
4.1 三基色与色度图
2. 色度图
人类描述彩色的三种基本特征量： 亮 度： 与物体的反射率成正比 色 调： 与光谱中光的波长相联系 饱和度： 与一定色调光的纯度有关 色调和饱和度合起来称为色度 彩色可用亮度和色度共同表示 人眼对于彩色的观察和处理是一种生理和心 理现象，其机理还没有完全搞清楚，对于彩色的 许多结论都是建立在实验基础之上的。
4.3 伪彩色增强
3. 频域滤波
根据图像中各区域的不同频率含量给区域赋 予不同的颜色 用低通、带通（或带阻）和高通滤波器滤波
基于视觉感知的图像增强技术研究
基于视觉感知的图像增强技术研究近年来，随着数字图像处理技术的不断发展和普及，图像增强技术成为了目前图像处理领域研究的热点之一。
而基于视觉感知的图像增强技术在这一领域中具有巨大的潜力和优势，逐渐成为研究的重点之一。
一、基于视觉感知的图像增强技术概述基于视觉感知的图像增强技术，是指在进行图像增强处理时，根据人眼视觉特性和对图像的感知方式，利用计算机算法进行优化处理的一类技术。
其主要目的是在保持图像细节和信息不失真的前提下，进一步增强图像的视觉效果，提高图像在视觉上的享受感和可读性。
二、基于视觉感知的图像增强技术的主要研究方向1、颜色增强技术颜色增强技术是基于视觉感知的图像增强技术中的重要方向之一。
该技术可以通过对图像的颜色分布进行优化处理，调整图像的饱和度、对比度、亮度等参数，在保持图像细节并且不失真的前提下，提高图像整体的视觉效果。
2、细节增强技术细节增强技术是指对图像中特定区域或者细节特征进行针对性的增强处理。
该技术可以通过对图像的局部特性进行优化处理，增强图像的锐度、边缘等细节特征，在保持图像整体平衡的前提下，提升图像的可读性和识别度。
3、超分辨率重建技术超分辨率重建技术是指在对图像进行放大处理时，通过对图像信息的重建，得到更为清晰精细的图像效果的技术。
该技术可以通过对图像信息进行插值、分析、修正等操作来达到增强图像细节和信息的目的。
三、基于视觉感知的图像增强技术的应用领域基于视觉感知的图像增强技术在许多领域中都有着广泛的应用。
例如在医疗领域，可以用于CT和MRI等医学图像的增强和识别；在民用领域中，可以用于图像的美化、印刷和数字展示等方面；在安防领域中，可以用于对清晰度差的监控图像进行增强，提高物品和人员的识别度；在工业应用领域中，可以用于对产品外观进行检测和优化等方面。
四、基于视觉感知的图像增强技术的发展趋势随着计算机视觉技术和深度学习技术的不断发展，基于视觉感知的图像增强技术也面临着新的发展机遇和挑战。
彩色图像特征空间变换的新算法及其应用
彩⾊图像特征空间变换的新算法及其应⽤彩⾊图像特征空间变换的新算法及其应⽤王守觉,孙 华,莫华毅(中科院半导体所神经⽹络实验室,北京912信箱,北京100083)摘 要: 本⽂提出了⼀种彩⾊图像特征空间变换算法.该算法基于⾼维形象⼏何与仿⽣信息学理论,根据⼈眼特性,利⽤彩⾊图像中彩⾊信息的变化进⾏特征空间变换,能够提取出不受光源影响的图像特征.在彩⾊图像⼈脸检测应⽤中,与常见的肤⾊分割⽅法不同,该算法不需对肤⾊建模,不对彩⾊图像进⾏⾮线性彩⾊空间变换,⽽是直接将彩⾊原图变换到特征空间,在特征空间中定位平均脸特征数据的最佳匹配点.本⽂最后将该算法应⽤于复杂光源彩⾊图像的⼈脸检测中,实验结果验证了算法的有效性和鲁棒性,具有明显的应⽤价值.关键词: 复杂光源;彩⾊图像;特征空间变换;⾼维形象⼏何与仿⽣信息学;⼈脸检测中图分类号: TP391 ⽂献标识码: A ⽂章编号: 037222112(2007)022*******A New Feature Space Transformation Algorithm inColor Image and I ts ApplicationW ANG Shou 2jue ,S UN Hua ,MO Hua 2yi(Laboratory o f Artificial Neural Networks ,Institute o f Semiconductor s ,Chinese Academy o f Sciences ,Beijing100083,China )Abstract : A new feature space transformation algorithm in color image is presented.Basing on high dimensional imaginal geometry and biomimetics informatics and taking advantage of variations in color information ,this new algorithm transforms the col 2or image into feature space and rectifies each feature value within its neighborhood.By using this method ,image feature without the effect of different light conditions can be obtained.In face detection application ,unlike traditional skin tune detection method ,the new method directly transforms the color image into feature space and locates the face position in feature space by face template feature matching.In this paper ,the application of this new method to face detection in complex light color images has also been dis 2cussed.According to experimental result ,it can be seen that the proposed method is very efficient and has significant value in appli 2cation.K ey words : complex light ;color image ;feature transformation ;high dimensional imaginal geometry and biomimetics infor 2matics ;face detection1 引⾔⼈类对颜⾊进⾏系统深⼊研究的历史可以追溯⾄1666年⽜顿提出⾊圆(color circle )的概念.随后的⼏百年来,研究⼈员发展了多种不同的彩⾊空间.理论上,从颜⾊感知的⾓度来分类,彩⾊空间分成如下三类:混合(mixture )型空间,按三种基⾊的⽐例合成颜⾊.例如,RG B ,C MY (K )和XY Z 等彩⾊空间;⾮线性亮度/⾊度(luma/chroma )型空间,⽤⼀个分量表⽰⾮⾊彩的感知,⽤两个独⽴的分量表⽰⾊彩的感知.当需要⿊⽩图像时,这样的系统⾮常⽅便.例如,L 3a 3b ,L 3u 3v ,Y UV 和YI Q 彩⾊空间;强度/饱和度/⾊调(intensity/saturation/hue )型空间,⽤饱和度和⾊度描述⾊彩的感知,可使颜⾊的解释更直观,⽽且对消除亮度的影响有⼀定作⽤.例如,HSI ,HS L ,HS V 和LCH 等彩⾊空间[1].多年来,⽤于彩⾊图像的⼈脸检测的传统⽅法把⾮线性彩⾊空间变换作为图像处理的第⼀步,其⽬的是使变换后的彩⾊分量完全独⽴于亮度分量,以消除亮度变化带来的⼲扰,⽽后在彩⾊分量⼦空间中应⽤肤⾊分割的⽅法检测⼈脸.彩⾊空间变换主要有Y CbCr 空间、Y UV 空间、TS L 空间等[2],然⽽有实验表明传统的彩⾊空间变换并不能达到所期望的⽬的[3].在此简单举⼀个例⼦,来说明传统彩⾊空间变换的过程和效果.图1中彩⾊原图上存在来⾃右上⽅的强烈光照,经过Y CbCr 空间变换,原图的Cb 、Cr 分量不同程度地受到了亮度变化的影响,尤其从Cr 分量图中可以清楚地看到强侧光在⾯部留下的光斑,⽽且强光影响到了头发的⾊调和形态,就是说经过⾮线性彩⾊空间变换,并没有得到两个独⽴于亮度分量的彩⾊分量,这样的结果势必对肤⾊分割⽅法的⼈脸检测效果产⽣坏的影响.在⼈脸检测实际应⽤中,可能需要处理受到多种光源条收稿⽇期:2006204201;修回⽇期:2006210210第2期2007年2⽉电⼦学报ACT A E LECTRONICA SINICA V ol.35 N o.2Feb. 2007件影响的图像,例如强侧光源照射的物体表⾯强烈的亮度变化会改变图像本⾝的灰度特征;有⾊光源照射会彻底改变物体的⾊调.另外图像背景中近似肤⾊的墙壁、⾐物等也会对检测⽬标造成⼲扰.在多种复杂光源情况下,上述传统的彩⾊空间变换由于与亮度相关⽽显现出⾃⾝的缺陷.仍以传统的彩⾊图像肤⾊分割(肤⾊检测)⽅法为例,该⽅法先对彩⾊原图进⾏彩⾊空间如Y CbCr 空间变换,然后采⽤肤⾊的⾼斯模型对图中每⼀点进⾏肤⾊判断,并进⾏肤⾊区域合并,最后对候选⼈脸区确认.肤⾊检测的优点是速度快,缺点是受光源影响⼤.例如在较强或较弱的光源尤其是强侧光源照射下,肤⾊模型的有效性会受到影响(如图2(a )所⽰);在近肤⾊背景下肤⾊分割可能会失败(如图2(b )所⽰);在有⾊光源的照射下,预先建⽴的肤⾊模型可能会完全失效,因为有⾊光源下⼈的肤⾊聚类将不再确定地落于⽩光源照射的肤⾊范围内,从⽽造成肤⾊检测失败(如图2(c )所⽰).由于上述原因,有⾊光源下肤⾊模型失效是所有传统彩⾊空间变换都不能解决的问题.⾼维形象⼏何与仿⽣信息学理论是近年来发展起来的崭新理论[4],其基本出发点是研究⼈类认识世界的思维⽅式,提出依据⼈类形象思维特点发展计算机算法,以⾼维空间⽮量(即⾼维空间的点)来表征计算机处理的数据信息,以⾼维空间点分布分析⽅法为研究数据信息空间的⽅法.本⽂的彩⾊图像特征空间变换算法基于⾼维形象⼏何与仿⽣信息学理论,分析问题的⾓度从⼈的视觉特性出发,在复杂光照条件下不仅能够应⽤于⼈脸检测⽽且能够应⽤于其他的彩⾊图像特征提取.本⽂的第⼆部分将对该⽅法进⾏详细阐述.第三部分是将该⽅法应⽤于复杂光照彩⾊图像的⼈脸检测,⽂章最后给出结论.2 彩⾊图像的特征空间变换⾸先引⼊符号表⽰图像分析中的变量.对于⼀幅N ×N (⾼宽)的彩⾊图像,每⼀个像素点都是⼀个三维⽮量(即红、绿、蓝三⾊分量).⽤⾊彩⽮量 P (x ,y )来表⽰第x ⾏,y 列的⼀个像素点的⾊彩,则⼀幅图像是⼀个由M ×N 个⽮量组成的⽮量场.彩⾊图像中,⾊调多是以⽚状区域变化的,即⼀个⼩范围内的⾊调近似为不变,且⾊调的动态范围较窄,⽽亮度的变化是影响到每个像素的,尤其是在侧光情况下,亮度的动态范围很⼤.所以在强侧光源下拍摄⼀幅图像,其亮度的变化要⽐⾊调变化强烈得多.研究表明,⼈眼对于⾊调变化的敏感度远远低于对亮度变化的敏感度.基于此,本⽂的算法以像素的全部⾊彩信息变化为研究对象,以⾊彩⽮量间的统计量变化作为测度.彩⾊图像特征空间变换分两步:初次特征空间变换和⼆次变换.211 初次特征空间变换传统图像处理中对于灰度图,为突出图像细节常⽤的空域处理⽅法是梯度法.根据场论理论,如果给定⼀个函数f(x ,y ),在坐标(x ,y )上的梯度可以定义为⼀个⽮量,grad[f (x ,y )]=9f 9x 9f 9y(1)灰度图上经常使⽤的是标量函数G[f (x ,y )]即梯度的模来代表梯度[5],G[f (x ,y )]=max {grad[f (x ,y )]}=9f 9x 2+9f9y22(2)数字图像处理中,.初次特征空间变换的⽬的是为了计算⾊彩⽮量的梯度.在⼀个邻域内(本⽂取3×3)以标量函数A [f (x ,y )]来计算中⼼点的⾊彩⽮量梯度:A [f (x ,y )]=max {f 1(P (x ,y ),P (x +i ,y +j ))|i =-1,0,1;j =-1,0,1;}(3)式中P (x ,y )是坐标(x ,y )上的⾊彩⽮量,函数f 1(P (x ,y ),P (x +i ,y +j ))表征了两个⾊彩⽮量距离[6].⽤Bd (x ,y )表⽰彩⾊原图经过初次特征空间变换后在特征空间中得到的⼀个⼆维特征变量,每⼀个特征值都代表了坐标(x ,y )上的⾊彩⽮量梯度.212 ⼆次变换在图像处理中邻域内各像素点⾊彩的变化往往蕴含着图形特征,所以要对前⾯的⼆维特征变量Bd (x ,y )进⾏进⼀步处理,即⼆次变换.以Bd (x ,y )为中⼼,其邻域内的n 2-1个特征值呈环形分布.r 表⽰环的序号,同⼀环内的特征值取相同的权值w r ,邻域范围取n =5.另以Rtf (x ,y )表⽰⼀个新的⼆维特征变量,第i ⾏第j 列位置的新特征值计算公式如下:Rtf (i ,j )=∑n-1r =1sum -ring (r )(i ,j )8r+Bd (i ,j )(4)491 电⼦学报2007年式(2)中的sum -ring (r )(i ,j )表⽰第r 个环形区域特征值加权和,⽤式(5)计算:sum -ring (r )(i ,j )=∑i+rk =i -r ∑j+rl =j-r(w rBd (k ,l )1.2213 彩⾊图像特征空间变换的效果为了对特征空间变换中经过两次变换得到的两个⼆维特征变量有⼀些感性认识,我们把Bd (x ,y ),Rtf (x ,y )的所代表的特征值赋以灰度意义,并进⾏线性运算,使之在可视灰度范围内,得到图3.由图3第⼀组图可见,强侧光的影响在修正后的特征图像中已经完全看不到了.第⼆组的原图是⼀张被Photoshop ⾊彩修正过的图像,相当于加⼊了有⾊光源,其有⾊光源的影响在特征空间变换后完全消失.3 特征空间变换在彩⾊图像⼈脸检测中的应⽤将本⽂提出的新的特征空间变换算法应⽤于彩⾊图像中的⼈脸检测,其流程图如图4:对于⼀幅彩⾊图像⾸先进⾏两次特征空间变换,得到特征空间中全图像的特征数据,同样对彩⾊⼈脸平均模板进⾏特征空间变换,以提取脸模板特征数据,在特征空间中以匹配⽅法求得与⼈脸特征数据距离⼩于阈值的区域即为⼈脸位置.图5中是应⽤本⽂算法在本⽂作者实验室⾃拍和从互联⽹下载的⼀些彩⾊图⽚中⼈脸定位的结果,这些图⽚中有强侧光、有⾊光源等复杂光照和图像背景接近肤⾊的特点,⽤传统的肤⾊分割⽅法或是灰度图上的模板匹配⽅法不能很好解决这些图⽚中⼈脸定位问题.4 结论本⽂提出了⼀种在彩⾊图像特征空间变换算法.该算法基于⾼维形象⼏何与仿⽣信息学理论,依据⼈眼对彩⾊细节的分辨⼒远⽐对亮度细节的分辨⼒低这⼀特性,以彩⾊图像中彩⾊信息变化为研究对象,进⾏特征空间变换,提取出不受光源影响的图像特征.在详细阐述了本算法的理论计算⽅法后,通过复杂光照的彩⾊图像⼈脸检测中的应⽤,实验结果清楚地显⽰了本算法对光源的强弱、⽅向性及是否为有⾊光源等⽅⾯具有良好的鲁棒性.在⼈脸检测应⽤中,有基于彩⾊图像的⽅法和基于纯灰度图像的两类⽅法.彩⾊图像中常见的肤⾊分割算法对有⾊光源可能完全失效;纯灰度图像的⼈脸检测⽅法注重图像纹理⽽忽略了肤⾊信息,并且灰度特征对光线变化极为敏感,在强侧光条件下针对灰度图的⼈脸检测算法容易产⽣⼈脸的误检、漏检.本⽂算法以彩⾊信息变化作为研究对象,既利⽤了⾊彩信息,避免了有⾊光源和侧光的影响⼜充分利⽤了图像纹理特征,故在复杂光照下其⼈脸定位效果良好.由于本⽂提出的算法是基于彩⾊信息变化的特征变换,可以理解为算法本⾝只与彩⾊信息的动态属性有关⽽与彩⾊591第 2 期王守觉:彩⾊图像特征空间变换的新算法及其应⽤信息本⾝的静态属性⽆关,所以该算法不仅可以应⽤于彩⾊图像的⼈脸检测,还可以⽤于其他任何类型的彩⾊图像的特征提取,模式识别等领域.尤其在提取有⾊光源和强光、侧光的复杂光源彩⾊图像的纹理特征应⽤上能够起到其他彩⾊空间变换⽅法⽆法企及的作⽤.参考⽂献:[1]林福宗.多媒体技术基础[M].北京:清华⼤学出版社,2002.9.[2]曲延锋.复杂背景下⼈脸检测与仿⽣模式⼈脸识别的神经⽹络⽅法研究[D].北京:中国科学院研究⽣院博⼠学位论⽂,2003.6.QU Yan2feng.Face detection in complex background and face recognition based on biomimetic neural network pattern recogni2 tion,doctoral dissertation[D].Graduate University of the Chi2 nese Academy of Sciences,2003.6.(in Chinese)[3]R L Hsu,M Abdel2Mottaleb,A K Jain.Face detection in colorimages[J].IEEE Trans Patt Anal Mach Intell,2002,24(5):696 -706.[4]王守觉,王柏南.⼈⼯神经⽹络的多维空间⼏何分析及其理论[J].电⼦学报,2002,30(1):1-4.WANG Shou2jue,WANG Bai2nan.Analysis and theory of high dimensional space geometry for artificial neural networks[J].Acta Electronica Sinica,2002,30(1):1-4.(in Chinese) [5]阮秋琦.数字图像处理学[M].北京:电⼦⼯业出版社,2001.1.[6]王守觉,孙华.⼀种基于⽮量关系运算的⼈脸检测算法[J].微计算机信息,2006,10(1):294-296.[7]王守觉,曲延峰,李卫军,覃鸿.基于仿⽣模式识别与传统模式识别的⼈脸识别效果⽐较研究[J],电⼦学报,2004, 32(7):1057-1061.WANG Shou2jue,QU Yan2feng,et al.Face recognition: Biomimetic pattern recognition vs.traditional pattern recognition[J].Acta Electronica Sinica,2004,32(7):1057-1061.(in Chinese)作者简介:王守觉 历任中国科学院半导体研究所室主任、副所长、所长等职,1980年当选中国科学院院⼠,现为半导体神经⽹络实验室负责⼈.是我国半导体器件与微电⼦奠基⼈之⼀,为研究解决我国发展两弹⼀星所需⾼速计算机的半导体器件与集成电路作出过重要贡献.在国家“⼋五”、“九五”科技攻关中,承担了半导体神经⽹络的实现和应⽤技术的攻关⼯作,研制了我国最早可商品化的神经计算机CASS ANN2I、CASS ANN2II等,提出了新的“仿⽣模式识别”理论和“⾼维形象⼏何仿⽣信息学”⽅法,取得优越的效果,为模式识别和信息处理等开辟了⼀个崭新的理论与实现的新途径.任中国神经⽹络委员会主席,北京电⼦学会副理事长,《电⼦学报》和《C J E》主编,中国计算机学会CAD与图形学专业委员会名誉主任.孙 华 ⼥,1973年出⽣于北京,1993年进⼊中国科学院半导体研究所⼯作,现为中国科学院半导体研究所⼯程师,在职硕⼠研究⽣.主要从事图像处理,智能信息处理,机器形象思维等研究.E2mail:************.cn莫华毅 男,1978年⽣于⼴西,2000年毕业于清华⼤学电⼦⼯程系,现为中科院半导体所神经⽹络实验室博⼠研究⽣.主要从事彩⾊图像处理,⼈脸识别等研究.E2mail:m ohuayi@sem /doc/b36f81070740be1e650e9a71.html 691 电⼦学报2007年。
改进的FCM算法在彩色图像分割中应用研究
, ω ,...ω ) ，在 FCM 算法中，我们使用 (ω
1 2 p
(
) = µ (X )
并且
∑µ
i =1
c
ij
= 1 ， j = 1, 2,...n 。在此种情况下，模糊集 µi ， i = 1, 2,...c 构成了 X 的 c 个模糊部
分， µij 代表了数据点 X j 属于类 i 的程度。 使得目标函数 J FCM 算法是一个迭代的算法， 在必要条件 ( µ , V ) 下，
X 1 , X 2 ,... X n 为来自总体 X 的 i .i .d（independent and identically distributed）独立同分布的
一组样本，其分布函数为 F ( x ) ， F ( x ) 未知。设 R = R ( X , F ) 是在总体分布中预先选定 设 Fn 为 F ( x ) 的经验分布函数。 记 X 1 , X 2 ,..., X n 为从 Fn 的随机变量， 它是 X 和 F 的函数；
n
µ ij =
(d ) ∑ (d )
2 ij −1 c k =1 2 kj
(m − 1 )
−1
(m − 1 )
,
vi =, u
m ik
∑
i = 1, 2 , . . . , c
(3)
k =1
如果 ∃i, k ，使得 dik = 0 ，则有 µik = 1 ，且对 j ≠ k ,
2．改进的 FCM 算法简介
改进的 FCM 算法的主要就是将一种自举的统计方法引入到 FCM 算法中，确定算法中 的加权系数。下面就围绕 FCM 算法与自举统计方法进行详细论述。
2.1 FCM 算法简介
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
天津大学博士学位论文基于感知的彩色图像增强和分割算法研究Research on Color Image Enhancement and Segmentation Algorithm Based on HumanPerception学科专业：计算机应用技术研 究 生：李雪威指导教师：何丕廉 张新荣 教授天津大学计算机科学与技术学院二零零九年一月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。
特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。
同意学校向国家有关部门或机构送交论文的复印件和磁盘。
（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日中文摘要图像增强和图像分割是图像处理、图像理解的重要基础。
彩色图像增强和分割算法由于比灰度图像的算法融合了更多的图像信息，因此更准确。
通过彩色图像增强，可以使彩色细节更加突出，颜色更加鲜艳生动。
彩色图像增强在通讯以及多媒体方面有着很高的应用价值。
彩色图像分割被广泛应用于视频编码、人脸检测和识别、基于内容的图像检索等。
人眼对颜色信息和图像的感知特性对彩色图像增强和分割过程是非常重要的。
本文主要研究的是将颜色科学中的颜色技术理论、人眼视觉特性和人眼主观感知引入到彩色图像增强和分割的算法当中，以期得到与人眼更为一致的处理结果。
本文的主要创新工作如下：1．分析了现有的利用色貌模型来对图像进行对比度增强的方法，针对CIE CAM02不能准确预测图像属性以及iCAM对图像增强存在色适应过度的问题，提出了将CIECAM02和iCAM结合用于彩色图像增强的新方法，本方法可以得到与人眼感知更为一致的图像属性，并在一定程度上减轻色适应过度的问题。
2．提出三种新的符合人眼视觉特性的象素相似性度量函数，可以有效的区分噪声以及人眼可感知的细节、纹理等信息，克服了现有双边滤波器中象素相似性函数不能有效保持较弱边缘和细节的缺点。
在新的象素相似性度量函数的基础上，提出了一种新的基于感知模型的多通道彩色图像双边滤波器。
本方法将输入图像用符合人眼视觉特性的颜色模型进行表示，并利用感知模型自动地确定彩色图像亮度和色度通道的高斯空间滤波器，可以有效避免现有双边滤波算法针对RGB三分量分别进行处理，会发生颜色偏移的不足。
此算法参数少且设置简单，可以在平滑图像的同时，更完整地保持图像中人眼视觉可感知的边缘与图像的细节。
3．本文针对传统的彩色图像边缘检测算法，误检和漏检边缘较多的情况，结合人眼视觉特性提出了一种新的彩色图像边缘检测算法。
本算法通过双边滤波去掉微小细节以及噪声，并保持边缘纹理等信息不变，可以减少误检并避免边缘位置偏移；通过色貌增强算法突出图像中人眼感兴趣的细节等信息，减少漏检；通过分别对亮度和色度通道设计边缘检测的梯度模板，可以进一步减少彩色细节的误检；通过对梯度图像进行非极大抑制，利用双阈值策略提取边缘，可以使边缘定位更加准确。
4．本文分析了现有的融合颜色信息和空间邻接关系的彩色图像分割算法，针对现有的区域生长算法存在的种子点选取不准确以及速度慢的问题，提出了一种新的基于连通标记的彩色图像快速分割算法。
本算法分为初始分割和区域合并两个步骤。
利用邻接象素的颜色相似性采用连通标记法可以完成图像的快速初始分割；融合初始分割区域的颜色信息、空间上的邻接关系信息完成了区域合并。
本文算法和传统的区域生长法相比，既不用进行颜色量化，也不用事先扫描图像确定种子点，区域合并的规则简单有效，实现速度快。
5．分析了现有的彩色图像分割算法，针对现有算法忽视的人眼视觉模糊机制、感知图像色貌和颜色空间的选择对分割算法的影响等三个问题，提出了一个基于视觉感知的图像分割框架。
此框架利用人眼视觉灵敏度函数模仿人眼的视觉模糊机制，能有效处理有空间频率变化的图像；使用CIE CAM02来预测复杂观察条件下的图像色貌；最后应用不同的色差公式实现基于颜色相似性的区域分割算法。
实验结果证明本文框架可以产生比传统算法更适合于人眼感知的分割结果。
关键词：图像增强图像分割视觉特性感知模型双边滤波边缘检测ABSTRACTImage enhancement and image segmentation are the important procedures of image processing and image understanding. In general, the approaches that utilize color information will get more accurate results than those methods only uses gray informatin. By using image enhancement methods, the details of input image will be more strenthened and the color will be more vividly. Image enhancement techniques for color image have important application value in modern communication and multimedia etc. Color image segmentation methods have been widely used in video coding, human face detection and recognition, and content based image retrieval. The human perceptive characteristics on color and image apperance are very important to image enhancement and image segmentation. The main research of this paper is trying to get the more similar results by using the color technology theory of color science, human visual characteristics and human perception in color image enhancement and image segmentation.The main contribution of this paper is as follows:1. This paper analyzed the existing contrast enhancement methods that based on color appearance model. CIECAM02 can not predict the image apperance and iCAM has the immoderate color adatation. This paper presented a new color image enhancement algorithm by integrating color appearance model and image appearance model, to predict the image perceptual attributes that more similar with human eyes. And the proposed method can get the more accurate reference white estimating.2. This paper provides three pixel similartity measure functions which accords with human visual characteristics. Noise, perceptual detail and texture can be effectively distinguished by using those measure functions. The new functions can avoid the bad response to weak edges and detail preserving of traditional bilateral filter. Then a novel Perceptual Model based Multichannel Bilateral Filtering algorithm(PM-MBF) for color image is proposed based on pixel similartity measure function. First, the algorithm transform the input RGB image to another color space that is more fit for human visual characteristic, further, the Gaussian spacial filters for lightness and chroma channel are decided automatically by perceptual model; at last PM-MBF is realized by the defined pixel similartity measure function, The algorithm can preserve more weak edges, textures and details, specially it can keep the real color transition region, while suppress the noise. In additional, it avoided the color shift that。