船载嵌入式网络视频监控图像模糊细节增强系统

船载嵌入式网络的普及应用,为船舶及其航行环境视频监控提供了有力支撑,为船舶航行决策制定提供了大量的图像数据。由于天气环境、设备振动等多种因素的影响,致使图像细节缺失,制约着视频监控图像的应用,提出船载嵌入式网络视频监控图像模糊细节增强系统设计。通过动态范围拉伸模式预处理视频监控图像,以此为基础,基于模糊集理论计算视频监控图像细节模糊熵,利用遗传算法确定最佳模糊参数,计算扩散系数,将其与视频监控图像模糊梯度场进行结合,应用变分法求解修正隶属度函数,通过逆变换将视频监控图像从模糊域转换到灰度域,即可获得细节增强后的船载嵌入式网络视频监控图像。实验数据显示,应用设计系统获得的增强视频监控图像信息熵最大值为9.45,充分证实了设计系统细节增强效果更佳。     

基于"3S"的大型水上桥梁识别系统

目标识别长期以来一直是图像处理研究的热点之一,在军事和民事方面有重要的应用.文中基于大型桥梁的先验知识,研究了通过水域的纹理特征来检出水域的方法,再应用"3S集成技术",通过数字高程模型(DEM)检出桥梁域,从而提供了对大型水上桥梁识别的一种新方法.     

雾天环境下的舰船图像增强算法研究

为了提高雾天环境下的舰船图像质量,提出一种形态滤波算法和小波变换的雾天环境下舰船图像增强算法。首先采集雾天环境下的舰船图像,并对图像进行形态滤波操作,去掉舰船图像中的噪声,将舰船图像的重要信息保留下来,然后采用小波变换对2幅舰船图像分别进行分解,并对它们进行融合和增强,消除雾天环境对舰船图像的干扰,得到更加清晰的舰船图像,最后与其他算法进行舰船图像增强仿真实验,仿真实验表明本文算法的舰船图像信噪比要高于对比算法,可以对雾天环境中的不利因素进行有效的抑制,得到的舰船图像的视觉效果十分理想,解决了当前雾天环境下舰船图像增强中的难题。     

图像滤波处理技术在海洋调查图像处理中的应用

对海洋工程的图像进行去噪、增强以及边缘提取等深层次处理,可提高信息的利用率.针对传统方法的欠缺和不足,利用图像变换获得的时频域特性与多分辨分析.讨论图像滤波处理在图像去噪、增强、边缘提取方面的应用,并给出实验结果.     

基于Contourlet变换和多尺度Rentinex的水下图像增强算法

  目的  水下图像是水下视觉感知技术领域应用的基础,由于水对光的吸收以及水中颗粒对光的散射作用,使水下图像具有对比度低、边缘模糊等特点,导致图像质量下降。为此,提出一种削弱水介质对水下图像影响的图像增强算法。  方法  首先,研究了水下成像数学模型,并且依据Lambert-Beer定律推导出了未退化的图像数学模型。其次,利用红色暗通道先验（RDCP）理论得到未退化图像模型中的红色暗通道透射率图像,并通过引导滤波算法对该图像进行滤波细化处理,获得了对比度比较高的未退化图像。然后,针对去模糊后水下图像对比度仍然不理想的情况,采用对比度受限直方图均衡化算法（CLAHE）提升水下图像对比度。  结果  基于常用图像评价标准,通过实验评价了本文算法的有效性,  结论  本文算法能够显著提升水下图像信息熵、对比度和平均梯度,更能凸显图片信息的细节特征。     

一种基于第二代curvelet变换的含噪图像增强算法

提出了一种基于第二代curvelet变换的图像增强算法.该算法结合NeighShrink去噪方法.适当的调整eurvelet的系数,在去噪的同时达到增强的效果.不同增强方法的比较试验表明,该算法是图像增强的有效方法.     

基于模糊理论的路面裂缝图像增强方法

在获取路面图像中，由于背景光照不均匀以及存在着一些路面噪声，给后来的图像分割及识别带来了一些困难。提出了一种基于模糊理论的图像增强方法，用来消除背景光照不均匀，并通过实验验证了该算法。实验结果证明了该算法对消除图像不均匀的有效性。     

基于放大曲波基的方向性超分辨率图像重构技术

为解决传统图像放大算法边界视觉效果不佳的问题,提出基于二代曲波变换的方向性超分辨率图像重构算法.对图像进行j层曲波分解,利用不同尺度上曲波基的空间比例关系获得放大图像j层分解系数,通过最外层曲波基空间模型可构建(j+1)层放大图像的曲波分解系数,采用新的非线性函数对全部曲波系数进行增强处理,根据曲波分解的方向性,最终可通过曲波重构获得边缘特征较好的放大图像.实验结果表明,基于曲波方向性图像放大算法,可以较好地保留原图的几何特征,增强边缘清晰度;将两幅典型图像放大后的峰值信噪比与经典方法(差值算法)比较分别提升了2.2及0.6 dB.     

低可见度环境下基于同步定位与构图的无人驾驶汽车定位算法

为在大范围低可见度环境下实现无人驾驶汽车的高精度定位,基于VINS-Mono算法的系统框架,在系统的前端与后端分别增添了RFAST弱光图像增强模块与VG融合定位模块,提出了一种融合定位算法LVG_SLAM; RFAST弱光图像增强模块采用小波变换将原始输入图像的细节信息与亮度信息分离,对于包含原始图像噪声的细节信息通过统一阈值和均值滤波2种方式实现噪声抑制,并利用双边纹理滤波算法进行细节增强,在此基础上,根据多尺度Retinex算法增强图像的对比度,提高低可见度环境下角点提取的成功率,从而保证图像跟踪的稳定性,改善定位算法的鲁棒性; 基于无迹卡尔曼滤波算法,VG融合定位模块将GNSS定位信息与惯性导航测量信息进行松耦合,融合定位结果作为约束引入VI-SLAM后端,通过联合非线性优化的方式减少累积误差对算法定位精度的影响。计算结果表明：相较于VINS-Mono算法,改进的LVG_SLAM融合定位算法在EuRoC与Kitti公开数据集上表现更加出色,均方根误差分别降低了38.76%与58.39%,运动轨迹更贴近真实轨迹; 在实际夜晚道路场景下,LVG_SLAM算法将定位误差控制在一定范围内,顺利检测到闭环使得定位表现得到大幅改善,均方根误差、平均误差、最大误差、中位数误差分别降低了79.61%、82.50%、71.31%、83.77%,与VINS-Mono算法相比,在定位精度与鲁棒性方面具有明显的优势。     

一种基于高斯函数的直方图规定化算法

提出一种基于高斯函数的直方图规定化算法，本算法首先根据原图像的信息求出灰度平均值和灰度平均对比度，并利用这两个参数估计输出图像的灰度平均值和灰度平均对比度，然后利用输出图像的灰度平均值和灰度平均对比度构成高斯函数来规定输出图像的直方图，从而控制输出图像的灰度平均值和灰度平均对比度。此算法处理效果明显优于直方图均衡化算法，而且计算量小、处理速度快、不需要人工干预，可用于计算资源有限、实时性要求较高的场合。而且通过改变单一参量就可以控制输出图像的对比度，在工程应用中为用户提供了调控与选择手段。