基于粒子群算法的图像增强.ppt

基于粒子群算法的图像增强 传统的图像增强技术主要分为三大类：空域法，频域法和模糊处理方法。 空域法主要是对图像中的各个像素点进行操作，包括直方图均衡化，边缘提取等。但这类方法的普适性较差。 频域法是图像的某个变换域内对图像进行操作，修改变换后的系数，例如傅立叶变换，DCT变换等的系数,然后再进行反变换得到处理后的图像。这类方法的计算量较大，并且变换的参数选取需要较多的人工干预。 模糊处理方法的过程是，先对图像进行模糊化映射，得到特征平面上的模糊图像数据，然后对该图像数据进行相应处理，最后进行逆映射，达到特征增强的效果。这种方法比较符合人的视觉习惯，但需要人工干预来确定参数。 可见，传统的图像增强方法，多数方法的智能性和自适应性较差，需要较多的人工介入，大大限制了其应用范围 基于粒子群算法的图像增强 因此,本次毕业设计基于对非完全Beta函数的研究，得到了能根据图像本身的特性,自动调节灰度变换的图像自适应增强算法. (1)归一化的灰度变换函数--非完全Beta函数 对比度增强是图像增强的一种有效方法。为了增强图像，传统的方法是采取相应的变换函数进行灰度变换。例如，对较亮或较暗的图像，可以对中间区域进行拉伸而对两端进行压缩，设计相应变换函数即可，常用的变换函数有4类，如图1所示 烧伤病人的治疗通常是取烧伤病人的健康皮肤进行自体移植，但对于大面积烧伤病人来讲，健康皮肤很有限，请同学们想一想如何来治疗该病人 基于粒子群算法的图像增强 图像增强的原理 图像增强的方法 图像增强的应用 粒子群研究的内容 粒子群的算法思想 粒子群算法的改进研究 粒子群研究展望 图像增强 粒子群算法 图像增强 图像增强算法 图像增强，即有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。因此图像增强的研究具有重要的理论价值和现实意义。 图像增强 图1 原始图像 图2 增强后的图像 图3原始的灰度直方图 图4增强后后的灰度直方图 图像增强算法 用matlab实现图像对比度增强算法 图像对比度增强---增强图象中的有用信息，它可以是一个失真的过程，其目的是要增强视觉效果。将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。 图像增强按所用方法可分成频率域法和空间域法。 前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。 图像增强算法 基于小波变换的低对比度图像增强 （1）针对传统算法存在噪声过增强的问题，提出了基于小波分析的图像增强算法。在小波变换多尺度分析的基础上，算法对图像多尺度分解得到的小波系数进行缩减去噪，然后在不同尺度上对各分解系数进行不同程度的增强； （2）对同一尺度的系数进行非线性处理以增加对比度； （3）增强低频子带图像的对比度以保证整体的增强效果，实验表明，该算法能有效地增强低对比度图像，减小了噪声的增强幅度，使结果图像具有很好的视觉效果。 图像增强算法 实验结果表明．该方法在去除噪声同时并使图像的整体对比度得到明显的改善，又能突出图像中目标的细节部分信息．有效增强了图像的视觉效果。 空域中基于低对比度图像增强方法Enhancement of low contrast image in spatial domain 针对低对比度偏暗并带有噪声的图像，结合人眼的视觉感知特性，提出了一种图像增强的新方法。 首先在空域进行中值滤波去噪处理，然后对图像进行分块，对背景的亮度进行粗略估计．并用插值算法平滑数据．最后校正图像的不均匀性并将像素值调整到整个灰度级实现图像的增强。 图像增强算法 微光图像实时对比度增强处理 对比度低是微光图像主要特征之一，对比度扩展是微光图像增强处理的重要技术手段。 在分析不同照度下微光图像直方图分布的基础上，建立专门的灰度变换函数，并完成硬件电路的设计与调试，实现微光图像的实时处理。 该方法可直接应用于微光电视系统，能够显著地提高微光图像质量。 图像增强算法 基于模糊逻辑的雾天降质图像对比度增强算法 Contrast enhancement algorithm for fog-degraded image