论文部分内容阅读
图像增强技术是保证图像特征提取与模式识别的重要预处理步骤。随着现代计算机技术的不断发展，数字图像增强技术从统计分析到数学模型建立等都得到了深入的研究和广泛的应用，但这类基于统计的方法无法同人类视觉系统的感知效率相提并论。因此，对人类视觉系统特性的关注和研究以及如何模拟人类视觉感知特性并将其有效的应用于机器视觉领域中的研究不仅有利于人类更进一步的认识生物视觉系统的生理机理，而且有助于人类研制出高效精准的机器视觉系统。 本论文归纳和总结了图像增强技术和图像去雾技术。首先针对图像增强技术，本论文介绍了几种基础的图像增强方法：图像对比度处理、直方图调整、噪声去除、图像锐化，这四种方法对后来的图像增强技术都有着重要的启发作用。同时还介绍了基于Retinex的图像增强算法，该类算法同本论文将要提出的算法一样，都是基于生物视觉特性的仿生图像增强算法，并被用于论文的对比实验中。然后针对图像去雾技术，本论文将现有的技术分为了基于物理模型的图像去雾方法和基于非物理模型的图像去雾方法，分别介绍了这两类方法中的典型去雾算法，尤其介绍了经典的基于暗原色单幅图像去雾方法(SingleImageHazeRernovalusingDarkChannelPrior)的原理，并给出其实验结果，最后分析各种方法的优缺点。通过对图像增强方法的综述和对图像去雾方法的归纳总结证明，图像增强技术和图像去雾技术对人类观察图像能力的提高和对图像分析都大有裨益，同时该领域仍然欠缺具有较强的自适应能力、较高的鲁棒性和较为实用的图像增强算法和图像去雾方法。 本论文基于人类视觉中存在的亮度自适应特性和视网膜神经元感受野非经典侧抑制特性，在前期工作的基础上提出了一种新的自适应仿生图像增强算法(LDRF算法)。LDRF算法首先建立参数对数模型对图像全局亮度进行自适应调整，然后采用三高斯动态滤波进行局部细节增强，引入Wallis算子建立增益因子模型，使局部细节增强具有自适应性，最后通过线性变换恢复图像彩色信息。在大量图像上采用对比实验，将本文的算法同MSRCR、文献[30]中的算法进行对比，实验证明：LDRF算法能够避免过增强现象，并且针对不同大小、不同内容的图像能够自适应地进行图像增强，取得了较好的效果，提高了仿生图像增强算法的实用性。 本论文在上述自适应仿生图像增强算法(LDRF算法)的基础上，进一步研究分析提出了一种基于视网膜神经元感受野非经典侧抑制特性三高斯模型的单幅图像去雾增强算法，该方法首先对大雾图像提出限制对比度的全局直方图均衡化处理，然后通过基于视网膜神经元感受野非经典侧抑制特性的局部三高斯细节增强模型来增加图像的深度信息。最后采用对比实验，将本文方法同单幅图像darkchannel去雾算法和CLAHE算法进行比较，实验结果证明由于对直方图均衡化加入限制，使图像的全局处理避免了过增强和增加噪声的效果，再通过基于三高斯的局部细节增强，有效的增强了图像的深度感。因此本文的方法对大雾图像的处理取得了较理想的去雾效果，增强了大雾图像的可视性。