摘要：针对无人机航拍电力线图像环境背景复杂、电力线目标细弱导致目标识别率低的问题,提出了一种可迭代运行的多向自相关(iterable multidirectional autocorrelation,IMA)增强方法.该方法根据航拍图像中电力线目标的局部纵向及横向灰度分布特征设计有效的滤波模板,用方向滤波的结果进行自相关增强.同时,这种自我增强可以多次迭代运行以达到满意的图像增强效果.通过一系列实验将Canny、Hessian与IMA方法的增强结果进行对比,实验结果显示,所提出的IMA方法比Canny和Hessian方法更适于无人机航拍电力线图像的增强操作.IMA方法不但运算速度快,而且能在大幅减弱航拍图像中复杂环境背景的同时增强电力线目标,从而有效提高图像的电力线目标检测识别率.

摘要：针对经典的暗原色理论算法在处理雾天图像时色调和亮度失真问题,提出基于各向异性高斯滤波的暗原色理论雾天彩色图像增强算法.首先通过容差机制对图像区域进行分割,根据阈值判断明亮和非明亮区域;然后引入各向异性高斯滤波,对透射率图像进行保边平滑处理;最后再一次引入容差机制,实现对透射率图像的再次修正,得到准确透射率图像,进而获得无雾的图像.主观观察和客观评价结果表明,在整体和细节方面,该算法比经典的暗原色算法有更好的处理效果.

摘要：为了在去雾的同时增强图像中的纹理细节信息,提高图像亮度,改善图像质量,提出一个雾天图像增强的分数阶偏微分方程模型.将分数阶微分与大气散射物理模型结合,建立了去雾图像的分数阶梯度场;为了突出图像的纹理细节信息,避免出现边缘过度增强或细节纹理增强不够的现象,构造了分数阶梯度场的增强函数,使分数阶梯度场随着梯度模的变化达到非线性增强的效果;在梯度域建立能量泛函,使雾天图像梯度场逼近增强梯度场,通过变分法得到分数阶偏微分方程图像增强模型;最后用有限差分法对模型进行数值求解.实验结果表明,文中模型在去雾的同时,能够有效地提高图像的对比度和清晰度,是一种有效的雾天图像增强模型.

摘要：针对靶场光电测量设备采集到的红外图像存在对比度低和边缘模糊的问题,提出结合直方图均衡化和模糊集理论图像的增强方法。首先采用对数隶属度函数将图像转换到模糊域,再对图像进行多次非线性变换,增强边缘信息;其次提出改进的自适应平台直方图均衡化算法,提高红外图像对比度;最后将2幅图像按加权系数相乘后叠加融合出最终图像。实验结果证明,该方法克服了传统增强算法易出现的过增强和局部信息被弱化等问题,增强后的图像细节丰富,具有更好的视觉效果,能够满足靶场的实际要求,具有广泛的工程应用价值.

摘要：针对阴天或夜晚等弱光条件下拍摄的图像具有亮度低、对比度低和细节模糊等问题,提出了一种基于色调映射和暗通道融合的弱光图像增强方法.首先,根据弱光及其反转图像的特点,提出面向弱光图像的透射率估计方法,进而获得场景深度信息,并将其融入色调映射函数设计;同时利用暗通道图像区分光源区域,以修正色调映射函数参数,使其能够根据场景深度自适应调整图像亮度;另一方面,增强后的暗通道图可有效突出图像的细节信息,将经过色调映射后的V通道图像和暗通道图进行加权融合,得到最后的增强结果.实验结果表明,本文方法不仅显著改善图像亮度、增强对比度、恢复出更多的图像细节,还能有效去除块效应和晕轮伪影,视觉效果理想.

摘要：本文研究SAR图像域去噪和增强处理问题 .通过构造符合SAR成像工程背景的扩散系数矩阵 ,提出了基于SAR图像幅度信息的前向 后向扩散方程 ,同时设计了相应的快速算法 .该方法能有效增强目标的强散射点 ,显著抑制噪杂波区的噪声 ,保护目标 .并利用 3dB主瓣宽度和辐射分辨率对计算结果进行评价 。

摘要：为解决低质量红外图像细节模糊、对比度低等问题,提出了并行多特征提取网络的红外图像增强方法,设计了结构特征映射网络和双尺度特征提取网络。结构特征映射网络用于建立全局结构特征权重,以保持原始图像的空间结构信息。双尺度特征提取网络采用多尺度卷积层和融合多空洞卷积的注意力,增强网络对上下文信息的关注力,提升网络对感兴趣区域的特征提取能力,同时学习不同尺度的特征信息,完成双尺度间信息的交换,生成目标增强映射,实现目标区域细节纹理自适应增强。实验证明,所提方法能有效提高对比度,避免过增强,丰富图像细节纹理,减少伪影和光晕现象,在BSD200数据集上的PSNR与SSIM较典型的传统方法和深度学习方法分别提升了约37.35%、2.1%与25.94%、3.15%,在真实红外数据集上分别提升了约30.62%、1.04%与24.83%、2.08%,且对不同对比度因子的低质量图像,文中方法也具有良好的增强效果。

摘要：由于低照度环境下所采集的图像存在亮度低、对比度差、出现噪声和色彩失衡等低质问题,严重影响其在图像处理应用中的性能.为了提升低照度图像质量,以获得具有完整结构和细节且自然清晰的图像,结合Retinex理论与卷积神经网络,提出了一种基于MDARNet的低照度图像增强方法,并引入Attention机制模块和密集卷积模块以提升性能.首先,MDARNet利用同时包含二维和一维的3个不同尺度卷积核对图像进行初步特征提取,并用像素注意模块对多尺度特征图进行针对性学习;其次,设计跳跃连接结构对图像进行特征提取,使图像特征被最大限度地利用;最后,用通道注意模块和像素注意模块同时对提取到的特征图进行权重学习和照度估计.实验结果表明:MDARNet能够有效提升低照度图像的亮度、对比度、色彩等;且相较于一些经典算法,该方法在视觉效果及客观评价指标(PSNR,SSIM,MS-SSIM,MSE)能够得到更好的效果.

摘要：针对低光照条件下拍摄图像质量低下的问题,该文提出一种基于双重迭代的零样本低照度图像增强方法。其外层迭代通过卷积神经网络估计增强参数,再由内层迭代进行图像增强,增强结果进一步用于计算损失函数并反馈更新外层的参数估计网络,最终通过多轮迭代生成高质量的图像。在该框架下,还设计了多尺度增强系数估计模块、基于注意力的像素级大气光估计模块,并提出了基于亮度对比度、大气光、颜色均衡以及图像平滑性先验的无监督损失函数。大量实验结果表明,该方法可有效将低光照图像增强为高质量的清晰图像,其性能优于现有的同类方法。同时该方法基于零样本学习,不需任何训练数据集,具有良好的普适性。

摘要：结合拉普拉斯金字塔模型分解和前后双向异性扩散算法,提出一种分层自适应图像增强算法.该算法首先进行图像的高动态范围压缩,然后采用拉普拉斯金字塔模型方法将原始图像分解为不同尺度和频率下的带通图像序列.根据不同频率层图像的纹理方向特征,设计自适应参数法修改扩散传导方程的参数,在不同频率图像层上分别实现噪声平滑和边缘特征的增强.仿真实验通过与其它图像增强算法进行比较,评价结果表明,提出的分层自适应图像增强算法的处理效果良好,定量评价指标大幅改善.