神经网络的高反差图像增强算法研究

来源 :计算机技术与发展 | 被引量 : 0次 | 上传用户:kkkhorse
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对多尺度Retinex算法在图像增强过程中存在的算法运算量大的问题,提出了将RBF神经网络作为高反差图像增强算法。该算法从训练数据集中获取以3×3为邻域像素的特征向量以及目标图像对应的特征向量,通过聚类算法来确定网络隐含层的中心向量和扩展常数,采用梯度下降法使网络快速收敛得到最优解。利用RBF神经网络建立高反差图像与增强算法之间的非线性映射关系,根据神经网络参数进行快速图像处理,从而实现图像实时处理。仿真实验结果表明,与传统的基于Retinex理论算法相比,基于神经网络的高反差图像增强算法,不仅能
其他文献
采用一致性哈希进行数据分区和负载均衡的分布式键值存储系统具有高可扩展性的特点,但一致性哈希中哈希函数静态负载均衡的特性不能满足日益多样化的应用场景需求。为了适应以
图像分割是图像处理中最关键的步骤,基于图割的图像分割方法近年来备受关注。针对传统图割图像分割方法没有充分考虑相邻相近像素点可能属于不同类的情况,提出了一种结合最小生成树的图割方法。该方法重新构造了能量函数,在能量函数的构造中考虑了原本两个相邻的节点在最小生成树中可能不相邻的情况,对于这种不相邻的情况,重新确定了图中边的权值计算方法,使图的构造更加准确,从而提高了算法的分割精度。但提高算法精度的同时
行人识别是人工智能与模式识别领域内一个新兴的研究方向,具有极其广泛的应用前景。但是由于人体是一个非刚性的运动体,相对普通物体的检测增加了不少难度。可变形部件模型算法对行人检测有着不错的效果,在此基础上提出了一种对传统的部件模型的改进方法,弥补了颜色特征在行人检测时的丢失。其基本思想是:使用传统的DPM方法对待检测窗口进行检测,然后判断检测的得分是否属于可疑区间,如果属于则进一步使用基于颜色特征的分
目前通行的社区划分方法大多基于结构,但单纯基于结构的划分不能挖掘出社区对象的潜在关系,因而不能发现社区的变化趋势。为此,提出了基于结构的社区划分算法(Community Division
实时计算系统Storm是当前十分流行的开源流式系统,在处理流式数据时具有明显的优势,但也存在默认调度器在任务调度时难以将节点资源与任务需求相结合、节点资源利用率不高、节
对于存放于数据服务器中共享的数据文件信息,随着数据量的增加将逐渐难以共享、查阅和使用。为了便于共享这些数据资料,文中提出一种基于Web的文件系统信息展示方法,实现在We
由于设备采集树状物体数据精度差,导致树状物体枝干连接部位数据丢失,重建出来的树状物体枝干不连续。树状结构物体颜色单调统一,各枝叶形状相似,导致特征点提取困难,配准精度低。通过对深度数据的分析,彩色图像与深度数据相比拥有更完整的信息,使用深度数据与彩色数据相结合的方法,根据彩色图像与深度数据的坐标映射关系,使用彩色图像修复缺失的深度数据。边界轮廓同样能够体现物体的形状特征,使用目标边界点作为特征点,
针对尺度不变特征变换(SIFT)算法在立体匹配应用中实时性差、误匹配、特征点无鲜明几何意义等问题,提出了一种新的基于亚像素角点的SIFT立体匹配算法。该算法首先提取图像角点
大数据时代下数据结构的多样性严重影响人们对数据分类的判断。有效解决数据分类问题并提高分类准确率是大数据时代背景下亟待解决的难题。分类问题是将数据按照某种特征进行
图像信息的传输需要通过压缩和加密来减少冗余并阻止非授权者的访问。关于图像压缩的研究由来已久,各种压缩算法和理论层出不穷,而加密压缩仍有相当大的发展空间。为此,针对目前常见的已知明文攻击等黑客攻击方式,在研究Logistic混沌加密技术和基于混沌置乱的分量融合图像加密压缩方法的基础上,提出了一种可逆的融合算法。该算法将提取到的彩色图像颜色分量分别进行DCT变换而后融合,将压缩和加密过程同时进行,显著