计算机开机后亮度分布不均,针对亮度分布不均匀特定图像预处理算法研究

摘要：

对于一些分布不均匀的图像,有效的预处理更有利于后续处理.低照度图像和极光图像都是亮度分布集中在较低区间的图像,本文重点对低照度图像,极光图像及对应的预处理方法进行了研究,并根据实际情况对现有算法进行改进和完善.具体研究内容如下:首先对低照度图像进行研究,提出了一种基于对数图像处理模型的低照度图像增强方法.该算法先根据低照度图像亮度分布情况将图像分为弱光图像和局部高亮低照度图像.对于弱光图像,首先基于对数图像处理模型对低照度图像进行非线性全局增强,再根据局部亮度信息对图像进行基于对数图像处理模型的自适应光照补偿.而对于局部高亮低照度图像,首先根据图像V分量信息,采用改进的引力搜索算法把图像分割成暗区域和高亮区域.再依据亮度标准差最大化原则分别针对不同区域对图像进行基于对数图像处理模型的全局增强.最后,将增强结果进行融合,并对融合图像进行自适应光照补偿.实验结果表明:该算法能够有效的增强弱光图像的亮度,并减少噪声放大和颜色失真.提升局部高亮图像中暗区域的亮度和高亮区域的对比度,使图像具有更高的辨识度和更好的视觉效果.其次针对传统量化方法处理极光图像时会产生信息损失,噪声放大和纹理不清等问题,提出了一种基于统计特性的极光图像非线性量化方法.本文首先对大量极光图像的灰度分布进行了统计分析,发现极光图像总体上的分布趋近于逆高斯分布.然后对极光的形态特征和能量分布进行细致分析,并对极光图像中噪声,背景,纹理和高亮结构的灰度分布区间进行了精确划分.最后,根据这些统计特性和结构特征设计了一种S型非线性量化函数.实验结果表明:相对于传统的极光图像量化方法,本文方法的处理结果具有更加清晰的纹理,纯净的背景和少量的噪声;使用本文方法对极光图像进行量化后可达到的最高分类准确率为90.85%,比传统方法提升了1.85%-8.65%.

展开