由于传统的无参考彩色图像质量评价方法与人眼感知结果的一致性较差, 本文提出了一种全面利用待评价图像的色度、锐利度和对比度的无参考彩色图像质量客观评价方法。分析了彩色图像锐利度的局部特征, 提出了一种新的彩色图像锐利度测量模型。基于对比度的局部特征和Buchsbaum曲线特征, 建立了新的彩色图像对比度测量模型。最后, 通过线性组合色度测量模型、锐利度测量模型和对比度测量模型, 构建了无参考彩色图像质量评价函数。利用TID2013数据库中的3类退化图像(高斯模糊图像、对比度改变图像和噪声图像)验证了本文提出的锐利度测量模型、对比度测量模型和无参考彩色图像质量评价函数的性能。结果表明, 本文提出的锐利度测量模型和对比度测量模型的性能均优于传统的锐利度和对比度计算模型。提出的无参考彩色图像质量评价函数的Spearman秩相关系数(SROCC)为0.904, Kendall秩相关系数(PROCC)为0.865, Pearson线性相关系数(PLCC)为0.922, 亦均优于传统方法。

提出了一种基于视频图像对比度的团雾检测算法。首先, 利用二维多点各向异性高斯滤波器检测视频图像中边缘线的位置和方向。然后, 利用本文提出的彩色图像对比度模型计算每幅视频图像边缘线区域的对比度值。最后, 利用支撑向量机区分有雾视频图像所具有的不同对比度值, 实现团雾浓度的检测。实验结果表明, 该算法对复杂场景下的团雾检测效果优于传统的方法, 是一种有效的团雾检测方法。

为了提高大脑磁共振图像的分割精度, 提出了一种新的图像分割算法。首先, 分析了常用于大脑磁共振图像分割的高斯混合模型和主动轮廓模型的优缺点, 联合高斯混合模型的概率密度函数和主动轮廓模型的能量函数构造了一个新的能量函数。然后, 利用遗传算法和最大期望算法获取概率密度函数的参数值。最后, 利用水平集方法和梯度下降流法, 对获得的能量函数进行最小化, 从而得到最终的分割结果。与传统方法相比, 本文算法对脑组织中的白质和灰质的分割精度分别提高了6.73%和14.07%。该算法利用像素点的区域信息和概率值驱动主动轮廓曲线的演化, 能有效区分具有相近灰度值的不同区域, 从而提高了大脑磁共振图像的分割精度。

提出了一种新的边缘检测算法.根据所提出的梯度幅值计算方法求出整幅图像的梯度幅值均值和图像中所有像素点的梯度幅值相对与均值的方差.由图像的梯度幅值均值和方差计算出图像的最佳阈值.然后根据提出的噪声剔除方法对由最佳阈值判定的初始边缘中的噪声进行剔除.实验结果表明所提出的算法在精确定位边缘的同时也较好地抑制了噪声.