中国航空工业集团公司华东光电有限公司, 特种显示国家实验室, 国家特种显示工程技术研究中心, 安徽 芜湖 241002
分析了Boosting提升模型, 提出一种以去雾后图像均方误差与信息熵比值为选择标准, 对多类不同的去雾算法进行排序, 并根据设定的阈值, 从多类的去雾算法中, 选择合适的去雾算法作为“极优增强器”, 再通过对优化学习率的方法。更新“极优增强器”的权重, 采取线性组合, 构建了最优去雾算法。经实验表明, 该算法实现了去雾后图像对比度和图像的信息损失之间的平衡。提升了图像对比度, 凸显了图像细节, 最大程度的减小了图像信息的损失。
Boosting模型 图像增强 极优增强器 学习率 boosting model image enhancement superior enhancer learning rate