1 西安邮电大学 通信与信息工程学院， 陕西西安702
2 西湖大学 工学院人工智能研究与创新中心， 浙江杭州31004
3 延安大学 物理与电子信息学院， 陕西延安716000
针对低照度全景图像存在的对比度低、视觉效果差等问题， 提出了一种基于模拟多曝光融合的低照度全景图像增强算法。首先，将原图像从RGB颜色空间转换到 HSV颜色空间，以图像信息熵作为度量估计最佳曝光率，采用亮度映射函数对
![]()
![]()
分量进行增强处理，再将其转回RGB颜色空间得到过曝光图像；接着，以低照度图像和过曝光图像为输入，采用曝光插值法合成中等曝光图像；然后，采用多尺度融合策略将低照度图像、中等曝光图像和过曝光图像进行融合，得到融合后的图像；最后，通过多尺度细节增强算法对融合后的图像进行细节增强，得到最终的增强图像。通过与NPE，LIME，SRIE，Li，Ying，RtinexNet算法相比，在不同场景的全景图像上，亮度顺序误差（LOE）最小为322，自然图像质量评估器（NIQE）最小为2.32，无参考空间域图像质量评估器最小为5.71，结构相似度（SSIM）最高达到0.82，综合性能优于其他对比算法。实验结果表明，本文算法能够有效地提升低照度全景图像的质量。
李培玄 1,2,3,4,*刘鹏飞 1,2,3,4曹飞道 1,2,3,4赵怀慈 1,3,4,*
1 中国科学院沈阳自动化研究所, 辽宁 沈阳 110016
2 中国科学院大学, 北京 100049
3 中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016
4 辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
现有的多尺度立体匹配算法对各尺度的代价函数采用相同权值,而忽略了各尺度层对整个匹配代价的不同影响,增加了误匹配点。针对此问题,提出了自适应权值的跨尺度立体匹配算法框架。采用统一的代价聚合函数框架在不同尺度上进行代价匹配,并提出利用各像素窗口的信息熵作为不同尺度下匹配代价对整个匹配代价的影响因子;同时为了保证不同尺度下同一像素的代价一致性,在代价函数里加入正则化因子。本文算法框架可以应用在利用多尺度进行代价匹配的算法上,并使原有算法的准确率和稳健性得到提高。基于本文算法框架,分别采用不同代价聚合函数在Middlebury数据集上进行测试。为保证测试的公平性,各算法均未进行后续的视差求精步骤,实验表明,本文算法有效地提高了多尺度立体匹配的准确率和稳健性。
机器视觉 立体匹配 跨尺度代价聚合 图像信息熵 自适应权值 光学学报
2018, 38(12): 1215006
1 南开大学 电子信息与光学工程学院, 天津 300350
2 中国科学院半导体研究所 半导体超晶格国家重点实验室, 北京 100083
3 中国科学院大学, 北京 100049
为了解决高速视觉目标跟踪系统在进行目标跟踪过程中目标的尺度与清晰度的变化, 提出一种基于尺度不变性的自动调焦算法。该算法包括基于改进型二维OTSU分割的自动变焦算法和基于二维图像信息熵的对焦算法, 通过高速视觉目标跟踪系统获得目标区域, 计算目标像素面积和清晰度评价值, 转化为可调焦镜头变焦步数和对焦步数后通过FPGA发送调焦指令, 最终完成自动调焦动作。设计了自动调焦验证系统以验证算法的性能并得出满足追踪要求的最佳调焦参数。实验证明, 该算法在高速目标跟踪系统的跟踪过程中可以较好地完成自动调焦任务。
计算机视觉 目标跟踪 自动调焦 二维OTSU算法 图像信息熵 computer vision object tracking autofocusing 2D OTSU algorithm image information entropy FPGA FPGA
苏州大学 物理科学与技术学院, 江苏 苏州 215006
由于低照度彩色图像存在整体亮度低、对比度低、颜色偏暗和信噪比低等特点, 所以经典图像增强算法对其增强效果非常有限。提出了一种利用BP神经网络进行彩色图像增强的算法, 并将RGB图像转换成HSI图像, 以保证增强处理不引起图像的色彩失真。实验证明: 该方法显著地改善了低照度彩色图像的视觉效果, 提高了图像整体亮度和图像的信噪比, 可调节图像的动态范围, 能增强图像的对比度和细节, 可增加图像信息熵。
低照度图像 彩色图像 图像增强 BP神经网络 图像信息熵 low-illumination color image image enhancement BP neural network image entropy
1 中国科学院西安光学精密机械研究所, 西安 710119
2 中国科学院研究生院, 北京 100049
为解决图像信息熵无法有效进行图像匹配的问题, 将图像单元信息熵和投影特征相结合, 定义了图像单元信息熵, 并提出了一种基于单元投影信息熵的图像匹配方法.在单元信息熵的基础上, 在各个单元格内进行单元信息熵投影计算, 然后按照一定的测度进行计算, 从而实现图像的匹配.采用网格分层的搜索算法, 加快搜索速度, 提高其工程实用性.实验证明:该算法具有良好的抗几何失真能力和抗辐射失真的能力, 以及很好的抗噪声干扰的能力, 可以准确的进行目标匹配.
图像信息熵 单元信息熵 投影 目标匹配 Image entropy Unit entropy Projection entropy Target matching
西安电子科技大学 模式识别与智能控制研究所，西安 710071
针对红外弱小目标检测问题，提出了一种基于图像复杂度的自适应门限目标检测方法.讨论了天空中四类不同区域的图像信息熵.图像信息熵虽然较好地表达了图像的平均信息量，但对图像的突变点不敏感.将它改进得到图像方差加权信息熵，其较好地反映了图像的复杂度特征.将图像方差加权信息熵作为图像复杂度的定量描述，用两种特定的分析模板对图像复杂度进行分析.在目标区域中，两种分析模板得到的复杂度差异较大，而非目标区域的两种复杂度则基本没有差异.算法获取两种分析模板下的复杂度图像，再对两种复杂度图像做差，得到复杂度差值图像.对差值图像建立指数模型得到自适应分割门限完成目标检测.实验结果表明，该方法对低信杂比的红外云层背景弱小目标图像具有良好的检测效果.
图像信息熵 图像复杂度 红外弱小目标 目标检测 Image information entropy Image complex degree Dim and small target Target detection
