1 中国科学院红外探测与成像技术重点实验室，上海 200083
2 中国科学院上海技术物理研究所，上海 200083
利用引导滤波的边缘保持特性及梯度保持特性，提出一种基于自适应引导滤波的子带分解多尺度 Retinex红外图像增强算法。首先利用自适应引导滤波对光照分量进行精确估计，生成光谱不重叠的 Retinex子带，然后对各个子带进行自适应增强，最后将各个增强后的子带加权融合。实验证明，该算法可有效消除光晕现象及凸显红外图像细节。
红外图像增强 自适应引导滤波 子带分解多尺度 infrared image enhancement adaptive guided filter sub-band decomposed Retinex Retinex
针对现有局部立体匹配算法在弱纹理区域匹配精度低的问题,提出一种基于改进代价计算和自适应引导滤波代价聚合的局部立体匹配算法。该算法首先将增强后的梯度信息与基于增强梯度的Census变换相结合,构建代价计算函数;然后对图像的每一个像素构建自适应形状十字交叉窗口,并基于自适应窗口进行引导滤波代价聚合;最后通过视差计算和多步视差精化得到最终的视差图。实验结果表明,改进后的算法在Middlebury测试平台上对标准立体图像对的平均误匹配率为4.80%,与基于传统引导滤波器的立体匹配算法相比,本文算法在弱纹理区域取得更好的匹配结果。
机器视觉 立体匹配 代价计算 自适应引导滤波 Census变换 光学学报
2018, 38(11): 1115007
1 中国科学院红外探测与成像技术重点实验室, 上海技术物理研究所, 上海 200083
2 中国科学院大学, 北京 100049
目前传统多尺度分析红外图像融合算法存在以下不足: 融合图像的对比度改善效果有限, 无法获取图像的某些细节信息; 融合规则仅考虑单一特征, 故未能突出目标特征。针对以上问题, 本文提出一种基于视觉显著性与对比度增强的红外图像融合算法。首先对待融合的图像进行基于自适应引导滤波的多尺度 Retinex图像增强, 然后利用 NSCT对图像进行多尺度分解, 最后利用图像视觉显著性融合低频系数, 采用基于窗口的系数融合带通系数。实验证明, 该算法获得的红外融合图像效果明显优于传统方法。
图像增强 图像融合 视觉显著性 自适应引导滤波 多尺度 Retinex image enhancement image fusion visual saliency adaptive guided filter NSCT NSCT multi-scale Retinex
