基于改进交叉视觉皮质模型的彩色图像增强

doi:10.3724/SP.J.1087.2012.03153

计算机应用 ›› 2012, Vol. 32 ›› Issue (11): 3153-3156.DOI: 10.3724/SP.J.1087.2012.03153

基于改进交叉视觉皮质模型的彩色图像增强

蒲恬,李英花,程建,郑虎

电子科技大学电子工程学院,成都 611731

收稿日期:2012-05-07 修回日期:2012-06-26 发布日期:2012-11-12 出版日期:2012-11-01
通讯作者: 李英花
作者简介:蒲恬(1973-)，男，四川绵阳人，讲师，博士，主要研究方向：图像增强、视觉神经网络；李英花(1987-)，女，山东安丘人，硕士，主要研究方向：真实影像再现与模式识别；程建(1978-)，男，四川南部人，副教授，博士，主要研究方向：计算机视觉、模式识别；郑虎(1979-), 男，湖北襄阳人，副教授，博士，主要研究方向：医学成像、微波成像。
基金资助:
国家973计划项目（2007CB714406）;国家自然科学基金资助项目（60802065）;电子科技大学中央高校基本科研业务费资助项目（ZYGX2009Z005）;国家自然科学基金青年基金资助项目（61001027）

Color image enhancement based on improved intersecting cortical model

PU Tian,LI Ying-hua,CHENG Jian,ZHENG Hu

School of Electronic Engineering, University of Electronic Science and Technology of China, Chengdu Sichuan 611731, China

Received:2012-05-07 Revised:2012-06-26 Online:2012-11-12 Published:2012-11-01
Contact: LI Ying-hua

摘要/Abstract

摘要： 为了获得更加符合人眼生理视觉感知的图像，提出了一种在HIS空间上的基于改进的交叉视觉皮质模型(ICM)的彩色图像增强算法。在分析传统ICM工作机制的基础上，保留原模型的基本特性，对模型中的内部活动项和动态阈值部分进行改进，将线性衰减变为非线性，满足了人眼对亮度感知的非线性；同时将衰减因子变为步长的减法，降低了算法复杂度并增强了算法的自适应性。结合图像增强的原理，对亮度分量采用符合视觉属性的阈值强度函数，同时对饱和度分量进行非线性处理。实验表明用该算法能获得更加清晰、鲜艳生动的处理结果。

关键词: 交叉视觉皮质模型, HIS空间, 彩色图像增强, 神经网络

Abstract: To meet the physiological perception of human eyes, a color image enhancement algorithm based on improved Intersecting Cortical Model (ICM) was proposed. The internal activities and dynamic threshold were improved to nonlinear attenuation, which satisfied the nonlinear perception of human eyes. And the decay factor was replaced by the step factor, while maintaining some of the significant features of the original model. It applied the Threshold Versus Intensity (TVI) function of the human visual system on the intensity component of the input image to adjust the dynamic range compression. At the same time, it also adjusted the saturation component of the input image by nonlinearity. Compared to the original ICM, this algorithm reduced the complexity and improved the adaptability. The experimental results confirm that the method can obtain clear and bright results.

Key words: Intersecting Cortical Model (ICM）, HueIntensitySaturation （HIS） space, color image enhancement, neural network

中图分类号:

TP391.41

蒲恬李英花程建郑虎. 基于改进交叉视觉皮质模型的彩色图像增强[J]. 计算机应用, 2012, 32(11): 3153-3156.

PU Tian LI Ying-hua CHENG Jian ZHENG Hu. Color image enhancement based on improved intersecting cortical model[J]. Journal of Computer Applications, 2012, 32(11): 3153-3156.

参考文献

［1］韩丽娜, 耿国华, 周明全. PCNN模型在彩色图像增强中的应用［J］. 计算机工程与应用, 2012,48(1):5-7. ［2］ PU TIAN, ZHANG JIE, NI GUOQIANG. Color image enhancement using a multiple-scale opponent neural network［J］. Optical Engineering,2004, 43(10): 2369-2380. ［3］南栋, 毕笃彦, 许悦雷，等. 基于自适应特性二维经验模式分解的Retinex彩色图像增强［J］. joca，2011，31（6）：1552-1555. ［4］黄凯奇,王桥,吴镇扬,等.基于人眼视觉特性的多尺度彩色图像增强算法［J］.中国图象图形学报,2003,11(8):1242-1247. ［5］张煜东, 王水花, 周振宇，等.基于HVS与PCNN的彩色图像增强［J］.中国科学:信息科学, 2010 (7): 909-924. ［6］ GAO SHAN, LI CHENG, BI DUYAN. Image enhancement algorithm based on NF-ICM［J］. Chinese Optics Letters, 2010，5(8)：474-477. ［7］ EKBLD U, KINSER J M. Theoretical foundation of the intersecting cortical model and its use for change detection of aircraft, cars and nuclear explosion tests［J］. Signal Processing, 2004, 84(7): 1131-1146. ［8］牛建伟,沈思思,童超，等. 基于修正交叉视觉皮质模型的图像分割方法［J］. 北京邮电大学学报,2010,33(1):56-60. ［9］ WANG ZHAOBIN，MA YIDE， CHENG FEIYAN, et al. Review of pulse-coupled neural networks［J］. Image and Vision Computing, 2010，28(1): 5-13. ［10］马义德,李廉,绽琨,等.脉冲耦合神经网络与数字图像处理［M］.北京：科学出版社, 2008. ［11］ WEI S J. Key technologies of system on chip design［J］. Science in China Series F: Information Sciences, 2008, 51（6）: 790-798. ［12］ HUANG KAIQI, WANG QIAO, WU ZHENYANG. Natural color image enhancement and evaluation algorithm based on human visual system［J］.Computer Vision and Image Understanding, 2006,103(1):52-63. ［13］ KIM J Y, KIM L S, HWANG S H. An advanced contrast enhancement using partially overlapped sub-block histogram equalization［J］. IEEE Transactions on Circuits and Systems for Video Technology, 2001, 11(4): 475-477.

[1]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[2]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[3]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[4]	赵宏, 孔东一. 图像特征注意力与自适应注意力融合的图像内容中文描述[J]. 计算机应用, 2021, 41(9): 2496-2503.
[5]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[6]	牟长宁, 王海鹏, 周丕宇, 侯鑫行. 基于图卷积神经网络的串联质谱从头测序[J]. 计算机应用, 2021, 41(9): 2773-2779.
[7]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[8]	刘子辰, 李小娟, 韦伟. 基于循环神经网络的专利价格自动评估[J]. 计算机应用, 2021, 41(9): 2532-2538.
[9]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮. 基于深度学习的医学影像分割研究综述[J]. 计算机应用, 2021, 41(8): 2273-2287.
[10]	丁尹, 桑楠, 李晓瑜, 吴飞舟. 基于循环神经网络的电信行业容量数据预测方法[J]. 计算机应用, 2021, 41(8): 2373-2378.
[11]	秦斌斌, 彭良康, 卢向明, 钱江波. 司机分心驾驶检测研究进展[J]. 计算机应用, 2021, 41(8): 2330-2337.
[12]	黄程程, 董霄霄, 李钊. 基于二维Winograd算法的深流水线5×5卷积方法[J]. 计算机应用, 2021, 41(8): 2258-2264.
[13]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[14]	高钦泉, 黄炳城, 刘文哲, 童同. 基于改进CenterNet的竹条表面缺陷检测方法[J]. 计算机应用, 2021, 41(7): 1933-1938.
[15]	王曙燕, 侯则昱, 孙家泽. 面向深度学习的对抗样本差异性检测方法[J]. 计算机应用, 2021, 41(7): 1849-1856.

基于改进交叉视觉皮质模型的彩色图像增强

Color image enhancement based on improved intersecting cortical model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics