CN101807294A - 一种利用多尺度多结构元素数学形态学的图像增强方法 - Google Patents
一种利用多尺度多结构元素数学形态学的图像增强方法 Download PDFInfo
- Publication number
- CN101807294A CN101807294A CN201010105996A CN201010105996A CN101807294A CN 101807294 A CN101807294 A CN 101807294A CN 201010105996 A CN201010105996 A CN 201010105996A CN 201010105996 A CN201010105996 A CN 201010105996A CN 101807294 A CN101807294 A CN 101807294A
- Authority
- CN
- China
- Prior art keywords
- mrow
- math
- msub
- image
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002708 enhancing effect Effects 0.000 title abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 235000000391 Lepidium draba Nutrition 0.000 description 1
- 241000405965 Scomberomorus brasiliensis Species 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种利用多尺度多结构元素数学形态学的图像增强方法,它有四大步骤:设有n个尺度、m个不同形状的结构元素参与计算,首先,利用数学形态学中的高帽变换计算每个尺度下m个不同形状结构元素对应的图像区域;然后,通过累加每个结构元素对应的图像区域得到每个尺度下由m个结构元素提取的亮区域和暗区域:随后,取所有尺度下亮区域和暗区域的最大值作为所有尺度下所有结构元素提取的亮区域和暗区域;最后,通过在原始图像上分别加上提取的亮区域并减去提取的暗区域增大原始图像上亮区域和暗区域之间的对比度,从而达到图像增强的目的。本发明广泛应用于各类基于图像的应用系统,具有广阔的市场前景与应用价值。
Description
(一)技术领域
本发明涉及一种利用多尺度多结构元素数学形态学的图像增强方法,属于数字图像处理领域,主要涉及数学形态学和图像增强技术。在各类基于图像的应用系统中有广阔的应用前景。
(二)背景技术
图像增强是一种重要的图像处理技术,在噪声滤除、指纹识别、目标识别、彩色图像处理中有广泛的应用。图像增强的目的是根据不同的应用目的增强图像中的有用信息。图像中通常包括亮区域和暗区域。在很多情况下,由于图像亮区域和暗区域之间的对比度较低,一些有用的图像特征或图像细节不能被有效识别。因此,图像增强的基本思路就是增大图像亮区域和暗区域之间的对比度。研究者提出了很多方法进行图像增强。基于直方图的方法(参见文献:卡斯特曼.数字图像处理,电子工业出版社,北京,2003.)通过一些准则重新分配图像的直方图分布达到图像增强的目的。但是,如果直方图的分布准则设计的不够合理,图像的增强效果也较差。基于微分(参见文献:盖伊吉尔伯等.利用复杂微分过程的图像增强与去噪,美国电气电子工程师学会模式分析与机器智能汇刊,26(8)(2004)1020-1036.(GuyGilboa,Nir Sochen,Yehoshua Y.Zeevi.Image enhancement and denoising by complexdiffusion processes,IEEE Transactions on Pattern Analysis and Machine Intelligence26(8)(2004)1020-1036.))和模糊逻辑(参见文献:永斯克约伊等.一种基于模糊逻辑的鲁棒图像增强方法,美国电气电子工程师学会图像处理汇刊,6(6)(1997)808-825.(YoungSikChoi,Raghu Krishnapuram.A robust approach to image enhancement based on fuzzy Logic,IEEETransactions on Image Processing 6(6)(1997)808-825.))的算法可有效滤除图像的噪声实现噪声图像的增强,但是通常情况下的图像增强并不完全是图像噪声的滤除。将图像变换到频域(参见文献:哈伊特格林斯潘等.利用非线性推论的频域图像增强方法,美国电气电子工程师学会图像处理汇刊,9(6)(2000)1035-1048.(Hayit Greenspan,Charles H.Anderson,Sofia Akber.Image enhancement by nonlinear extrapolation in frequency space,IEEE Transactions on ImageProcessing 9(6)(2000)1035-1048.))或小波域(参见文献:艾瑞安娜门卡提尼等.基于二阶小波过程的乳腺X光片图像增强与去噪及乳腺癌检测,美国电气电子工程师学会仪器与测量汇刊,57(7)(2008)1422-1430.(Arianna Mencattini,Marcello Salmeri,Roberto Lojacono,ManuelaFrigerio,Federica Caselli.Mammographic images enhancement and denoising for breast cancerdetection using dyadic wavelet processing,IEEE Transactions on Instrumentation and Measurement57(7)(2008)1422-1430.))从而突出可用于图像增强的特征可有效增强图像中的某些特征区域,但可用于图像增强的有效特征通常难于构造。数学形态学是图像处理的重要工具之一(参见文献:塞拉.图像分析与数学形态学,科学出版社,纽约,1982.(J.Serra,Image analysis andmathematical morphology,Academic Press,New York,1982.))。在数学形态学的各种运算符中,高帽变换可以用于提取图像中的亮区域和暗区域。因此,通过高帽变换,数学形态学可被应用于图像增强。不过,由于数学形态学运算可能会严重平滑图像的细节,从而降低了基于高帽变换的图像增强算法的有效性。
数学形态学多尺度运算可以有效提取图像的多尺度特征,多结构元素运算可以提取图像的多种形状特征。因此,合理利用多尺度和多结构元素特征可以有效提高基于高帽变换方法的图像增强的效果。为了更加有效地增强图像,本发明提出了一种利用多尺度多结构元素数学形态学的图像增强方法。
(三)发明内容
1、目的:图像增强技术是图像处理应用的重要关键技术,但现有的图像增强技术并不能非常有效地增强图像。传统的各类算法可能会过分增强图像中的亮区域而大大降低视觉效果,或过分平滑图像中的细节而使图像中的重要信息丢失。
为了解决上述问题并弥补传统方法的不足,本发明提供了一种利用多尺度多结构元素数学形态学的图像增强方法,它通过多结构元素高帽变换有效提取每一尺度下对应于不同形状的亮区域和暗区域,通过多尺度运算有效提取所有尺度下的亮区域和暗区域,进而构造最终的有效亮区域和暗区域用于图像增强,在实现图像有效增强的同时避免亮区域的过增强。多尺度多结构元素运算不仅可以提取有效亮区域和暗区域用于图像增强,而且可以抑制形态学运算对图像细节的平滑,达到更加有效的图像增强效果。
2、技术方案:为了实现这个目的,本发明的技术方案如下,首先利用数学形态学中的高帽变换计算每个尺度下各个不同形状结构元素对应的亮暗区域;然后,通过累加每个形状结构元素对应亮暗区域得到每个尺度下由不同形状结构元素提取的亮区域和暗区域:随后,取所有尺度下亮区域和暗区域的最大值作为所有尺度下所有结构元素提取的最终亮区域和暗区域;最后,通过在原始图像上分别加上提取的最终亮区域并减去提取的最终暗区域从而增大原始图像上亮区域和暗区域之间的对比度,达到图像增强的目的
本发明一种利用多尺度多结构元素数学形态学的图像增强方法,该方法具体步骤如下:
设有n个尺度、m个不同形状的结构元素参与计算:
步骤一:计算每个尺度j(1≤j≤n)下m个不同形状结构元素Bj 1,Bj 2,......,Bj m对应的高帽变换:
...
...
其中,
WTH(x,y)=f(x,y)-f○B(x,y),
BTH(x,y)=f●B(x,y)-f(x,y),
步骤二:按下式计算第j尺度下由m个结构元素提取的亮区域(MSEWTH和暗区域(MSEBTH):
步骤三:按下式计算所有n尺度下由m个结构元素提取的亮区域(MSMSEWTH)和暗区域(MSMSEBTH):
步骤四:按下式通过增大原始图像上亮区域和暗区域之间的对比度达到图像增强的目的:
fEn=f+MSMSEWTH-MSMSEBTH。
其中,fEn是最终增强的图像,f是原始图像。
3、优点及功效:通过多尺度多结构元素高帽变换有效提取存在于图像多个尺度下的各种形状的亮区域和暗区域用于图像增强,能够更加有效地增大图像的对比度,并在实现图像有效增强的同时避免亮区域的过增强;同时,多尺度多结构元素运算可以抑制形态学运算对图像细节的平滑。因此,本发明可以在一定程度上避免传统方法的亮区域过增强和平滑图像细节的缺点,从而更加有效地增强图像,可广泛应用于各类基于图像的应用系统,具有广阔的市场前景与应用价值。
(四)附图说明
图1为本发明一种利用多尺度多结构元素数学形态学的图像增强方法的系统框图;
图2为本发明用于图像增强的四个不同方向的线性多结构元素,四个结构元素有相同的长w和宽h,分别为w=5,h=3,并分别对应于0°,45°,90°和135°四个不同的方向;
(五)具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。本发明的系统框图如图1所示,本发明一种利用多尺度多结构元素数学形态学的图像增强方法,该方法具体实施步骤如下:
设有n个尺度、m个不同形状的结构元素参与计算:
步骤一:计算每个尺度下各个不同形状结构元素对应的高帽变换
数学形态学是一种重要的图像处理工具。数学形态学运算基于两个集合:原始图像f和结构元素B。数学形态学运算主要基于两个基本运算:膨胀和腐蚀。设利用结构元素B对图像f进行膨胀、腐蚀可表示为:
在膨胀和腐蚀的基础上,可定义利用结构元素B对图像f进行开、闭运算为:
其中,○和●分别是数学形态学开、闭运算符。
在开、闭运算的基础上,可定义利用结构元素B对图像f进行高帽变换为:
WTH(x,y)=f(x y)-f○B(x,y),
BTH(x,y)=f●B(x,y)-f(x,y)。
其中,WTH和BTH分别表示白高帽变换和黑高帽变换。白高帽变换常用于提取图像中的亮区域,黑高帽变换常用于提取图像中的暗区域。
计算每个尺度j(1≤j≤n)下m个不同形状结构元素Bj 1,Bj 2,......,Bj m对应的白高帽变换如下:
...
计算得到的各个白高帽变换结果分别是提取得到的对应不同形状的j尺度下的亮区域。
计算每个尺度j(1≤j≤n)下m个不同形状结构元素Bj 1,Bj 2,......,Bj m对应的黑高帽变换如下:
...
计算得到的各个黑高帽变换结果分别是提取得到的对应不同形状的j尺度下的暗区域。
步骤二:计算每个尺度下由m个结构元素提取的亮区域和暗区域
对应于多结构元素的每个尺度j下的亮区域应是尺度j下对应于每个结构元素的亮区域的综合,因此可按下式计算每个尺度j下由m个结构元素提取的亮区域MSEWTH:
对应于多结构元素的每个尺度j下的暗区域应是对应于尺度j下每个结构元素的暗区域的综合,因此可按下式计算每个尺度j下由m个结构元素提取的暗区域MSEBTH:
步骤三:计算由多尺度多结构元素提取的亮区域和暗区域
每个尺度下提取的MSEWTH中亮区域像素的灰度应大于其它区域像素的灰度,而对应于所有尺度的亮区域MSMSEWTH应是所有尺度下由多结构元素提取的所有亮区域的最大值,按下式计算:
每个尺度下提取的MSEBTH中暗区域像素的灰度应大于其它区域像素的灰度,而对应于所有尺度的暗区域MSMSEBTH应是所有尺度下由多结构元素提取的所有暗区域的最大值,按下式计算:
步骤四:增强图像
增强图像对比度的一个有效方法是分别增强图像中的亮区域和暗区域。因此本发明采用在原始图像上加上由多尺度多结构元素高帽变换提取到的亮区域MSMSEWTH来增强亮区域,并在原始图像上减去由多尺度多结构元素高帽变换提取到的暗区域MSMSEBTH来增强暗区域,从而增大图像对比度达到图像增强的目的。其计算公式如下:
fEn=f+MSMSEWTH-MSMSEBTH。
其中,fEn是最终增强的图像。
为了展示本发明的效果,利用图2所示的4个线性多结构元素(m=4)对来自于各种应用中的图像进行增强处理。四个结构元素有相同的长w和宽h,分别为w=5,h=3,并分别对应于0°,45°,90°和135°四个不同的方向。本发明进行3个尺度的计算,即n=3。利用本发明可以进行医学图像的增强,从增强的效果中可以看出,本发明可以有效增强图像中亮区域和暗区域之间的对比度,并且图像细节也更加清晰,这非常有利于医生进行病理的分析和病情的诊断。利用本发明可以进行红外图像的增强,从增强的效果中可以看出,由于本发明对图像的增强,图像变得更加清晰,这将大大有利于红外目标的检测和识别。利用本发明可以进行可见光图像的增强,从增强的效果中可以看出,本发明将原始模糊图像变得更加清晰,而且图像细节得到很好增强,因此本发明不仅增强了图像的视觉效果而且增强了图像中可辨识的细节信息,从而有利于可见光图像中目标的识别和判读。利用本发明可以进行矿物学图像的增强。同时,为了展示本发明的优越性,直方图均衡、局部直方图均衡和形态学多尺度方法都被用于图像增强并与本发明的结果进行对比。
从结果中可以看出,各种方法都可以对原始图像进行不同程度的增强。不过,直方图均衡和局部直方图均衡方法明显过于增强图像中的大量亮区域,产生大量过亮区域,掩盖了图像的细节信息。虽然形态学多尺度方法可以有效增强原始图像,但其增强效果要差于本发明的增强效果。这些实验结果充分说明本发明的有效性。而且,用于实验的图像来自于医学、军事、矿物学等各种不同的图像处理领域,充分说明本发明可广泛应用于各类基于图像的应用系统,具有广阔的市场前景与应用价值。
Claims (1)
1.一种利用多尺度多结构元素数学形态学的图像增强方法,其特征在于:该方法具体步骤如下:设有n个尺度、m个不同形状的结构元素参与计算:
步骤一:计算每个尺度j(1≤j≤n)下m个不同形状结构元素Bj 1,Bj 2,……,Bj m对应的高帽变换:
其中,
WTH(x,y)=f(x,少)-f○B(x,y),
BTH(x,y)=f●B(x,少)-f(x,y),
步骤二:按下式计算第j尺度下由m个结构元素提取的亮区域(MSEWTH)和暗区域(MSEBTH):
步骤三:按下式计算所有n尺度下由m个结构元素提取的亮区域(MSMSEWTH)和暗区域(MSMSEBTH):
步骤四:按下式通过增大原始图像上亮区域和暗区域之间的对比度达到图像增强的目的:
fEn=f+MSMSWTH-MSMSEBTH
其中,fEn是最终增强的图像,f是原始图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101059964A CN101807294B (zh) | 2010-02-03 | 2010-02-03 | 一种利用多尺度多结构元素数学形态学的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101059964A CN101807294B (zh) | 2010-02-03 | 2010-02-03 | 一种利用多尺度多结构元素数学形态学的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101807294A true CN101807294A (zh) | 2010-08-18 |
CN101807294B CN101807294B (zh) | 2012-02-08 |
Family
ID=42609077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101059964A Expired - Fee Related CN101807294B (zh) | 2010-02-03 | 2010-02-03 | 一种利用多尺度多结构元素数学形态学的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101807294B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184534A (zh) * | 2011-05-25 | 2011-09-14 | 北京航空航天大学 | 一种利用多尺度高帽选择变换的图像融合方法 |
CN103310418A (zh) * | 2013-06-18 | 2013-09-18 | 奇瑞汽车股份有限公司 | 图像处理方法和装置 |
CN103679664A (zh) * | 2013-12-30 | 2014-03-26 | 北京航空航天大学 | 一种利用数学形态学交替滤波器的能够保留图像细节的增强方法 |
CN103679176A (zh) * | 2013-12-30 | 2014-03-26 | 北京航空航天大学 | 一种利用多尺度多结构元素高帽选择变换的线性特征提取方法 |
CN104346781A (zh) * | 2014-10-27 | 2015-02-11 | 北京航空航天大学 | 一种利用数学形态学切换变换构造形态学对比度算子的矿物图像增强方法 |
CN104376536A (zh) * | 2014-11-20 | 2015-02-25 | 北京航空航天大学 | 一种利用数学形态学高帽选择变换构造中心算子的图像增强方法 |
CN104574334A (zh) * | 2015-01-12 | 2015-04-29 | 北京航空航天大学 | 一种利用模糊度量和形态学交替算子的红外与可见光图像融合方法 |
CN104881855A (zh) * | 2015-06-10 | 2015-09-02 | 北京航空航天大学 | 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法 |
CN107220948A (zh) * | 2017-05-23 | 2017-09-29 | 长春工业大学 | 一种视网膜图像增强的方法 |
CN109388741A (zh) * | 2017-08-07 | 2019-02-26 | 上海诺亚投资管理有限公司 | 一种金融信息的推送方法和装置 |
CN113450373A (zh) * | 2020-08-18 | 2021-09-28 | 中国人民解放军63729部队 | 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法 |
-
2010
- 2010-02-03 CN CN2010101059964A patent/CN101807294B/zh not_active Expired - Fee Related
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184534A (zh) * | 2011-05-25 | 2011-09-14 | 北京航空航天大学 | 一种利用多尺度高帽选择变换的图像融合方法 |
CN103310418B (zh) * | 2013-06-18 | 2016-05-18 | 奇瑞汽车股份有限公司 | 夜视图像增强与眩光抑制的图像处理方法和装置 |
CN103310418A (zh) * | 2013-06-18 | 2013-09-18 | 奇瑞汽车股份有限公司 | 图像处理方法和装置 |
CN103679664B (zh) * | 2013-12-30 | 2016-07-06 | 北京航空航天大学 | 一种利用数学形态学交替滤波器的能够保留图像细节的增强方法 |
CN103679176A (zh) * | 2013-12-30 | 2014-03-26 | 北京航空航天大学 | 一种利用多尺度多结构元素高帽选择变换的线性特征提取方法 |
CN103679664A (zh) * | 2013-12-30 | 2014-03-26 | 北京航空航天大学 | 一种利用数学形态学交替滤波器的能够保留图像细节的增强方法 |
CN104346781A (zh) * | 2014-10-27 | 2015-02-11 | 北京航空航天大学 | 一种利用数学形态学切换变换构造形态学对比度算子的矿物图像增强方法 |
CN104376536A (zh) * | 2014-11-20 | 2015-02-25 | 北京航空航天大学 | 一种利用数学形态学高帽选择变换构造中心算子的图像增强方法 |
CN104574334A (zh) * | 2015-01-12 | 2015-04-29 | 北京航空航天大学 | 一种利用模糊度量和形态学交替算子的红外与可见光图像融合方法 |
CN104881855A (zh) * | 2015-06-10 | 2015-09-02 | 北京航空航天大学 | 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法 |
CN104881855B (zh) * | 2015-06-10 | 2017-07-28 | 北京航空航天大学 | 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法 |
CN107220948A (zh) * | 2017-05-23 | 2017-09-29 | 长春工业大学 | 一种视网膜图像增强的方法 |
CN109388741A (zh) * | 2017-08-07 | 2019-02-26 | 上海诺亚投资管理有限公司 | 一种金融信息的推送方法和装置 |
CN113450373A (zh) * | 2020-08-18 | 2021-09-28 | 中国人民解放军63729部队 | 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101807294B (zh) | 2012-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101807294B (zh) | 一种利用多尺度多结构元素数学形态学的图像增强方法 | |
Li et al. | An improved fusion algorithm for infrared and visible images based on multi-scale transform | |
CN102184534B (zh) | 一种利用多尺度高帽选择变换的图像融合方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
Vijayalakshmi et al. | A novel multilevel framework based contrast enhancement for uniform and non-uniform background images using a suitable histogram equalization | |
CN109961416B (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
Bai et al. | Multi scale top-hat transform based algorithm for image enhancement | |
Yan et al. | Method to Enhance Degraded Image in Dust Environment. | |
Li et al. | Gray level difference-based transition region extraction and thresholding | |
CN102289806A (zh) | 一种利用多尺度形态学特征的图像清晰度度量方法 | |
Lee et al. | Multiscale morphology based illumination normalization with enhanced local textures for face recognition | |
Widyantara et al. | Image enhancement using morphological contrast enhancement for video based image analysis | |
Li et al. | Color edge detection based on mathematical morphology in HSI space | |
Román et al. | Image color contrast enhancement using multiscale morphology | |
Han et al. | Recognition and segmentation of complex texture images based on superpixel algorithm and deep learning | |
CN106408029B (zh) | 一种基于结构差分直方图的图像纹理分类方法 | |
Wu et al. | Research on morphological wavelet operator for crack detection of asphalt pavement | |
CN103903243A (zh) | 一种利用形态学中心算子的图像融合方法 | |
CN104376536A (zh) | 一种利用数学形态学高帽选择变换构造中心算子的图像增强方法 | |
CN103679176A (zh) | 一种利用多尺度多结构元素高帽选择变换的线性特征提取方法 | |
Gautam et al. | Efficient contrast enhancement based on local–global image statistics and multiscale morphological filtering | |
Zhang et al. | A Single-Stage Unsupervised Denoising Low-Illumination Enhancement Network Based on Swin-Transformer | |
CN110335225B (zh) | 红外光图像与可见光图像融合的方法 | |
CN106815845A (zh) | 基于像素概率密度分类的彩色图像分割方法 | |
Wei et al. | Research on edge detection based on mathematical morphology algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120208 Termination date: 20150203 |
|
EXPY | Termination of patent right or utility model |