大葱姜蒜

Score: 86
Uploads: 3
Downloads: 47
Create time: 2019-10-29 10:22:39

Upload log:
Retinex图像增强算法.zip - 文件有几个基于视网膜的图像增强技术,有SSR,MSR代码
直方图均衡化.zip - 基于直方图均衡化的图像增强,MATLAB仿真可成功运行
白平衡代码.zip - 几个白平衡程序,都能运行出来,可以用于水下图像偏绿偏蓝现象的颜色调整

Download log:
underwaterCorrection.rar - 基于暗通道先验的颜色校正算法进行仿真模拟,得到了较为自然准确的恢复图像。本文仿真的算法主要分为三个子模块:暗通道先验、折射率计算、颜色校正。暗通道先验提供了颜色校正需要的参数,颜色校正后的图片基本实现了颜色失真的校正。最后对处理得到的图片进行质量评价。实验结果表明,本文的算法能够基本实现水下图像的恢复,能够很好地校正失真的图像,改善颜色失真的情况。
图像融合+源代码+matlab.rar - 将前景与背景的图像融合,程序有效,图像为彩色合成,另附其他融合算法
Image-Fusion.zip - 泊松融合在某种意义上解决了图像融合的问题,但其在融合的过程中仅仅考虑了融入图像的梯度,而没有利用背景图像的梯度,因此,在使用泊松融合的过程中,需要对融入区域的标记较为准确,否则,会造成背景纹理的丢失,视觉上可以明显觉察图像融入的痕迹。因此,对公式稍作修改,在考虑前景的同时考虑背景的变化,可以得到更优的结果。
Saliency-Detection.rar - 提出一种新的显着性检测方法,通过将区域级显着性估计和像素级显着性预测与CNN(表示为CRPSD)相结合。对于像素级显着性预测,通过修改VGGNet体系结构来执行完全卷积神经网络(称为像素级CNN)以执行多尺度特征学习,基于该学习进行图像到图像预测以完成像素级显着性检测。对于区域级显着性估计,首先设计基于自适应超像素的区域生成技术以将图像分割成区域,基于该区域通过使用CNN模型(称为区域级CNN)来估计区域级显着性。通过使用另一CNN(称为融合CNN)融合像素级和区域级显着性以形成nal显着图,并且联合学习像素级CNN和融合CNN。对四个公共基准数据集的大量定量和定性实验表明,所提出的方法大大优于最先进的显着性检测方法。
BBSD.rar - 基于区域的空间域图像融合。先对源图像作小波分解,低频分量加权平均,高频分量用模糊C均值聚类算法进行区域分割,对区域进行基于ssim值的融合,最后小波逆变换得到融合图像。
Separating-Adjoined-Apples.zip - 提出了利用亮度和颜色的信息融合来分割邻接苹果的方法。首先使用 Lab 模型对苹果图像进行分 割 ,然后计算分割后每个区域的面积 ,并判断其是否为邻接苹果区域。
17092240gaijinfensuilin.rar - 空域的图像对象分割,改进的分水岭变换。时域分割的模板与空域分水岭变换的结果融合得到最终的分割结果
matting.zip - 用于分割前景的轮廓,可以再融合前分割,使融合的效果更好
colorseg.rar - 一种彩色分割的算法,基于各个波段进行分割,然后将分割的结果进行融合
Two scale image fusion.zip - 使用两尺度分解的方法对图像进行融合,提高图像的空间分辨率和细节信息
add_image_use.zip - 图像融合之像素级融合层次----加权平均法
图像处理评价指标.zip - 图像融合中的平均梯度、相关系数、信息熵、交叉熵、联合熵、均方误差、互信息、信噪比、峰值信噪比、均方根误差、空间频率、标准差、均值、扭曲程度、偏差指数等等
基于遗传算法的图像融合.zip - 基于遗传算法的图像融合,应用于求解图像融合的常用算法,matlab编写 ,很好的实现了,希望 对大家学习 有用
基于NSCT与PCNN的自适应图像融合_纪峰.zip - 该算法很好地保留了源图像的信息,消除了伪吉布斯现象,提高了融合图像的视觉效果,是一种更适合人眼观察,可行有效的图像融合方法.
MATLAB风景、人物图像融合.rar - 小波分解图像融合,通过使用matlab对图像和人物进行融合,当融合以后,看不出任何PS的痕迹
27796701nsct_fusion.zip - 基于非下采样轮廓波变换(nsct)的图像融合,具有平移不变性,效果不错。
图像融合程序代码.zip - 可对两幅彩色图像进行融合,包含多个matlab源程序
GFF_1.0.zip - 基于导向滤波的图像融合,可用于多曝光,多聚焦等图像融合
Adaptive.rar - 基于自适应的图像融合算法,matlab实现
imagefusion.rar - IHS算法高分辨率灰度图和低分辨率彩色图像融合,包括原始版本和改进版本,附带测试图片,程序完美运行,可以看出IHS算法实际的效果!

Favorite: