Mammographic Image Enhancement using Digital Image Processing Technique
Stmik Duta Bangsa
摘要本研究的目的是通过对乳腺X线摄影图像进行图像增强,利用负像变换和直方图均衡化技术进行微钙化检测。将.pgm格式更改为.pgm格式的乳房X线摄影成像。JPG格式,然后处理成负图像结果,然后使用直方图均衡化再次处理。比较使用负图像技术和均衡直方图的图像增强处理的结果,并在每个乳房X线摄影图像上用MSE和PSNR进行验证。结论:可以对乳腺X射线摄影图像进行图像增强处理,但是只有一些图像质量有所改善,这受到阈值使用的影响,这对乳腺X射线摄影图像获得更好的可视化具有重要作用。关键词-分量;图像增强,图像负像,直方图均衡化,乳腺摄影,乳腺癌
2018-06-29 cs.CV eess.IV
Performance Evaluation of Histogram Equalization and Fuzzy image Enhancement Techniques on Low Contrast Images
Nnamdi Azikiwe University(南迪·阿齐克韦大学)
图像增强的目的是为了达到特定的目的而提高原始图像的信息含量。这一目的可以是进行目视判读或有效提取所需的细节。然而,一些获取的图像通常与低动态范围的像素相关联,并且因此导致低对比度图像。因此,增强对比度倾向于增加所获取的图像中的灰度级的动态范围,以便跨越整个强度范围。可以采用诸如直方图均衡化(HE)和模糊技术的技术来进行对比度增强。HE通过修改其直方图的强度分布来调整输入图像的对比度。它的特点是提供了一种全局的图像增强方法,计算速度快,易于实现的方法,但可以引入不自然的伪影和其他不希望的元素,得到的图像。模糊技术通过隶属度函数将图像灰度级映射到模糊平面上,然后根据需要修改隶属度函数,再映射回灰度平面,从而增强图像。因此,可以以增加计算成本为代价来增强期望区域处的细节。本文探讨了利用HE和模糊技术对低对比度图像进行增强的效果。使用均方误差(MSE),峰值信噪比(PSNR),熵和绝对平均亮度误差(AMBE)来评估它们的性能。
2019-09-01 cs.CV eess.IV
Multidimensional Contrast Limited Adaptive Histogram Equalization
对比度增强是图像处理和计算机视觉中用于提高下游任务性能的重要预处理技术。在现有的基于非线性直方图变换的方法中,对比度受限自适应直方图均衡(CLAHE)是处理在自然和科学环境中获得的2D图像的流行选择。数据采集系统中的最新硬件升级导致数据复杂性的显著增加,包括其大小和尺寸。在自然科学和工程的各种应用中,对高于三维的密集采样数据(通常由作为外部参数的函数的3D数据组成)的测量变得越来越普遍。这些复杂的多维数据集的初始理解通常需要通过视觉检查进行人工干预,这可能会受到渗透到各个维度的不同对比度的阻碍。我们定性和定量地表明,使用我们的多维扩展CLAHE(MCLAHE)同时对所有维度的数据集,可以更好地可视化和识别多维图像特征,如使用4D光电子能谱和荧光显微镜的情况下所证明的。我们在Tensorflow中实现的多维CLAHE可公开访问,并支持多个CPU和各种其他硬件加速器(包括GPU)的并行化。
2019-11-09 eess.IV eess.SP physics.data-an
HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image Translation
Monash University(莫纳什大学)
针对LDR转HDR图像重建中过曝或欠曝区域细节缺失的问题,提出HistoHDR-Net,利用直方图均衡化的LDR图像结合自注意力引导的融合方法恢复精细细节,实验证明其优于现有方法。
2024-02-08 cs.AI cs.CV cs.GR
Underwater Image Enhancement Using Convolutional Neural Network
National Institute of Technology(国立理工学院)
提出了一种基于直方图均衡化原理的水下图像增强方法。由于水下图像具有全局强主色,因此其色彩和对比度常常降低。在对图像应用直方图均衡化技术之前,将图像从彩色图像转换为灰度图像以供进一步操作。直方图均衡化是一种用于调整图像强度以增强对比度的技术。使用卷积神经网络模型保留图像的颜色,该模型由水下图像的数据集训练,以提供更好的结果。
2021-09-18 cs.CV cs.LG eess.IV
Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation
Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校);National Institute of Technology Delhi(印度德里国家技术学院)
背景和目的:人工智能(AI)方法与生物医学分析相结合,在大流行期间发挥着关键作用,因为它有助于缓解医疗保健系统和医生的巨大压力。随着持续的COVID-19危机在巴西和印度等人口密集和检测试剂盒不足的国家蔓延,放射成像可以作为一种重要的诊断工具,准确地对COVID-19患者进行分类,并在适当的时候开出必要的治疗处方。出于这个动机,我们提出了我们的研究基于深度学习架构,用于使用胸部X光检测新冠肺炎感染的肺部。数据集:我们共收集了2470张图像,分为三个不同的类别标签,即健康肺部、普通肺炎和新冠肺炎,其中470张X射线图像属于新冠肺炎类别。方法:我们首先使用直方图均衡化技术对所有图像进行预处理,然后使用U-网结构对它们进行分割。然后使用VGG-16网络对预处理后的图像进行特征提取,并通过SMOTE过采样技术对图像进行进一步采样,以获得平衡的数据集。最后,类平衡的功能进行分类,使用支持向量机(SVM)分类器与10倍交叉验证和准确性进行评估。结果与结论:我们的新方法结合了众所周知的预处理技术,特征提取方法和数据集平衡方法,使我们在2470张X射线图像的数据集上对COVID-19图像的识别率达到98%。因此,我们的模型适合在医疗机构中用于筛查目的。
2022-07-11 cs.CV cs.LG eess.IV
Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches
AGH University of Krakow(克拉科夫AGH大学);Universitas Pembangunan Nasional Veteran Yogyakarta(日惹国家发展老兵大学);Hohai University(河海大学);Universitas Ahmad Dahlan(艾哈迈德·达赫兰大学)
该研究在3064张脑部MRI图像上比较HE、CLAHE及其混合增强策略结合U-Net的脑肿瘤分割效果,发现CLAHE-HE在准确率、Jaccard和Dice等指标上表现最佳。
2024-04-08 cs.CV eess.IV
A Convex Model for Edge-Histogram Specification with Applications to Edge-preserving Smoothing
边缘直方图规范的目标是找到一个图像,其边缘图像具有尽可能匹配给定的边缘直方图的直方图。Mechtette提出了一个非凸模型[M.马格利特一种基于能量的图像边缘直方图规范问题模型。IEEE Transactions on图像处理,21(1):379- 386,2012]。在他的工作中,输入图像的边缘幅度首先修改直方图规格,以匹配给定的边缘直方图。然后,一个非凸模型被最小化,以找到一个输出图像的边缘直方图匹配修改后的边缘直方图。模型的非凸性阻碍了计算和包括有用的约束,如动态范围约束。在本文中,而不是考虑边缘幅度,我们直接考虑图像梯度,并提出了一个凸模型的基础上。此外,我们还根据不同的应用程序在模型中加入了额外的约束条件。我们的模型的凸性,使我们能够有效地计算输出图像使用交替方向方法的乘法器或快速迭代收缩保持算法。我们考虑几个应用程序中的边缘保持平滑,包括图像抽象,边缘提取,细节夸张,和文件扫描通过删除。数值结果表明,我们的方法成功地产生体面的结果有效。
2018-06-21 eess.IV
An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray Positions Classification
牙科X光片分析是日常临床实践中诊断过程的重要组成部分。专家的解释包括牙齿检测和编号。在这个项目中,提出了一种基于自适应直方图均衡和卷积神经网络(CNN)的新解决方案,它自动执行牙科X射线的任务。为了提高检测精度,我们提出了三种预处理技术,以补充基线CNN的基础上,一些先验领域的知识。首先利用图像锐化和中值滤波去除脉冲噪声,在一定程度上增强了边缘。其次,采用自适应直方图均衡化方法克服了HE噪声放大过大的问题。最后,提出了一种多CNN混合模型来分类六个不同位置的牙齿切片。结果表明,该测试集的准确性和特异性均超过90%,AUC达到0.97。此外,四名牙医被邀请手动注释测试数据集(独立),然后将其与我们提出的算法获得的标签进行比较。实验结果表明,该方法能有效地识别牙齿的X射线位置。
2020-05-01 cs.CV eess.IV
Sylvester Matrix Based Similarity Estimation Method for Automation of Defect Detection in Textile Fabrics
University of Peradeniya(佩拉德尼亚大学)
织物瑕疵检测是纺织制造业中至关重要的质量控制步骤。在这篇文章中,机器视觉系统基于西尔维斯特矩阵的相似性方法(SMBSM)的基础上提出了自动化的缺陷检测过程。该算法包括六个阶段,即分辨率匹配,图像增强使用直方图规范和基于中值均值的子图像裁剪直方图均衡,图像配准通过对齐和滞后过程,图像相减,边缘检测,和故障检测的西尔维斯特矩阵的秩的装置。实验结果表明,该方法具有较好的鲁棒性,在2275 ms的计算速度下,识别准确率为93.4%,精度为95.8%.
2020-12-09 cs.CV eess.IV
Luminosity-Adaptive Contrast Enhancement Using CLAHE for Retinal Fundus Images with Quantitative Validation and Comparative Analysis
Independent Researcher, Department of Information and Computer Engineering, Scottsdale, AZ, USA(独立研究者,信息与计算机工程系,斯科茨代尔,亚利桑那州,美国);Seidenberg School of Computer Science and Information Systems, Pace University, New York City, NY, USA(塞登堡计算机科学与信息系统学院,帕克大学,纽约市,纽约州,美国)
该研究针对视网膜眼底图像因光照等问题影响诊断的情况,提出结合HSV颜色空间分解亮度校正与CLAHE的两阶段图像增强流程,经实验验证其在对比度和结构保真度上优于传统方法,处理速度适配临床筛查。
2026-07-21 cs.CV cs.ET eess.IV
A Comparative Tutorial of the Histogram-based Image Segmentation Methods
School of computer science and technology, Huaibei Normal University(淮北师范大学计算机科学与技术学院)
本教程回顾并比较了四类基于直方图的图像分割方法,旨在教授其原理、评估优缺点,并与最先进的深度学习方法进行客观性能对比。
2025-04-01 cs.CV eess.IV
DeepHist: Differentiable Joint and Color Histogram Layers for Image-to-Image Translation
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
我们介绍了DeepHist -一种新的深度学习框架,用于通过直方图层来增强网络,并通过解决图像到图像的翻译问题来展示其实力。具体来说,给定输入图像和参考颜色分布,我们的目标是生成具有输入(源)的结构外观(内容)但具有参考颜色的输出图像。其关键思想是一种新的技术,用于输出图像的联合直方图和颜色直方图的可区分构造。我们进一步定义了一个颜色分布损失的基础上的地球移动器的距离之间的输出和参考的颜色直方图和互信息损失的基础上的联合直方图的源和输出图像。在色彩转移、图像着色和$\rightarrow$照片边缘处理等任务中,控制了输出图像的色彩分布,取得了令人满意的结果。与Pix 2 Pix和CyclyGAN进行了比较。
2020-05-06 cs.CV eess.IV
An Improved Real-Time Face Recognition System at Low Resolution Based on Local Binary Pattern Histogram Algorithm and CLAHE
The University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Texas State University(德克萨斯州立大学)
本研究提出一个改良的实时的【形】人脸辨识系统,在15像素的低分辨率下,具有姿态和情绪以及分辨率变化。我们设计了名为LRD 200和LRD 100的数据集,用于训练和分类。人脸检测部分使用Viola-Jones算法,人脸识别部分接收来自人脸检测部分的人脸图像,使用局部二值模式直方图(LBPH)算法进行处理,并使用对比度限制自适应直方图均衡化(CLAHE)和人脸对齐进行预处理。该系统中的人脸数据库可以通过我们定制的独立Android应用程序进行更新,并使用更新的数据库自动重新启动训练和识别过程。使用我们提出的算法,一个实时的【形】人脸识别的准确率为78.40%,在15 px和98.05%,在45 px已达到使用LRD 200数据库包含200个图像的人。在数据库(LRD 100)中每人100张图像的情况下,在15 px和45 px下分别达到60.60%和95%的准确率。当被试的面部与正面两侧偏置约30度时,平均人脸识别准确率为72.25% -81.85%。该人脸识别系统可用于执法目的,其中监控摄像机由于人与摄像机的距离而捕获低分辨率图像。它也可以用作机场,公共汽车站等的监控系统,以减少可能的犯罪威胁的风险。
2021-04-15 cs.CV eess.IV
Wasserstein Image Local Analysis: Histogram of Orientations, Smoothing and Edge Detection
方向梯度直方图是一种广泛使用的图像特征,它基于数值微分来描述图像的局部方向性。由于其不适定的性质,小的噪声可能导致大的误差。传统的HOG可能无法产生有意义的方向性结果中存在的噪声,这是常见的医学射线照相成像。我们接近的方向性问题,从一个新的角度来看,通过使用的最佳运输映射的局部图像补丁到一个单色补丁的平均值。我们将交通地图分解为不同方向的子工作成本。我们评估了最佳运输的能力,以量化肿瘤异质性的脑MRI图像与多形性胶质母细胞瘤患者从TCIA。通过考虑肿瘤区域内提取的局部方向性的熵差,我们发现在其图像中具有较高熵的患者具有统计学显著较差的总体存活率(p $=0.008$),这表明在许多方向上表现出流动的肿瘤可能更恶性,这可能反映了高的肿瘤组织学等级,反映了组织学紊乱。我们还探讨了解决经典的图像处理问题,如平滑和边缘检测通过最佳运输的可能性。通过寻找一个2色补丁的最小传输距离的局部补丁,我们得到一个非线性冲击滤波器,它保持边缘。此外,我们发现,计算的2色补丁的色差指示是否存在较大的颜色变化,即,给定面片中的边。总之,我们扩展了最佳传输作为图像局部分析工具的有用性,以提取用于结果预测以及图像预处理的成像肿瘤异质性的鲁棒性测量。由于其强大的性质,我们发现它提供了几个优势,经典的方法。
2022-05-11 eess.IV
MS-HLMO: Multi-scale Histogram of Local Main Orientation for Remote Sensing Image Registration
Beijing Institute of Technology(北京理工大学);Mississippi State University(密西西比州立大学)
多源图像配准由于图像之间的强度、旋转和尺度差异而具有挑战性。针对多源遥感影像的特点和差异,提出了一种基于特征的多尺度局部主方向直方图配准算法。首先采用Harris角点检测生成特征点;每个Harris特征点的HLMO特征是在具有广义梯度位置和方向直方图(GGLOH)特征描述符的部分主方向图(PIMs)上提取的,该特征描述符提供高强度、旋转和尺度不变性。通过多尺度匹配策略对特征点进行匹配。在17个多源遥感场景上的综合实验表明,本文提出的MS-HLMO及其简化版本MS-HLMO $^+$在配准效果和泛化能力方面优于其他竞争性算法。
2022-04-01 cs.CV eess.IV
Improving Segmentation of Breast Ultrasound Images: Semi Automatic Two Pointers Histogram Splitting Technique
Illinois Institute of Technology(伊利诺伊理工学院);Rutgers University(罗格斯大学)
乳腺超声图像中存在噪声、斑点噪声和伪影,因此自动分割乳腺超声图像中的病变区域是一个具有挑战性的问题。BUS图像的边缘图也没有帮助,因为在大多数情况下,边缘图没有提供任何信息。几乎所有的分割技术都是以图像的边缘图作为第一步,尽管也有一些算法试图避免边缘图。改进乳腺超声图像的边缘图从理论上提高了自动分割的机会,更精确。在本文中,我们提出了一个半自动的技术直方图分裂使用两个指针。在这里,用户只需选择两个最初猜测的点,表示感兴趣区域(ROI)上的圆。该方法将自动研究内部直方图,并使用两个指针将其拆分。输出的BUS图像具有改进的边缘图,并且最终在其上的分割与使用相同算法和相同初始化的常规分割相比更好。此外,我们进一步处理边缘图,以减少边缘像素与面积的比例,提高均匀性和未来容易分割的机会。
2022-10-20 cs.CV eess.IV
Mobile-end Tone Mapping based on Integral Image and Integral Histogram
Westlake University(西湖大学);University of Calgary(卡尔加里大学)
宽动态范围(WDR)图像色调映射在许多应用(如胶片制作、安全监控和摄影)中具有很高的需求。这对于移动设备尤其重要,因为今天拍摄的大多数图像都来自手机,因此这种技术在移动设备的消费市场中需求很高,并且对于良好的客户体验至关重要。然而,高质量和高性能的宽动态范围图像色调映射的实现很少在移动端找到。在本文中,我们介绍了一种高性能,移动端宽动态范围图像色调映射的实现。它利用多个感受野的色调映射结果,并为每个像素计算合适的值。积分图像和积分直方图的使用大大减少了所需的计算量。此外,GPU的并行计算,以提高处理速度。实验结果表明,我们的实现可以在一秒钟内处理一个高分辨率的宽动态范围内的移动设备上的图像,并产生吸引人的图像质量。
2021-02-02 cs.CV eess.IV
Enhanced Unsupervised Image-to-Image Translation Using Contrastive Learning and Histogram of Oriented Gradients
本文提出基于CUT模型并结合HOG特征的增强无监督图像到图像翻译方法,通过最小化HOG特征损失保留语义结构,有效减少伪影幻觉并提升图像质量。
2024-09-26 cs.CV eess.IV
Reproducibility in medical image radiomic studies: contribution of dynamic histogram binning
Mayo Clinic(梅奥诊所)
用于放射性组学特征提取的动态直方图分箱的事实上的标准导致对注释区域中的波动的灵敏度提高。这可能会影响最近发表的大多数放射组学研究,并导致基于放射组学的机器学习的重现性差的问题,这导致了数据协调的重大努力;然而,我们认为这里强调的问题相对被忽视,但通常通过选择静态分箱来解决。放射组学领域通过社区标准和开源库(如PyRadiomics)的发展得到了改善。但是,图像采集的差异、观察者注释之间的系统差异以及预处理步骤仍然构成挑战。这些可以改变体素的分布,从而改变提取的特征,并且可以通过动态分箱来加剧。
2022-11-09 cs.CV eess.IV
Reversible Data Hiding in Encrypted Images Using MSBs Integration and Histogram Modification
针对加密图像可逆数据隐藏,本文整合加密像素 MSB 预留嵌入空间,并结合直方图修改、预测误差与棋盘预测器,实现可分离提取及无数据隐藏密钥下的完美重建。
2020-11-14 cs.MM eess.IV
Sorting Methods and Adaptive Thresholding for Histogram Based Reversible Data Hiding
提出了一种基于直方图的可逆数据隐藏方案,该方案将图像像素划分为不同的单元频段进行排序,以便于数据的嵌入。数据隐藏在较低小区频段中更有效,因为它提供更准确的预测。使用超低单元频段的一些像素中的像素存在概率,执行另一排序。采用这两种新的排序方法结合隐藏强度分析,确定最佳的预测误差,我们提高了标记图像的质量,特别是对于低嵌入容量。实际上,与现有的RDH算法相比,对于标记图像的特定失真水平,隐藏容量增加。实验结果表明,该算法的性能优于最先进的。
2019-12-26 cs.MM eess.IV
Tone Mapping Based on Multi-scale Histogram Synthesis
Westlake University(西湖大学);University of Calgary(卡尔加里大学)
在本文中,我们提出了一种新的色调映射算法,可用于显示宽动态范围(WDR)的低动态范围(LDR)设备上的图像。该算法主要是由人类视觉系统(HVS)的对数响应和局部自适应功能的动机。HVS在不同的适应水平下感知亮度不同,因此我们的算法使用建立在不同尺度上的函数来将像素色调映射到不同的值。大尺度函数用于保持图像亮度一致性,小尺度函数用于保持局部细节和对比度。提出了一种利用局部方差的有效方法来融合不同尺度的值并去除伪影。该算法利用积分图像和积分直方图来降低计算复杂度和处理时间。实验结果表明,该算法可以生成高亮度,良好的对比度和吸引力的图像,超过了许多国家的最先进的色调映射算法的性能。该项目可在https://github.com/jieyang1987/ToneMapping-Based-on-Multi-scale-Histogram-Synthesis上查阅。
2021-01-31 cs.CV eess.IV
Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task Deep Network for Medical Image Semantic Segmentation
University College London(伦敦大学学院);NAAMII;Redev Technology(Redev科技)
我们提出了一种新的用于医学图像分割的深度多任务学习方法。现有的多任务方法需要用于主要任务和辅助任务的地面实况注释。与此相反,我们建议以无监督的方式生成辅助任务的伪标签。为了生成伪标签,我们利用了方向直方图(HOG),这是最广泛使用和强大的手工检测功能之一。结合主任务的真实语义分割掩码和辅助任务的伪标签,我们学习深度网络的参数,以最大限度地减少主任务和辅助任务的损失。我们采用我们的方法在两个强大的和广泛使用的语义分割网络:UNet和U2Net训练在多任务设置。为了验证我们的假设,我们在两个不同的医学图像分割数据集上进行了实验。从大量的定量和定性结果,我们观察到,我们的方法一贯提高性能相比,对应部分的方法。此外,我们的方法是与MICCAI 2021联合举办的FetReg Endovis语义分割子挑战赛的获胜者。
2022-04-02 cs.CV eess.IV
Histogram Matching Augmentation for Domain Adaptation with Application to Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Image Segmentation
Nanjing University of Science and Technology(南京理工大学)
卷积神经网络(CNN)在训练样本和测试样本来自相同分布的情况下,可以实现心脏结构分割的高精度。然而,如果测试用例来自不同的域(例如,新的MRI扫描仪,临床中心)。在本文中,我们提出了一个直方图匹配(HM)的数据增强方法,以消除域间隙。具体来说,我们的方法通过使用HM将测试用例的强度分布转移到现有的训练用例来生成新的训练用例。所提出的方法非常简单,可以即插即用的方式用于许多分割任务。该方法在MICCAI 2020 M\&MS挑战上进行了评估,并且对于左心室、心肌和右心室分别实现了0.9051、0.8405和0.8749的平均Dice分数以及9.996、12.49和12.68的Hausdorff距离。我们的成果在MICCAI 2020 M\&Ms挑战赛中排名第三。代码和训练模型可在\url{https://github.com/JunMa11/HM_DataAug}上公开获得。
2020-12-27 cs.CV eess.IV
Histogram-based Auto Segmentation: A Novel Approach to Segmenting Integrated Circuit Structures from SEM Images
Florida Institute for Cyber Security Research(佛罗里达网络安全研究院);University of Florida(佛罗里达大学)
在逆向工程和硬件保证领域,大部分数据采集是通过电子显微镜技术,如扫描电子显微镜(SEM)完成的。然而,与光学成像中的对应物不同,只有有限数量的技术可用于从原始SEM图像中增强和提取信息。在本文中,我们介绍了一种算法分割出集成电路(IC)结构的SEM图像。与本文讨论的现有算法不同,该算法是无监督的,无参数的,并且不需要关于目标图像中的噪声模型或特征的先验信息,这使得它在低质量图像采集场景中也是有效的。此外,从应用程序的算法在IC中的各种结构和层的结果进行了报告和讨论。
2020-04-28 cs.CR cs.CV eess.IV
Histogram Assisted Quality Aware Generative Model for Resolution Invariant NIR Image Colorization
Indian Institute of Science Education and Research Bhopal(印度科学教育与研究学院博帕尔)
HAQAGen通过结合直方图匹配、SPADE和Mamba网络,实现分辨率不变的近红外图像到RGB的高质量着色,提升纹理和颜色的真实感。
2026-01-03 cs.CV eess.IV
Dual-Domain Fusion Convolutional Neural Network for Contrast Enhancement Forensics
对比度增强(CE)取证技术一直是图像取证界的极大兴趣,因为它们可以恢复图像历史和识别篡改图像的有效工具。虽然已经提出了一些CE取证算法,其准确性和对某些处理的鲁棒性仍然不能令人满意。为了弥补这一不足,本文提出了一种基于双域融合卷积神经网络的图像像素域和直方图域特征融合的CE取证框架。具体来说,我们首先提出了一个像素域的卷积神经网络(P-CNN)自动捕捉模式的对比度增强图像的像素域。然后,我们提出了一个直方图域的卷积神经网络(H-CNN)提取直方图域的特征。融合像素域和直方图域的特征表示,并送入两个完全连接的层进行对比度增强图像的分类。实验结果表明,该方法具有较好的性能,对预JPEG压缩和反取证攻击具有较强的鲁棒性。此外,还探讨了一种提高基于CNN的取证性能的策略,为基于CNN的取证工具的设计提供了指导。
2019-10-17 cs.MM eess.IV
Land Use and Land Cover Classification using a Human Group based Particle Swarm Optimization Algorithm with a LSTM classifier on hybrid-pre-processing Remote Sensing Images
SRM TRP Engineering College(SRM TRP工程学院);University of Sannio(萨尼奥大学);GSSS Institute of Engineering and Technology for Women(GSSS女子工程技术学院)
利用遥感影像进行土地利用/土地覆盖分类在环境建模和土地利用现状调查中起着重要作用。在这项研究中,提出了一种混合特征优化算法以及深度学习分类器,以提高LULC分类的性能,帮助预测野生动物栖息地,环境质量恶化,偶然性等。在对遥感图像进行选择后,采用归一化和直方图均衡化方法来提高图像质量。然后,利用局部Gabor二值模式直方图序列(LGBPHS)、方向梯度直方图(HOG)和Haralick纹理特征进行混合优化,从所选图像中提取特征。这种混合优化的好处是对彩色和灰度图像的高分辨力和不变性。其次,基于人类群体的粒子群优化(PSO)算法被应用于选择最佳的功能,其优点是收敛速度快,易于实现。在选择最佳特征值之后,利用长短期记忆(LSTM)网络对LULC类进行分类。实验结果表明,基于人类群体的PSO算法与LSTM分类器有效区分土地利用和土地覆盖类在分类准确率,召回率和精度。当应用所提出的方法时,与现有的GoogleNet,VGG,AlexNet,ConvNet模型相比,准确率提高了2.56%。
2020-11-07 cs.CV eess.IV
Hist2Style: Histogram-Guided Stylization with Bilateral Grids
Adobe Nextcam;University of California, Berkeley(加州大学伯克利分校)
提出Hist2Style,利用双边网格实现快速、边缘感知的逼真风格迁移,通过蒸馏大模型为轻量网络,并基于直方图嵌入提供可解释的用户控制。
2026-06-01 cs.CV eess.IV
Equalization and Brightness Mapping Modes of Color-to-Gray Projection Operators
在本文中,彩色RGB图像到灰度的转换通过描述用于将3个颜色通道投影到单个颜色通道的数学运算符来描述。基于大多数操作员为每种$256^3$颜色分配单个灰度级(范围从0到255)的事实,它们是将颜色群体分布到亮度递增的256个聚类中的聚类算法。为了可视化操作员的工作方式,绘制了聚类的大小和每个聚类的平均亮度。在这项工作中引入的均衡模式(EQ)的重点是集群大小,而亮度映射(BM)模式描述的CIE L* 亮度分布每个集群。在线性算子中发现三类EQ模式和两类BM模式,定义了6类分类。引入的理论/方法框架被应用在一个案例研究中,考虑等权重的均匀算子,标准算子,和一个被选为理想的算子,以减轻黑人的脸,以提高当前有偏见的分类器的面部识别。发现用于评估颜色到灰度转换的质量的大多数当前度量更好地评估两个BM模式类中的一个,但是由人类团队选择的理想算子属于另一类。因此,这警告不要将这些通用度量用于特定目的的颜色到灰度转换。应该指出的是,这个框架的最终应用程序的非线性运营商可能会产生新的类EQ和BM模式。本文的主要贡献是提供了一个工具,以更好地理解颜色到灰色的转换器一般,即使是那些基于机器学习,在当前的趋势,更好地解释模型。
2022-08-21 cs.CV eess.IV
Q-matrix Unaware Double JPEG Detection using DCT-Domain Deep BiLSTM Network
Indian Institute of Technology Gandhinagar(印度理工学院甘地讷格尔分校)
双JPEG压缩检测近年来受到了广泛的关注,由于其适用性作为最广泛使用的JPEG文件格式的取证工具。现有的基于CNN的方法要么使用所有频率的直方图,要么依赖于统计学来选择特定低频的直方图来对单压缩和双压缩图像进行分类。然而,即使在双压缩图像/补丁的较低频率中,所有频率的直方图也不具有可区分的特征以将它们与单压缩图像分开。该方法直接从JPEG图像中提取量化后的DCT系数,而不需要在像素域进行解压缩,得到所有AC频率的直方图,使用基于$1\times 1$深度卷积的模块学习每个直方图与相应的q因子之间的内在关系,并利用定制的BiLSTM网络对这些特征向量序列进行选择性编码。该系统优于几个基线方法上的一个相对较大的和不同的公开可用的数据集的单,双压缩补丁。任何单JPEG压缩检测系统与双JPEG压缩检测系统的另一个基本方面是处理测试块使用与训练时使用的量化矩阵(Q矩阵)完全不同的量化矩阵(Q矩阵)进行压缩的场景;不同的相机制造商和图像处理软件通常使用其定制的量化矩阵。一组广泛的实验表明,在单个数据集上训练的所提出的系统在使用完全不可见的量化矩阵压缩的其他数据集上具有很好的泛化能力,并且在可见和不可见的量化矩阵场景中都优于最先进的方法。
2021-04-10 cs.LG cs.MM eess.IV