A novel scheme for binarization of vehicle images using hierarchical histogram equalization technique
MCKV Institute of Engineering（MCKV工程学院）；Jadavpur University（贾达普大学）
车牌自动识别系统是一个极具挑战性的研究领域，而二值化是车牌自动识别系统中不可或缺的重要组成部分，在现实生活中，现有的二值化方法大多无法对CCD摄像机拍摄的拥挤道路上的车辆图像进行正确的二值化。在目前的工作中，我们已经应用直方图均衡技术在完整的图像，也在不同层次的图像分割。提出了一种新的直方图均衡化算法，该算法为每个直方图均衡化层次的每个像素提供隶属度值。然后根据每个像素的净隶属度值对图像进行二值化。在车辆图像数据集和车牌数据集上对该方法进行了详尽的评估，给出了令人满意的性能。
2015-01-22 cs.CV
FPGA Implementation of Minimum Mean Brightness Error Bi-Histogram Equalization
National Institute of Technology Delhi（德里国家理工学院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
直方图均衡化是一种常用的对比度增强方法。通常，平均亮度在直方图均衡中不守恒。最初，提出了双直方图均衡（BBHE）来增强对比度，同时保持平均亮度。然而，当平均亮度是主要关注点时，最小平均亮度误差双直方图均衡化（MMBEBHE）是最好的技术。直方图均衡化在FPGA上有几种实现，但据我们所知，MMBEBHE以前没有在FPGA上实现过。因此，我们提出了一种MMBEBHE在FPGA上的实现。
2020-02-12 cs.AR cs.CV eess.IV
Halo Reduction in Display Systems through Smoothed Local Histogram Equalization and Human Visual System Modeling
Hokkaido University（北海道大学）
针对局部直方图均衡化算法中的光晕伪影问题，提出通过分别处理明暗变体并结合人类视觉系统侧向抑制机制建模的方法，有效减少光晕并生成视觉自然的图像。
2024-02-09 cs.CV eess.IV
Reflectance-Oriented Probabilistic Equalization for Image Enhancement
NTT Corporation（日本电报电话公司）
尽管最近在图像增强方面取得了进展，但现有方法仍然难以自适应地提高低光和正常光图像的亮度和对比度。为了解决这个问题，我们提出了一种新的二维直方图均衡化方法。它假设强度出现和同现是相互依赖的，并通过边缘化强度同现的分布（2D直方图）来导出强度出现的分布（1D直方图）。该方案更有效地提高了全局对比度，降低了噪声放大。通过将图像反射率中的局部像素值差异结合到密度估计中来定义2D直方图，以减轻暗照明条件的不利影响。超过500张图像用于评估，证明了我们的方法优于现有的研究。它可以充分提高低光图像的亮度，同时避免在正常光图像中过度增强。
2022-09-14 cs.CV
Over-enhancement Reduction in Local Histogram Equalization using its Degrees of Freedom
局部（自适应）直方图均衡（LHE）的一个众所周知的问题是过度增强（即，虚假细节的产生）。在本文中，我们表明，LHE问题有许多解决方案，由于具有相同强度的像素排序的模糊性。可以在LHE解空间中搜索与输入图像具有最大PSNR或结构相似性（SSIM）的图像。与现有技术的结果相比，这些解决方案更类似于输入图像，同时提供相同的局部对比度。索引术语：直方图修改或规范，对比度增强
2009-09-14 cs.CV cs.MM
Contrast Limited Adaptive Histogram Equalization (CLAHE) Approach for Enhancement of the Microstructures of Friction Stir Welded Joints
Stir Research Technologies（斯蒂尔研究技术公司）
图像处理算法在制造业和材料工业中有着广泛的应用，如裂纹的识别、给定微观结构的几何特性的计算、表面缺陷的存在等。本文研究了对比度限制自适应直方图均衡化（CLAHE）算法在搅拌摩擦焊接头微观结构图像质量改善中的应用。结果表明，熵值和RMS对比度等定量度量特征的获得值较高，从而增强了显微组织图像。
2021-08-15 cs.CV cs.LG
Medical X-Ray Image Enhancement Using Global Contrast-Limited Adaptive Histogram Equalization
New Jersey Institute of Technology（新泽西理工学院）；Asia University（亚洲大学）
提出G-CLAHE方法，融合全局与局部直方图均衡化优势，增强X射线图像对比度与质量，提升诊断准确性。
2024-11-02 cs.AI cs.CV
An Interval Type-2 Fuzzy Approach to Automatic PDF Generation for Histogram Specification
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）；Hanyang University（汉阳大学）
图像增强在计算机视觉和图像处理的诸多应用中起着重要的作用。直方图规范（HS）是一种最广泛使用的图像对比度增强技术，它需要一个合适的概率密度函数的变换。在本文中，我们提出了一种模糊的方法来找到一个合适的PDF直方图规格自动使用区间类型2（IT 2）模糊方法，从输入图像的直方图获得的模糊隶属度值的基础上。该算法分为5个阶段，包括对直方图进行非对称高斯拟合，提取IT 2模糊隶属函数（MF），从而提取不确定性足迹（FOU），获得隶属度值（MV），生成PDF和应用HS。我们提出了4种不同的方法来找到隶属度值-逐点法，中心的重量法，面积法，和Karnik-mendel（KM）的方法。该框架对直方图中的局部变化敏感，并选择最佳PDF以提高对比度增强。通过对几幅图像的质量指标--平均信息量（AIC）或熵进行定性和定量分析，并与常用的直方图均衡（HE）、递归均值分离直方图均衡（RMSHE）和亮度保持模糊直方图均衡（BPFHE）等算法进行比较，说明了所用方法的实验有效性。它已被发现，平均而言，我们的算法提高了11.5%的AIC指数相比，直方图均衡化获得的指数。
2018-05-06 cs.CV
HSI based colour image equalization using iterative nth root and nth power
University of Tartu（塔尔图大学）
本文介绍一种彩色图象的均衡技术。该方法是基于第n根和第n个功率均衡方法，但在不同的颜色通道，如RGB和HSI的图像的平均值的优化。所提出的方法的性能已经衡量的峰值信噪比的手段。将该算法与传统的直方图均衡化算法进行了比较，直观和定量的实验结果表明，该算法优于传统的直方图均衡化算法。
2014-12-31 cs.CV cs.GR
Unsupervised Low-Light Image Enhancement via Histogram Equalization Prior
用于低光图像增强的基于深度学习的方法通常需要大量成对的训练数据，这在现实场景中是不切实际的。最近，已经探索了无监督方法来消除对成对训练数据的依赖。然而，由于没有先验知识，它们在不同的现实世界场景中表现不稳定。为了解决这个问题，我们提出了一种无监督的低光图像增强方法的基础上，一个有效的先验称为直方图均衡先验（HEP）。我们的工作受到有趣的观察的启发，直方图均衡增强图像的特征图和地面真相是相似的。具体来说，我们制定的HEP提供丰富的纹理和亮度信息。嵌入到光照模块（LUM）中，它有助于将弱光图像分解为照明和反射率图，反射率图可以被视为恢复图像。然而，基于Retinex理论的推导揭示了反射率图被噪声污染。我们引入了一个噪声解纠缠模块（NDM），以解纠缠的噪声和内容的反射率图与可靠的援助，不成对的干净的图像。在直方图均衡先验和噪声解纠缠的指导下，我们的方法可以恢复更精细的细节，并且更能够在现实世界的低光照场景中抑制噪声。大量的实验表明，我们的方法对最先进的无监督低光增强算法表现良好，甚至匹配的最先进的监督算法。
2021-12-03 cs.CV eess.IV
Effect of Random Histogram Equalization on Breast Calcification Analysis Using Deep Learning
Siemens Healthineers（西门子医疗）；FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
早期检测和分析乳房X线摄影图像中的钙化在乳腺癌诊断工作流程中至关重要。对需要立即随访并进一步分析其良性或恶性的钙化进行管理可以获得更好的预后。最近的研究表明，基于深度学习的算法可以学习鲁棒的表示来分析乳腺X射线摄影中的可疑钙化。在这项工作中，我们证明了随机均衡钙化斑块的直方图作为一种数据增强技术，可以显着提高分析可疑钙化的分类性能。我们通过使用CBIS-DDSM数据集执行两个分类任务来验证我们的方法。这两个任务的结果表明，所提出的方法获得超过1%的平均精度和F1分数时，均衡数据的概率为0.4时，相比不使用直方图均衡。t检验进一步支持了这一点，其中我们获得了p<0.0001的p值，从而显示了我们方法的统计学显著性。
2022-05-03 cs.CV eess.IV
Sub-Image Histogram Equalization using Coot Optimization Algorithm for Segmentation and Parameter Selection
Bandırma Onyedi Eylül University（班德尔马九月十七大学）；Harran University（哈兰大学）
对比度增强在以客观的方式评估图像方面是非常重要的。对比度增强对于包括用于样本的准确分类的监督和无监督算法的各种算法也是重要的。一些对比度增强算法通过解决低对比度问题来解决这个问题。基于均值和方差的子图像直方图均衡化（MVSIHE）算法是文献中提出的对比度增强方法之一。它有不同的参数，需要调整，以达到最佳效果。有了这个动机，在这项研究中，我们采用了最新的优化算法之一，即，coot优化算法（COA）为MVSIHE算法选择合适的参数。盲/无参考图像空间质量评价器（BRISQUE）和自然图像质量评价器（NIQE）的指标被用来评估的coot群人口的适应度。实验结果表明，该方法可用于生物医学图像处理领域。
2022-05-31 cs.CV eess.IV
BlazeBVD: Make Scale-Time Equalization Great Again for Blind Video Deflickering
University of Chinese Academy of Sciences（中国科学院大学）；Sichuan University（四川大学）；Meitu Inc.（美图公司）
针对盲视频去闪烁深度学习方法训练难、耗资源的问题，提出结合光照直方图与尺度-时间均衡的BlazeBVD方案，兼顾去闪烁效果与推理速度，性能优于现有最优方法。
2024-03-10 cs.CV
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
Color histogram equalization and fine-tuning to improve expression recognition of (partially occluded) faces on sign language datasets
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
本文提出结合直方图均衡化、颜色归一化与微调的表情识别方法，在手语数据集上取得83.8%平均敏感度，并比较面部上下半部分识别效果。
2025-07-27 cs.AI cs.CV
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
Exact Histogram Specification Optimized for Structural Similarity
精确直方图规范（EHS）方法修改其输入图像以具有指定的直方图。EHS的应用包括图像（对比度）增强（例如，通过直方图均衡化）和直方图水印。然而，对图像执行EHS会降低其视觉质量。从一个通用的EHS方法的输出，我们最大化的原始图像（EHS之前）和EHS的结果之间的结构相似性指数（SSIM）迭代。在这个过程中的关键是计算简单和准确的公式，我们推导出SSIM梯度。由于它是基于梯度上升，建议EHS总是收敛。实验结果表明，该方法在获得准确的直方图的同时，在视觉质量方面始终优于现有的方法。所提出的方法的计算复杂性是相同的顺序，现有的方法。索引术语：直方图修改、直方图均衡化、感知视觉质量优化、结构相似性梯度上升、直方图水印、对比度增强。
2008-12-31 cs.CV cs.MM
Medical Image Enhancement Using Histogram Processing and Feature Extraction for Cancer Classification
Vellore Institute of Technology（韦洛尔理工大学）
MRI（磁共振成像）是一种用于分析和诊断由图像定义的问题的技术，如大脑中的癌症或肿瘤。医生需要良好的对比度图像更好的治疗目的，因为它包含了最大的信息的疾病。MRI图像是使诊断困难的低对比度图像;因此需要更好地定位图像像素。直方图均衡技术有助于增强图像，使其提供更好的视觉质量和明确的问题。对比度和亮度以这样一种方式增强，即它不会丢失其原始信息，并且亮度得到保留。我们比较了不同的均衡技术在本文中，这些技术进行了严格的研究和阐述。它们还被制成表格以比较图像中存在的各种参数。此外，我们还分割和提取的肿瘤部分的大脑使用K-means算法。对于分类和特征提取，使用的方法是支持向量机（SVM）。本研究工作的主要目的是为医学领域提供图像处理的参考。
2020-03-14 cs.CV
Fingerprint: DWT, SVD Based Enhancement and Significant Contrast for Ridges and Valleys Using Fuzzy Measures
M.S. University（M.S.大学）；S.T. Hindu College（S.T.印度教学院）
指纹识别系统的性能将随着指纹图像的增强而更加准确。本文提出了一种基于离散小波变换和奇异值分解的指纹图像对比度增强方法。该技术与传统的图像均衡技术，如标准的一般直方图均衡和局部直方图均衡。提出了一种基于模糊测度的直方图自动阈值化方法。然后，使用模糊度的索引，开始相似性过程以找到阈值点。最佳、中等和较差的指纹图像特征的脊和谷之间的显著对比，从指纹图像中提取，并使用模糊测度获得最大的识别率。实验结果表明，该方法的优越性，以获得最大的性能等级的实现这种方法的认可。
2011-06-23 cs.CV
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
IA-CLAHE: Image-Adaptive Clip Limit Estimation for CLAHE
NEC Corporation（日本电报电话公司）
本文提出IA-CLAHE，通过自适应估计图像剪裁限来改进CLAHE，解决了传统CLAHE中固定剪裁限导致的过增强问题，无需任务特定数据即可实现跨条件泛化。
2026-04-17 cs.CV
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
A Novel Retinal Vessel Segmentation Based On Histogram Transformation Using 2-D Morlet Wavelet and Supervised Classification
University of Zanjan（赞詹大学）
视网膜图像中血管的形态和结构对疾病的诊断有重要作用。本文提出了一种自动视网膜血管分割的方法。在这项工作中，一种新的预处理的基础上，局部直方图均衡化是用来增强原始图像，然后使用分类器的像素被分为血管和非血管。对于这种分类，特殊的特征向量的基础上组织的Morlet小波的响应。Morlet小波是一种连续的小波变换，它具有滤除预处理后的噪声的能力。使用贝叶斯分类器，高斯混合模型（GMM）是其似然函数。概率分布近似根据训练集的手册，已被分割的专家。在此基础上，对DRIVE数据库中存在的不连续性进行了不同方向的形态学变换，使不连续性均匀化，达到了约0.9571的准确率，是目前视网膜血管分割方法中较为准确的一种。
2013-12-29 cs.CV
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
Rethinking Image Histogram Matching for Image Classification
NEC Corporation（日本电气公司）
本文提出一种可微分且参数化的图像直方图匹配预处理方法，通过下游分类器损失函数优化目标像素值分布，仅用正常天气图像训练，从而提升分类器在恶劣天气低对比度图像上的性能。
2025-06-02 cs.CV
Acceleration of Histogram-Based Contrast Enhancement via Selective Downsampling
Communication University of China（中国传媒大学）；Beijing Institute of Graphic Communication（北京印刷学院）
在本文中，我们提出了一个通用的框架，以加速通用直方图为基础的图像对比度增强（CE）算法。该算法对数字图像进行空间和灰度选择性下采样，在保证增强图像视觉质量的同时，降低了计算量。首次提出了映射函数校正的方法，在下采样丢失的灰度级上重建像素映射。作为两个案例研究，直方图均衡（HE）和最先进的全局CE算法，即，空间互信息和PageRank（SMIRANK）。定量和定性的评估结果都验证了我们提出的CE加速框架的有效性。在典型的测试中，HE和SMIRANK的计算效率分别提高了约3.9倍和13.5倍。
2022-08-30 cs.CV cs.MM
Enhancement Techniques for Local Content Preservation and Contrast Improvement in Images
University of Kerala（喀拉拉邦大学）
存在若干不具有均匀亮度的图像，这对图像增强系统提出了挑战性问题。由于直方图均衡化已成功地用于校正均匀亮度问题，随后引入了利用基于人类视觉系统的阈值化（人类视觉阈值化）以及对数处理技术的直方图均衡化方法。但是这些方法都不能很好地保持图像的局部内容，这是各种图像（如医学和航空图像）的主要因素。为此，本文提出了一种新的方法。该方法被称为“用于局部内容保存的暗模糊图像的具有增强技术的人类视觉阈值化”。它使用人类视觉阈值与现有的增强方法的黑暗模糊图像。此外，与另一种局部内容保存方法进行了比较研究，该方法进一步扩展，使其适合于对比度改进。实验结果表明，本文提出的方法在标准图像、医学图像和航空图像的局部内容保持方面优于已有的方法。
2012-03-08 cs.CV cs.MM
EqGAN: Feature Equalization Fusion for Few-shot Image Generation
针对少样本图像生成缺乏精细结构与纹理的问题，提出EqGAN，通过双分支解耦融合结构与纹理并进行多尺度特征均衡化，显著提升了图像生成质量、多样性及下游分类准确率。
2023-07-27 cs.CV
No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement
无参考图像质量评价（NR-IQA）是指在无参考图像的情况下对图像质量进行评价。然而，对比度失真是目前NR-IQA研究中所忽视的问题。在本文中，我们提出了一个非常简单，但有效的指标预测对比度改变的图像的质量的基础上，一个高对比度的图像往往是更相似的对比度增强图像。具体来说，我们首先通过直方图均衡化生成增强图像。然后利用结构相似性指数（SSIM）作为第一特征，计算原始图像和增强图像的相似度。进一步，我们分别计算原始图像和增强图像之间的基于直方图的熵和交叉熵，得到4个特征之和。最后，我们学习了一个回归模块来融合上述5个特征来推断质量分数。在四个公开数据库上的实验验证了该方法的优越性和有效性。
2019-04-18 cs.CV
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
Segmentasi Citra Menggunakan Metode Watershed Transform Berdasarkan Image Enhancement Dalam Mendeteksi Embrio Telur
Universitas Pembangunan Nasional Veteran Yogyakarta（雅加达退伍军人国家发展大学）
图像处理可应用于卵胚的检测。使用分割过程来处理卵胚胎检测。分割根据被划分的区域来划分图像。这个过程需要改进图像，以获得最佳结果。本研究将分析基于图像增强的图像处理与分水岭分割法的概念，以检测蛋胚。在图像改善中的预处理中的图像增强使用对比度受限自适应直方图均衡（CLAHE）和直方图均衡（HE）方法的组合。采用CLAHE方法对灰度鸡蛋图像进行校正，并对校正结果进行HE再处理。图像改善结果表明，CLAHE-HE组合方法给出了具有胚胎的鸡蛋图像的对象区域的清晰图像。分割过程采用图像转换为黑白图像和分水岭分割，可以清晰地显示出带有胚胎的鸡蛋的对象。分割结果能真实、准确地分割出含胚鸡蛋的区域，\approx的百分比为\approx 98%。
2021-02-08 cs.CV eess.IV
HistoGAN: Controlling Colors of GAN-Generated and Real Images via Color Histograms
York University（约克大学）
虽然生成对抗网络（GANs）可以成功地生成高质量的图像，但它们的控制可能具有挑战性。简化基于GAN的图像生成对于它们在平面设计和艺术作品中的采用至关重要。这一目标引起了人们对能够直观地控制由GANs生成的图像外观的方法的极大兴趣。在本文中，我们提出了HistoGAN，这是一种基于颜色直方图的方法，用于控制GAN生成的图像的颜色。我们专注于颜色直方图，因为它们提供了一种直观的方式来描述图像颜色，同时保持与特定领域的语义解耦。具体来说，我们引入了对最近StyleGAN架构的有效修改，以控制由目标颜色直方图特征指定的GAN生成的图像的颜色。然后，我们描述了如何扩展HistoGAN来重新着色真实图像。对于图像拼接，我们与HistoGAN一起联合训练编码器网络。ReHistoGAN模型是一种无监督的方法，用于鼓励网络保持原始图像的内容，同时根据给定的目标直方图改变颜色。我们表明，这种基于直方图的方法提供了一种更好的方法来控制GAN生成的和真实图像的颜色，同时与现有的替代策略相比，产生更引人注目的结果。
2021-03-27 cs.CV
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
Making Every Step Effective: Jailbreaking Large Vision-Language Models Through Hierarchical KV Equalization
Southeast University（东南大学）；University of California, Merced（加州大学默塞德分校）；National University of Singapore（新加坡国立大学）；Lancaster University（兰卡斯特大学）；University of Queensland（昆士兰大学）
针对 LVLM 对抗越狱中优化步骤并非始终有效的问题，提出 HKVE 依据跨层注意力分布选择性接受梯度更新，在三个模型上显著提升成功率并降低迭代成本。
2025-03-14 cs.CR cs.CV
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
Combined Approach for Image Segmentation
Nagpur University（那格浦尔大学）；W.C.E.M. Dongargaon（栋加尔冈女子工程学院）；R.C.O.E.M Nagpur（那格浦尔拉姆德奥·钱德拉·奥贾工程学院）
在过去的二十年中，许多图像分割技术已经发展用于分割图像，这有助于目标识别，运动或立体系统中的遮挡边界估计，图像压缩，图像编辑。在这方面，有一种用于分割图像的组合方法。对输入图像进行直方图均衡化处理，得到对比度增强的输出图像，再对输出图像进行中值滤波，去除噪声。最后采用模糊c均值聚类算法对输出图像进行去噪，得到分割后的输出图像。以这种方式，它产生更好的分割图像与更少的计算时间。
2014-05-31 cs.CV
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
Unsupervised Domain Adaptation with Histogram-gated Image Translation for Delayered IC Image Analysis
Nanyang Technological University（南洋理工大学）
深度学习通过采用卷积神经网络（CNN）来分割电路结构，在具有挑战性的电路注释任务中取得了巨大成功。深度学习方法需要大量手动注释的训练数据来实现良好的性能，如果将在给定数据集上训练的深度学习模型应用于不同的数据集，则这可能导致性能下降。这通常被称为电路注释的域偏移问题，其源于不同图像数据集之间的分布可能存在较大变化。不同的图像数据集可以从不同的设备或单个设备内的不同层获得。为了解决域偏移问题，我们提出了直方图门控图像转换（HGIT），一个无监督的领域自适应框架，将图像从给定的源数据集转换到目标数据集的域，并利用转换后的图像训练分割网络。具体来说，我们的HGIT执行基于生成对抗网络（GAN）的图像翻译，并利用直方图统计进行数据整理。实验在一个标记的源数据集上进行，该数据集适应于三个不同的目标数据集（没有用于训练的标签），并针对每个目标数据集评估分割性能。我们已经证明，我们的方法实现了最好的性能相比，报告的领域自适应技术，也合理地接近完全监督的基准。
2022-09-27 cs.CV
Incorporating human and learned domain knowledge into training deep neural networks: A differentiable dose volume histogram and adversarial inspired framework for generating Pareto optimal dose distributions in radiation therapy
UT Southwestern Medical Center（西南大学医学中心）
我们提出了一种新的特定于域的损失，这是一种基于剂量体积直方图的可微分损失函数，并将其与对抗性损失相结合，用于训练深度神经网络，以生成帕累托最优剂量分布。采用均方误差（MSE）损失、剂量体积直方图（DVH）损失和对抗性（ADV）损失对神经网络模型的4个实例进行训练：1）MSE、2）MSE+ADV、3）MSE+DVH和4）MSE+DVH+ ADV。通过对权衡权重进行伪随机化，为每位患者生成1200个Pareto曲面计划（总计84，000个计划）。我们将数据分为54个训练，6个验证和10个测试患者。每个模型都训练了100，000次迭代，批量大小为2。每个模型的预测时间为0.052秒。定量方面，MSE+DVH+ADV模型的预测误差最小，分别为0.038（构象）、0.026（同质性）、0.298（R50）、1.65%（D95）、2.14%（D98）、2.43%（D99）。MSE模型的最差预测误差分别为0.134（构象）、0.041（同质性）、0.520（R50）、3.91%（D95）、4.33%（D98）、4.60%（D99）。对于平均剂量PTV误差和最大剂量PTV、身体、膀胱和直肠误差，MSE+DVH+ADV优于所有其他模型。所有模型的预测值的平均值和最大剂量误差分别小于2.8%和4.2%。专家的人类领域特定知识可以是性能改进的最大驱动力，而对抗学习可以用于进一步捕获细微差别的特征。实时预…
2019-12-07 cs.CV cs.LG eess.IV
Exploring Low-light Object Detection Techniques
计算机视觉系统在弱光条件下获取的图像具有噪声大、光照差、反射率高、对比度差等特点，给目标检测任务带来困难。人们已经做了很多工作来使用各种像素操作技术以及深度神经网络来增强图像-一些专注于改善照明，而一些专注于减少噪声。类似地，在目标检测神经网络模型中已经进行了相当多的研究。在我们的工作中，我们将问题分解为两个阶段：1）首先，我们探索哪种图像增强算法更适合目标检测任务，其中准确的特征检索比良好的图像质量更重要。具体来说，我们将研究基本的直方图均衡化技术和不成对图像转换技术。2）在第二阶段，我们探索了可以应用于增强图像的不同目标检测模型。最后，我们比较所有的结果，计算平均平均精度（mAP），并给出了一些未来工作的方向。
2021-07-30 cs.CV
Identification of chicken egg fertility using SVM classifier based on first-order statistical feature extraction
Universitas Pembangunan Nasional Veteran Yogyakarta（日惹退伍军人国立发展大学）
本研究旨在利用支持向量机（SVM）分类器方法对鸡蛋受精率进行识别。分类基础采用一阶统计（FOS）参数作为识别过程中的特征提取。这项研究是基于过程的识别过程，这仍然是手动（传统）。虽然目前有许多技术在识别过程中，他们仍然需要发展。因此，本研究是图像处理技术领域的发展之一。样本数据使用来自先前研究的数据集，总共有100个鸡蛋图像。图像中的鸡蛋对象是单个对象。从这些数据中，每个受精卵和不育卵的分类是50个图像数据。鸡蛋图像数据成为图像处理的输入，首先进行分割.这种初始分割的目的是根据对象得到裁剪后的图像。利用灰度图像预处理和图像增强方法对裁剪后的图像进行修复。该方法（图像增强）使用了两种组合方法：对比度受限自适应直方图均衡（CLAHE）和直方图均衡（HE）。改进的图像成为使用FOS方法的特征提取的输入。FOS使用五个参数，即均值、熵、方差、偏度和峰度。将这5个参数输入SVM分类器中，对鸡蛋的生育能力进行识别。这些实验结果表明，本文提出的方法在识别过程中的成功率为84.57%。因此，此方法的实施可作为未来研究改进的参考。此外，可以使用二阶特征提取方法来提高其准确性并改进用于分类的监督学习。
2022-01-10 cs.CV eess.IV
Automatic Identification of Scenedesmus Polymorphic Microalgae from Microscopic Images
Universidad de Antioquia UdeA（安蒂奥基亚大学）
微藻计数用于测量生物量。通常，使用Neubauer室和专家标准以手动方式进行，具有高出错率的风险。本文论述了自动识别栅藻微藻（用于甲烷生产和食品工业）的方法，并将其应用于数字显微镜捕获的图像。提出了采用对比度自适应直方图均衡化进行图像预处理，采用活动轮廓进行图像分割的方法。提出了用统计特征（方向直方图、Hu矩和Zernike矩）和纹理特征（Haralick和局部二值模式描述符）计算藻类特征的方法。栅列藻能形成由1、2、4和8个细胞组成的群落。每个共生体的藻类量有助于确定藻类作物的给定样品中脂质、蛋白质和其他物质的量。这些元素的数量的知识提高了生物过程应用的质量。利用支持向量机和人工神经网络对群落进行分类，分类准确率分别达到98.63%和97.32%。根据结果，可以考虑将所提出的方法作为传统藻类计数技术的替代。本文使用的数据库可公开下载。
2017-10-23 cs.CV
Hue-Net: Intensity-based Image-to-Image Translation with Differentiable Histogram Loss Functions
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
我们提出了Hue-Net -一种用于基于强度的图像到图像翻译的新型深度学习框架。关键的想法是一种新的技术，称为网络增强，它允许从图像的强度直方图的可区分的建设。我们进一步介绍（1D）循环和联合（2D）直方图的可微表示，并使用它们来定义基于循环地球移动器的距离（EMD）和互信息（MI）的损失函数。虽然Hue-Net可以应用于几个图像到图像的翻译任务，但我们选择展示其在颜色传递问题上的优势，其目的是用不同目标图像的颜色绘制源图像。注意，所需的输出图像不存在，因此不能用于监督式像素到像素学习。这是通过使用HSV颜色空间并定义基于强度的损失来实现的，该损失建立在输出图像和目标图像的循环色调直方图之间的EMD上。为了增强源图像和输出图像之间的无颜色相似性，我们通过这些图像的MI的可微近似来定义基于语义的损失。直方图损失函数的结合，除了一个对抗性的损失，使语义上有意义的和现实的图像的建设。对不同的数据集提出了有希望的结果。
2019-12-12 cs.CV cs.LG
Dictionary learning based image enhancement for rarity detection
图像增强是一种重要的图像处理技术，其处理图像以适合于特定应用（例如，图像编辑）。传统的图像增强方法主要分为两类，即空间域处理方法和变换域处理方法，如对比度处理、直方图均衡化、同态滤波等。提出了一种基于字典学习的图像增强方法。特别地，所提出的方法通过操纵字典原子的稀有度来调整图像。首先，通过对划分的子图像块进行稀疏编码来学习字典。其次，计算字典原子的稀疏系数的统计上的稀有度。第三，根据具体应用调整稀有度，形成新的词典。最后，使用更新的字典和稀疏系数重建图像。与传统方法相比，该方法不依赖于像素灰度值或频率的分布，而是基于图像的内容进行图像增强。该方法的优点在于更符合人类视觉系统的反应，更适合于显著目标的提取。实验结果证明了该方法的有效性。
2016-09-13 cs.CV
An Effective and Robust Detector for Logo Detection
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Beihang University（北京航空航天大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
近年来，以文学、发明、艺术作品等为代表的知识产权逐渐受到人们的关注。特别是随着电子商务的兴起，IP不仅代表产品设计和品牌，还代表电子商务平台上展示的图像/视频。不幸的是，一些攻击者采用一些对抗性的方法来欺骗训练有素的徽标检测模型进行侵权。为了克服这一问题，本文提出了一种新的标志检测器的基础上看和思考两次的机制，鲁棒的标志检测。该检测器与其他主流检测器不同，能够有效地检测小目标、长尾目标，并且对对抗图像具有鲁棒性。详细地说，我们将detectoRS算法扩展到具有均衡损失函数、多尺度变换和对抗性数据增强的级联模式。一系列实验结果表明，该方法能有效提高检测模型的鲁棒性。此外，我们已经将所提出的方法应用于竞争ACM MM 2021鲁棒标识检测，这是由阿里巴巴在天池平台上组织的，并赢得了前2名的36489队。代码可在https://github.com/jiaxiaojunQAQ/Robust-Logo-Detection上获得。
2021-08-01 cs.CV
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
Image Patch Matching Using Convolutional Descriptors with Euclidean Distance
Aalto University（阿尔托大学）；University of Oulu（奥卢大学）
在这项工作中，我们提出了一种基于神经网络的图像描述符适合图像块匹配，这是一个重要的任务，在许多计算机视觉应用。我们的方法受到了深度卷积神经网络（CNN）在目标检测和分类任务中最近成功的影响。我们开发了一个模型，该模型将原始输入补丁映射到低维特征向量，以便表示之间的距离对于类似的补丁是小的，否则是大的。作为距离度量，我们使用L2范数，即欧几里得距离，它可以快速评估并用于最流行的手工描述符，如SIFT。根据结果，我们的方法优于最先进的基于L2的描述符，可以被认为是SIFT的直接替代。此外，我们进行了实验与批量归一化和直方图均衡化作为预处理方法的输入数据。结果证实，这些技术进一步提高了所提出的描述符的性能。最后，我们通过将我们的CNN与最近提出的空间Transformer网络相结合，展示了有希望的初步结果，并对其影响进行了可视化和解释。
2017-10-31 cs.CV
Prior-guided Hierarchical Harmonization Network for Efficient Image Dehazing
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Technical University of Munich（慕尼黑工业大学）；Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）
针对视觉Transformer去雾复杂度高且缺乏先验的问题，提出先验引导分层协调网络PGH²Net，通过先验聚合与特征协调模块高效融合去雾先验并均衡特征分布。
2025-03-03 cs.CV
Style-Restricted GAN: Multi-Modal Translation with Style Restriction Using Generative Adversarial Networks
Sophia University（上智大学）
使用生成对抗网络（GAN）的不成对图像到图像翻译在多个域之间转换图像是成功的。此外，最近的研究显示了一种使发电机输出多样化的方法。但是，由于生成器对结果的多样化没有限制，因此可能会转换一些意想不到的功能。在本文中，我们提出了风格限制的GAN（SRGAN），以证明控制的编码特征在风格多样化的过程中的重要性。更具体地说，代替KL发散损失，我们采用三种新的损失来限制编码特征的分布：批量KL发散损失，相关性损失和直方图模仿损失。此外，编码器在用于翻译过程之前使用分类任务进行预训练。该研究报告了精确度，召回率，密度和覆盖率的定量和定性结果。所提出的三个损失导致的增强的多样性水平相比，传统的KL损失。特别是，SRGAN被发现是成功的翻译具有更高的多样性，而不改变CelebA人脸数据集中的类无关的功能。总之，通过两个实验证明了编码特征被良好调节的重要性。我们的实现可以在www.example.com上获得。
2021-07-14 cs.CV
Robotic Waste Sorter with Agile Manipulation and Quickly Trainable Detector
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
由于人力资源短缺，劳动密集型的人工垃圾分类需要自动化。自动化垃圾分类的目标是用机器人取代人类对垃圾物品进行稳健检测和敏捷操作的角色。为了实现这一点，我们提出了三种方法。首先，我们提供了一种使用无抓推放和拾取释放操作的组合操作方法。其次，我们提供了一个机器人系统，可以自动收集对象图像，以快速训练深度神经网络模型。第三，我们提供了一种方法来减轻目标对象的外观从两个场景中的差异：一个用于数据集收集，另一个用于回收工厂中的废物分类。如果存在差异，经过训练的废物探测器的性能可能会下降。我们通过应用对象缩放，直方图匹配与直方图均衡化，以及背景合成到源目标对象图像来解决照明和背景的差异。通过在室内实验工作场所进行垃圾分类的实验，我们证实了所提出的方法能够快速收集三类垃圾物品的训练图像集（即，铝罐、玻璃瓶和塑料瓶）的检测性能比不考虑差异的方法更高。我们还证实，所提出的方法使机器人快速操纵的对象。
2021-09-04 cs.CV cs.RO
Robust Two-Stream Multi-Feature Network for Driver Drowsiness Detection
Tongji University（同济大学）；Key Laboratory of Embedded System and Service Computing, Ministry of Education（嵌入式系统与服务计算教育部重点实验室）
疲劳驾驶是交通事故的主要原因，因此许多先前的研究集中在驾驶员困倦检测。许多驱动相关因素已被考虑用于疲劳检测，并且可以导致高精度，但是仍然存在一些严重的限制，例如大多数现有模型对环境敏感。本文将疲劳检测问题从图像分类问题转化为时间行为检测问题。该检测系统主要分为四个部分：（1）对检测到的驾驶员图像中对疲劳检测至关重要的关键块进行定位，并计算相应的光流。(2)对比度受限自适应直方图均衡（CLAHE）用于我们的系统中，以减少不同光线条件的影响。(3)为每个特征设计了三个独立的双流网络，并结合注意力机制来提取时间信息。(4)三个子网络的输出将被连接并发送到全连接网络，该网络判断驾驶员的状态。在著名的清华大学驾驶员困倦检测（NTHU-DDD）数据集上对困倦检测系统进行了训练和评估，我们获得了94.46%的准确率，优于大多数现有的疲劳检测模型。
2020-10-13 cs.CV
Detecting Adversarial Examples in Convolutional Neural Networks
School of Electrical and Computer Engineering（电气与计算机工程学院）；National Technical University of Athens（雅典国立技术大学）
卷积神经网络的巨大成功使得这种模型在各种各样的计算机视觉应用中得到了广泛的应用。然而，这些模型容易受到某些输入的影响，即对抗性示例，尽管这些示例不容易被人类感知，但它们可能导致神经网络产生错误的结果。本文主要研究对抗性样本的检测，这些样本是为执行图像分类的卷积神经网络创建的。我们提出了三种方法来检测可能的对抗性示例，在分析和比较它们的性能之后，我们结合了它们的最佳方面，开发了一种更强大的方法。第一种提出的方法是基于神经网络作为输出产生的特征向量的正则化。第二种方法通过使用直方图来检测对抗性示例，直方图是从神经网络的隐藏层的输出创建的。这些直方图创建了一个特征向量，该特征向量用作SVM分类器的输入，SVM分类器将原始输入分类为对抗输入或真实输入。最后，对于第三种方法，我们引入了残差图像的概念，它包含了被神经网络忽略的输入模式部分的信息。该方法的目的是检测可能的敌对的例子，通过使用残留图像和加强输入模式的部分被神经网络忽略。每一种方法都有一些新颖之处，通过将它们结合起来，我们可以进一步提高检测结果。对于所提出的方法及其组合，我们给出了在MNIST数据集上检测对抗性示例的结果。所提出的方法的组合提供了一些改进类似的最先进的方法。
2018-12-08 cs.CR cs.CV cs.LG
Comparative Evaluation of Traditional and Deep Learning Feature Matching Algorithms using Chandrayaan-2 Lunar Data
Manipal University Jaipur（斋浦尔马尼帕尔大学）；Space Applications Centre ISRO（印度空间研究组织空间应用中心）
针对月球多传感器跨模态图像配准难题，评估了五种特征匹配算法并提出预处理流程，发现深度学习方法SuperGlue性能最优，验证了预处理与学习型方法对鲁棒月球图像配准的价值。
2025-09-05 cs.CV
