PCNN模型在彩色图像增强中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (1): 5-7.

PCNN模型在彩色图像增强中的应用

韩丽娜1，2，耿国华1，周明全3

1.西北大学可视化技术研究所，西安 710127
2.咸阳师范学院图像处理研究所，陕西咸阳 712000
3.北京师范大学信息科学与技术学院，北京 100875

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-01 发布日期:2012-01-01

PCNN’s application in real color image enhancement

HAN Lina1，2, GENG Guohua1, ZHOU Mingquan3

1.Institute of Visualization Technology, Northwest University, Xi’an 710127, China
2.Institute of Graphics and Image Processing, Xianyang Normal University, Xianyang, Shaanxi 712000, China
3.School of Information Science and Technology, Beijing Normal University, Beijing 100875, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-01 Published:2012-01-01

摘要/Abstract

摘要：

应用灰度图像增强方法对真彩图像进行增强，往往都会产生色彩偏离，影响增强结果和视觉效果。因此基于人眼视觉系统对亮度变化比较敏感，提出在HSV色彩空间，应用PCNN模型进行增强的方法。将真彩图像由RGB空间变换到HSV空间，保持色度H和饱和度S不变，结合入射反射模型，利用脉冲耦合神经网络（PCNN），对亮度V通道进行增强处理。将HSV空间得到的增强图像变换到RGB空间。实验证实，对一些对比度低、细节不明显的图像应用此方法进行增强，色彩基本无偏差，细节部分明晰，动态范围压缩较好，视觉效果得到了较大的改善。

关键词: 脉冲耦合神经网络, 真彩图像, 图像增强

Abstract:

Using gray image enhancement methods to enhance real color image can produce color deviation and bad visual effect. Therefore this paper presents the color image enhancement method which is based on PCNN model with characteristics of the human visual system more sensitive to the change of brightness in HSV space. It transforms the image from RGB space to HSV space and keeps the H and S channel unchanged. Pulse coupled neural network is used to process the V channel with illumination-reflectance model. Transforming the image to RGB space is executed. The experiment confirms that it can get a better result with color basic deviation, clear detail and better dynamic range using this method to enhance some images with low contrast, unclear details. The visual effect is greatly improved.

Key words: pulse coupled neural networks, real color image, image enhancement

韩丽娜1，2，耿国华1，周明全3. 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.

HAN Lina1，2, GENG Guohua1, ZHOU Mingquan3. PCNN’s application in real color image enhancement[J]. Computer Engineering and Applications, 2012, 48(1): 5-7.

[1]	汤子麟，刘翔，张星. 光照不均匀图像的自适应增强算法[J]. 计算机工程与应用, 2021, 57(21): 216-223.
[2]	王小鹏，杨文婷，文昊天. 利用自适应形态学实现遥感水体图像增强[J]. 计算机工程与应用, 2021, 57(12): 186-192.
[3]	杜豫怡，王鹏章，多化琼，董霙达. 频域内分位数的蒙古族家具纹样增强算法[J]. 计算机工程与应用, 2021, 57(12): 207-210.
[4]	陈迎春. 基于色调映射的快速低照度图像增强[J]. 计算机工程与应用, 2020, 56(9): 234-239.
[5]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[6]	朱德利，杨德刚，万辉，杨雨浓. 用于低照度图像增强的自适应颜色保持算法[J]. 计算机工程与应用, 2019, 55(24): 190-195.
[7]	李敏，苑贤杰，骆志丹，邱晓华. 基于改进引导滤波与DCPCNN的图像融合方法[J]. 计算机工程与应用, 2019, 55(19): 207-213.
[8]	王英博1，刘健2. 幂律变换和IGLC算法的显著性目标检测方法[J]. 计算机工程与应用, 2019, 55(14): 168-176.
[9]	王忠民1，2，段娜1，范琳1. 融合YOLO检测与均值漂移的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(10): 186-192.
[10]	王烈，罗文，陈俊鸿，秦伟萌. 自适应PCNN与信息提取的红外与可见光图像融合[J]. 计算机工程与应用, 2018, 54(4): 192-198.
[11]	张桂梅1，刘峰瑞1，刘建新2. 图像增强中分数阶阶次自适应模型的构造[J]. 计算机工程与应用, 2018, 54(3): 184-191.
[12]	田敏，张印辉，何自芬，王森. 基于联合模型匹配的齿轮视觉检测方法[J]. 计算机工程与应用, 2018, 54(23): 170-175.
[13]	丁雪梅，李为相，毛祥宇. 结合PCNN和自适应DGA算法的视网膜血管分割[J]. 计算机工程与应用, 2018, 54(21): 201-207.
[14]	王文涛，罗晓曙，阎晨阳. 基于灰度迭代阈值PCNN的眼底图像血管分割[J]. 计算机工程与应用, 2018, 54(20): 197-201.
[15]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.