基于Tetrolet变换与PCNN的图像增强

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (19): 178-181.

基于Tetrolet变换与PCNN的图像增强

杨新华1，2，翟逸飞1

1.兰州理工大学电气工程与信息工程学院，兰州 730050
2.甘肃省工业过程先进控制重点实验室，兰州 730050

出版日期:2014-10-01 发布日期:2014-09-29

Image enhancement based on tetrolet transform and PCNN

YANG Xinhua1，2, ZHAI Yifei1

1.College of Engineering and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China
2.Key Laboratory of Gansu Advanced Control for Industrial Processes, Lanzhou 730050, China

Online:2014-10-01 Published:2014-09-29

摘要/Abstract

摘要： 针对传统图像增强方法易损失边缘对比度以及抗噪性不强的缺点提出了一种基于Tetrolet变换与PCNN结合的图像增强方法。对待增强图像分别进行Tetrolet变换，得到不同尺度的高通和低通子带系数，并将分解后的高通子带系数进行软阈值处理；把经处理后的各尺度高通子带轮廓图像序列作为PCNN神经网络增强算子的外部输入，进而得到增强后的高通子带系数；通过Tetrolet反变换获得增强后的结果图像。数值实验结果表明，该增强算法不但能够有效抑制噪声，而且能够很好地增强图像边缘轮廓的清晰度。

关键词: Tetrolet变换, 脉冲耦合神经网络（PCNN）, 软阈值, 图像增强

Abstract: In order to solve the problem that the traditional image enhancement method is easy to damage the edge contrast
and the shortcoming of noise resistance is not strong, this paper proposes an image enhancement method based on Tetrolet
transform combined with PCNN. The different scales of high pass and low pass sub-bands are obtained by Tetrolet transform. Then the soft threshold processing of the decomposition image high-pass sub-bands coefficients is conducted. Finally, the reconstruct image is obtained by the inverse Tetrolet transformation. The experimental results show that this enhancement algorithm not only can suppress noise effectively, but also can enhance the sharpness of the image edge contour.

Key words: Tetrolet transform, Pulse Coupled Neural Network（PCNN）, soft threshold, image enhancement

杨新华1，2，翟逸飞1. 基于Tetrolet变换与PCNN的图像增强[J]. 计算机工程与应用, 2014, 50(19): 178-181.

YANG Xinhua1，2, ZHAI Yifei1. Image enhancement based on tetrolet transform and PCNN[J]. Computer Engineering and Applications, 2014, 50(19): 178-181.

[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]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	范晓鹏1，2，3，4，朱枫1，3，4. 人眼灰度感知建模及其在图像增强中的应用[J]. 计算机工程与应用, 2018, 54(13): 209-215.
[14]	王永鑫1，2，刁鸣1，韩闯2. 基于同态滤波的水下图像增强与色彩校正模型[J]. 计算机工程与应用, 2018, 54(11): 30-34.
[15]	程欢. 基于DEM图像增强的航海雷达回波模拟[J]. 计算机工程与应用, 2018, 54(10): 186-191.