基于目标的数字视频增强研究

论文摘要

在实际应用中,数字视频往往会出现高动态范围、非均匀光照、强固定模式噪声干扰,严重影响人眼观察。传统的数字视频增强算法着重于根据图像的基础特征(如颜色,梯度等)盲目的进行增强,不考虑图像中的具体内容,特别是人眼关注的目标,从而带来了两方面的矛盾:一是目标与背景动态范围的矛盾,二是抑制强固定模式噪声与保持目标边缘和细节的矛盾。本文在改进空域、时域增强技术的基础上,引入人类生理视觉特性,提出了一种新的基于目标的数字视频增强算法,将盲目的增强转化为具有语义特征的针对性增强。该算法利用人类视觉系统特性与图像显著区域检测,将图像划分为显著区域和非显著区域,将目标与背景动态范围进行合理分配,采用不同策略分别对两个区域进行增强,在增强人眼所关注的目标有效细节信息的同时,抑制背景噪声,克服传统方法带来的两个矛盾,有效地改善了数字视频的质量。我们分别用仿真图像和真实图像序列测试了算法性能,并且与传统算法进行了对比。实验证明了本文方法的有效性。论文的主要工作和研究成果有:1、研究了自适应高动态范围压缩技术。针对传统高动态范围压缩方法出现的细节丢失、色彩失真、光晕等不足,提出了一种基于亮度宏观特征分段映射的高动态范围压缩算法。该算法对亮度的宏观特征进行分段映射,以视觉熵为权值调整动态范围,在压缩整体动态范围的同时,保持局部细节,消除光晕和色彩失真现象,使整幅图像显示效果更加自然。2、研究了数字视频非均匀校正技术。针对传统的基于场景的非均匀校正算法存在的鬼影、细节模糊等问题,提出了一种基于背景建模的固定模式噪声抑制算法。根据固定模式噪声的时域稳定性,建立固定模式噪声的模型,有效地抑制了固定模式噪声,并且保持了图像的细节。3、研究了显著区域检测和视频增强技术。提出了基于目标的数字视频增强方法。以显著区域检测技术为基础,将图像划分为显著区域和一般区域,分别对显著区域和一般区域采取不同的增强策略的算法。该方法将盲目的基于图像基本特征的增强上升到具有语义特征的基于目标的增强,能够有针对性突出了目标细节,抑制背景噪声,有效的改善了视频质量。4、使用CUDA和OpenMP实现了基于目标的数字视频增强算法,计算性能得到了显著提升。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 基于目标的数字视频增强的技术难点
• 1.2.1 高动态范围压缩
• 1.2.2 非均匀性校正
• 1.2.3 基于目标的数字视频增强
• 1.3 基于目标的数字视频增强的研究现状
• 1.3.1 高动态范围压缩技术的研究发展
• 1.3.2 非均匀校正技术的研究发展
• 1.3.3 图像显著区域检测研究现状
• 1.4 论文概述
• 1.4.1 本文主要工作和成果
• 1.4.2 论文结构
• 第二章 自适应高动态范围压缩
• 2.1 高动态范围压缩技术概述
• 2.1.1 Gamma 校正
• 2.1.2 梯度域高动态范围压缩技术
• 2.1.3 分层高动态范围压缩算法
• 2.2 基于亮度宏观特征分段映射的高动态范围压缩技术
• 2.2.1 不同的动态范围映射对图像视觉效果的影响
• 2.2.2 人眼对数字图像亮度差异的敏感度
• 2.2.3 自适应动态范围压缩
• 2.3 实验结果及其性能比较
• 2.4 小结
• 第三章 基于背景建模的固定模式噪声抑制
• 3.1 基于时域信息非均匀校正算法概述
• 3.1.1 卡尔曼滤波法
• 3.1.2 时域高通滤波法（THPF）
• 3.1.3 最小二乘递归法（RLS）
• 3.2 基于背景建模的固定模式噪声抑制方法
• 3.2.1 基于背景建模的固定模式噪声抑制算法原理
• 3.2.2 算法性能比较
• 3.3 小结
• 第四章 基于目标的数字视频增强
• 4.1 显著度区域检测技术概述
• 4.1.1 Iiit 生物视觉CS 模型
• 4.1.2 多尺度频域分析模型
• 4.1.3 基于全局对比度的显著区域检测模型
• 4.1.4 显著度检测算法性能比较
• 4.2 基于目标的数字视频增强
• 4.2.1 一般数字视频增强算法
• 4.2.2 基于目标的增强算法
• 4.2.3 实验结果
• 4.3 小结
• 第五章 基于目标的视频增强算法并行计算实现
• 5.1 CUDA 编程模型
• 5.1.1 CUDA 简介
• 5.1.2 CUDA 算法实现
• 5.2 OpenMP 并行程序设计
• 5.2.1 OpenMP 简介
• 5.2.2 OpenMP 的运行机制
• 5.2.3 OpenMP 的使用
• 5.2.4 增强算法的OpenMP 加速性能分析
• 5.4 小结
• 第六章 总结和展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果