m0_70745318的博客

图像融合在军事安全领域最先被应用，为国防事业发挥了巨大的作用。而像素级地融合在机器视觉、图像处理、和军事、医学成像、自动驾驶等方面都有广泛的应用。因此研究图像融合非常有必要，特别本文研究的基于小波变换的像素级图像融合。小波变换的像素级图像融合不仅对学习图像方面的人来说是一个相对容易入门且比较全面的案例。而且在现实意义中，有着自身特有广阔的应用前景。例如在视频监控犯罪人脸过程中，不同的设备具有不同特性，空间不一样也会导致有些误差，但如果两者的人脸图像进行融合，那么呈现的人脸图将会更加清晰。

数字图像的噪声主要产生于图像的获取和传输过程。图像去噪是指减少或去除数字图像中的噪声的过程。去噪效果的好坏直接影响到图像分割、图像识别等后续的图像处理效果。根据实际图像特点及噪声特点， 国内外研究人员提出了多种去噪算法。周期性噪声一般产生于图像采集过程中的电气或电机的干扰，表现为图像中周期性的冲击。周期性噪声不但会影响图像的质量，还会破坏图像所携带的信息，因此需要去除。去除周期性噪声的传统方法是在频域进行处理，但是，在滤除周期性噪声的同时容易造成图像的失真或降噪效果不理想。维纳滤波去除周期性噪声，需要建立

图像增强是指按特定的需要突出一幅图像中的某些信息，并同时削弱或去除某些不需要的信息的处理技术。图像增强的主要作用是相对于原来的图像，处理后的图像能更加有效地满足某些特定应用的要求。根据图像处理空间的不同，图像增强方法基本上可分为两大类：频域处理法、空域处理法。频域处理法的基础是卷积定理，它通过进行某种图像变换(如傅里叶变换、小波变换等)得到频域结果并修改的方法来实现对图像的增强处理。空域处理法是直接对图像中的像素进行处理，一般以图像灰度的映射变换为基础并且根据图像增强的目标来采用所需的映射变换，常见的图像对

雾是一种常见的大气现象，空气中悬浮的水滴、灰尘、细沙或其他颗粒等都会引起成像清晰度的降低。单幅图像去雾是一个病态问题，其关键是如何准确地估计成像过程中的大气透射率。现有的图像去雾方法普遍利用基于观察经验的先验知识来构建去雾模型。近几年，机器学习方法被逐步应用于图像去雾的研究中。众所周知，人类的大脑可以在无附加信息的条件下从单个自然场景中迅速地识别出有雾区域。近几年，生物启发式的卷积神经网络在高层次视觉任务已取得成功的应用，如：图像分类、人脸识别、物体检测等。基于卷积神经网络的深度学习方法也开始逐步被应用于

一种基于暗通道先验算法的图像去雾技术研究

一种基于灰度映射以及直方图规定化的遥感图像对比度增强技术研究