内容概要：本文提出一种面向硬件实现的低延迟噪声感知色调映射算子（TMO），用于将高动态范围（HDR）图像高效压缩为低动态范围（LDR）图像，同时保留视觉细节并抑制噪声。针对现有TMO在嵌入式场景中延迟高、噪声放大等问题，文章提出三项核心技术：基于压缩直方图的K-th最大/最小值快速估计，大幅降低裁剪模块的延迟与缓存需求；硬件导向的局部加权引导滤波（HLWGF），通过去除系数平均、引入对称局部权重，提升边缘保持能力并减少光晕伪影；结合人眼视觉系统（HVS）特性的自适应噪声抑制机制，有效控制暗部噪声放大。整个系统在FPGA上实现1080P@60FPS实时处理，延迟仅为60.32μs，且在平滑度、资源占用和精度方面表现优越。; 适合人群：从事图像处理、嵌入式系统开发、FPGA/ASIC设计的研发人员，尤其是关注实时HDR处理的应用开发者。; 使用场景及目标：①自动驾驶、医疗成像、车载显示等需要实时HDR到LDR转换的嵌入式视觉系统；②追求低延迟、低噪声、高画质的硬件级图像处理方案设计；③学习如何将算法优化与硬件实现相结合，提升系统整体性能。; 阅读建议：此资源强调算法设计与硬件实现的协同优化，建议结合文中模块流程图、实验数据与消融分析深入理解各组件作用，并参考硬件细节（如定点量化、流水线设计）进行实际系统搭建与验证。

针对井下环境亮度低，粉尘严重等造成监控视频图像光照不均匀以及模糊不清等问题，提出了基于二维伽马函数实现井下视频图像增强的算法。该算法运用具有边缘保持性的引导滤波提取光照分量，通过二维伽马函数自适应调整光照，并运用基于受限自适应的直方图均衡化调整全图的对比度，从而提高图像的清晰度以及信息量。提出的算法与经典算法相比，无论是在视觉效果上，还是在信息熵，平均梯度，标准差等方面都优于经典算法。结果表明该方法可有效提高图像的清晰度，信息量以及对比度，同时减轻井下光照不均匀以及粉尘造成的图像质量不高的问题，提高了井下视频监控图像中的整体的视觉效果。

引导滤波器的matlab算法，可以用作图像的处理

一种基于深度的图像雾效模拟算法，高仁杰，王祎，雾是自然场景中常见的天气现象，雾效的存在能够提升虚拟场景的真实感，并能为真实场景带来艺术美感效果。在基于机器学习的雾相关

为解决局部立体匹配算法存在深度图边界区域不连续问题，本文提出了一种基于边缘约束的自适应引导滤波立体匹配算法。将梯度值和颜色信息结合进行匹配代价计算；然后，基于图像边缘局部特征，对图像的像素点基于颜色阈值和边界条件构建自适应十字交叉区域，并对自适应窗口进行引导滤波代价聚合；最后，采用胜者为王策略(winner takes all，WTA)进行视差计算，对视差图进行视差精细化处理。实验结果表明：本文算法生成的深度图能够更好地保留细节特征，边界纹理区域的误匹配现象明显改善，可有效降低误匹配率，本文算法在Middlebury数据集误匹配率仅为5.22%。

该文件包含我们的论文的MATLAB代码，该论文使用密集的SIFT描述符和引导滤镜实现了无鬼影多重曝光图像融合技术。 如果您发现代码有用，请引用论文。

guided-filter引导滤波进行图像处理，通过引导滤波，利用已存在的图像进行图像复原

针对红外和可见光图像融合结果背景信息不足、对比度较低的问题，提出一种结合引导滤波和快速共现滤波的融合方法。首先，以高斯滤波将源图像分解为细节层和基础层。然后以去除值域滤波器、全局统计共现信息的方式简化共现滤波，形成快速共现滤波，再用其融合细节层；此外，引入窗口因子，用图像大小与窗口因子比值确定引导滤波窗口值，再用其融合基础层。实验结果表明该算法增加了图像背景细节，提高了人物与背景的对比度。主观和客观的实验分析验证了该算法的有效性。

针对多聚焦图像融合中聚焦物体边缘衔接处产生伪影的问题，提出一种基于非下采样Contourlet变换(NSCT)与引导滤波的多聚焦图像融合算法。该算法对多聚焦图像进行NSCT分解后，利用基于边缘的加权融合方案处理低频子带系数，利用双向拉普拉斯滤波器提取带通方向子带系数的边缘和显著信息，通过引导滤波器对初始融合权重进行修正，最后利用NSCT重构获得融合后的多聚焦图像。实验结果表明，与其他融合算法相比，本文算法提高了融合图像的信息丰富度和清晰度，避免在聚焦物体边缘衔接处产生伪影，提高了融合图像的总体质量。

何凯明博士的引导滤波，经典的图像去雾算法MATLAB实现