CN102063712A - 基于子带结构的多曝光图像融合方法 - Google Patents
基于子带结构的多曝光图像融合方法 Download PDFInfo
- Publication number
- CN102063712A CN102063712A CN 201010531828 CN201010531828A CN102063712A CN 102063712 A CN102063712 A CN 102063712A CN 201010531828 CN201010531828 CN 201010531828 CN 201010531828 A CN201010531828 A CN 201010531828A CN 102063712 A CN102063712 A CN 102063712A
- Authority
- CN
- China
- Prior art keywords
- sub
- image
- band images
- images
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于子带结构的多曝光图像融合方法,包括以下步骤:先用QMF滤波器组作为分析滤波器组将输入图像分解成一组子带图像,并用权值图修饰子带图像,然后基于这样的子带图像进行融合得到融合后的子带图像,用增益控制图对新的子带图像进行修饰,最后用结构与分析滤波器组对称的综合滤波器组处理上述子带图像,并通过重构过程得到融合后的结果图。本方法能够自动完成,无需人工干预。本方法能够保留输入图像的细节并且增强对比度,得到的结果图像更接近人眼直接观察到的真实世界场景。
Description
技术领域
本发明涉及一种图像融合方法,特别涉及一种基于子带结构的多曝光图像融合方法,属于数字图像处理领域。
背景技术
多曝光图像融合是指将一组关于同一场景的曝光程度不同的图像序列融合成为一幅高质量的复合图像。数字照相机的动态范围(图像中像素最大亮度与最小亮度的比值)有限,要比真实世界的动态范围(100000000∶1)低。在高动态范围场景中,用数字照相机拍摄出来的照片往往曝光不足或者过度曝光。多曝光图像融合是针对这一问题所设计的技术,利用这一技术可以生成高动态范围图像。多曝光图像融合技术与传统的图像融合技术的原则一致,因此,与传统图像融合一样,可以使用很多种现有的方法,如基于梯度的融合技术,多源融合技术,基于神经网络的融合技术等。多曝光图像融合与一般的图像融合区别之处在于,它的对象是多幅同一场景的不同曝光程度的图像,而不是多传感器图像或是多光谱图像。
图像融合技术一般可分为三个级别:像素级,特征级,决策级。特征级的方法根据图像的多种特征(区域或边缘)进行融合,因此,它对于修正错误标定及降噪具有鲁棒性。决策级的方法直接对图像的相关描述进行融合。像素级的方法直接对图像的像素值进行操作,由于其能够有效地保留信息的特性,可以得到高质量的融合结果,因此被广泛使用。
目前,图像融合技术大都仅局限于多传感器或多光谱的图像融合,而针对多曝光输入图像序列的融合技术却为数不多。现有的处理多曝光输入图像序列的技术,一般不能完整地保留图像中的细节,如结果图中纹理或对比度信息的丢失,以及会出现相比于原图过亮或过暗的情况。
发明内容
本发明的目的在于针对现有技术存在的不足,提供一种基于子带结构的多曝光图像融合方法,能够提高融合后的图像质量,保留图像细节及增强对比度。
本发明的实现思想在于用QMF滤波器组作为分析滤波器组将输入图像分解成一组子带图像,并用权值图修饰子带图像,然后基于这样的子带图像进行融合得到融合后的子带图像,用增益控制图对新的子带图像进行修饰,最后用结构与分析滤波器组对称的综合滤波器组处理上述子带图像,并通过重构过程得到融合后的结果图。
本发明提供了一种基于子带结构的多曝光图像融合方法,包括以下步骤:
(1)输入一组关于同一场景的曝光程度不同的图像序列IN(x,y),N为输入图像个数;
(2)用一组奇数长度的正交镜像滤波器(QMF,Quadrature Mirror Filter)作为分析滤波器组,将图像序列中的每幅图像Ii(x,y),i=1,...,N分别分解成为一组子带图像,则每一幅图像均有3n+1幅子带图像;第i幅图像的3n+1幅子带图像,表示为Bi,1(x,y),Bi,2(x,y),...,Bi,3n+1(x,y),形成QMF金字塔,其中n为金字塔的级数;
(3)计算权值图Wk(x,y),k=1,...,N,计算方法为,
Wk(x,y)=Ck(x,y)×Sk(x,y)×Ek(x,y)
其中,Ck(x,y)为对比度度量,它可以使得图像中的重要元素,如边界和纹理信息,得到较高的权值;Sk(x,y)为饱和度度量,它可以令图像的颜色看起来更加生动;Ek(x,y)为曝光度度量,用来限定图像中每个像素的曝光程度。
然后将N幅权值图分别进行归一化及平滑处理,
(4)将步骤(3)得到的归一化及平滑处理后的权值图作用于各子带图像,并将对应的子带进行融合,得到3n+1幅融合后的子带图像:
(5)计算每个子带图像的增益控制图Gag(x,y),计算方法为,
Aag(x,y)=∑i=1,...,3n+1Ai(x,y)
Ai(x,y)=g(σ)*|Fi(x,y)|
其中,ε是一个小于0.01的非零常量,其作用是避免分母为零;参数γ是权值因子,在0到1之间取值;α是与空间频率相关的常量,在0.1到1之间取值;g(σ)是高斯核函数;δ是增益控制的活跃度级别;每幅输入图像的大小均为Mr*Mc;Fi(x,y)是步骤(4)中得到的融合后的子带图像。
然后,将这些增益控制图按照以下公式作用于步骤(4)的结果:
F′i(x,y)=miGag(x,y)×Fi(x,y),i=1,...,3n+1;
mi=max(1-(level_here-1)*0.15,0.6);
level_here=floor((i-1)/3)+1;
其中,参数mi用于控制每个子带的不同的增益控制图;
(6)使用综合滤波器组,即对步骤(2)用到的正交镜像滤波器组取反而得到的滤波器组,对步骤(5)获得的图像进行重构,得到最终的融合结果。
有益效果
本方法能够自动完成,无需人工干预。本方法能够保留输入图像的细节并且增强对比度,得到的结果图像更接近人眼直接观察到的真实世界场景。
附图说明
图1是本发明所述的基于子带结构的多曝光图像融合方法的流程图。
具体实施方式
下面结合附图,详细阐述本发明的优选实施方法。
图1给出了本发明所述的基于子带结构的多曝光图像融合方法的流程图,其主要步骤如下:
(1)输入一组关于同一场景的曝光程度不同的图像序列IN(x,y),N为输入图像个数;
(2)用一组奇数长度的QMF(Quadrature Mirror Filter,正交镜像滤波器)作为分析滤波器组,具体为,
fl=[0.02807382,-0.06094473,-0.073386624,
0.41472545,0.797393400,0.414725450,
-0.073386624,-0.060944743,0.028073820]
fh=[0.02807382,0.06094473,-0.073386624,
-0.41472545,0.797393400,-0.414725450.
-0.073386624,0.060944743,0.028073820]
用上述滤波器将图像序列中的每幅图像Ii(x,y),i=1,...,N的R、G、B三个通道的图像,分别分解成为一组子带图像,第i幅图像的每个通道都有3n+1幅子带图像,它们分别为
Bi,1(x,y),Bi,2(x,y),...,Bi,3n+1(x,y),
形成3N个QMF金字塔,其中,N为输入图像个数,n为金字塔的级数。n的值可为任意整数,n的值增加会提高图像精度,但过大会影响计算效率。通过实验发现,n的值为4时可以获得较好的性能和效率。本实施方式中n的值为4。
用分析滤波器得到的每一级子带图像由四部分组成,分别是上一级图像的近似值、水平方向细节、垂直方向细节和对角线方向细节,对近似值进一步分解得到下一级的子带图像;
(3)计算权值图Wk(x,y),k=1,...,N,计算方法为,
Wk(x,y)=Ck(x,y)×Sk(x,y)×Ek(x,y)
其中,Ck(x,y)为对比度度量,它可以使得图像中的重要元素,如边界和纹理信息,得到较高的权值;Sk(x,y)为饱和度度量,它可以令图像的颜色看起来更加生动;Ek(x,y)为曝光度度量,用来限定图像中每个像素的曝光程度。
本实施方式中使用的计算方法引用自Tom Mertens等人的文章Exposure Fusion(Exposure fusion:a simple and practical alternative to high dynamic range photography.Computer Graphics Forum,28(1):161-171,2008)。
其中,Ck(x,y)为对比度度量,对输入图像的灰度图像进行拉普拉斯滤波,然后对滤波结果取绝对值从而得到Ck(x,y);
Sk(x,y)为饱和度度量,对输入图像的R、G、B三个通道的像素值进行操作,具体为:
mu=(R+G+B)/3;
Sk(x,y)=sqrt(((R-mu).^2+(G-mu).^2+(B-mu).^2)/3);
Ek(x,y)为曝光度度量,对输入图像的R、G、B三个通道的值分别实施高斯函数,具体为:
Rout=exp(-0.5*(R-0.5).^2/sig.^2);
Gout=exp(-0.5*(G-0.5).^2/sig.^2);
Bout=exp(-0.5*(B-0.5).^2/sig.^2);
其中,sig取值为0.2。最后,将计算出的Rout,Gout,Bout相乘得到最终的Ek(x,y),具体为:Ek(x,y)=Rout.*Gout.*Bout。
对于每一幅输入图像,它的R、G、B三个通道的所有子带使用同一个权值图。然后将N幅权值图进行归一化及平滑处理,
(4)将步骤(3)得到的权值图作用于各子带图像,并分通道将对应的子带进行融合,每个通道都有(3n+1)幅融合后的子带图像
(5)计算增益控制图Gag(x,y),计算方法为,
Aag(x,y)=∑i=1,...,3n+1Ai(x,y)
Ai(x,y)=g(σ)*|Fi(x,y)|
其中,参数γ是权值因子,在0到1之间取值(本方法中γ取0.6);ε是一个很小的常量(本方法中ε取0.002);α是与空间频率相关的常量,在0.1到1.0之间取值(本方法中α取0.2);g(σ)是高斯核函数;δ是增益控制的活跃度级别;每幅输入图像的大小均为Mr*Mc;Fi(x,y)是步骤(4)中得到的融合后的子带图像。然后,将这些增益控制图作用于步骤(4)的结果,得到:
F′i(x,y)=miGag(x,y)×Fi(x,y),i=1,...,3n+1;
ni=max(1-(level_here-1)*0.15,0.6);
level_here=floor((i-1)/3)+1;
其中,参数mi用于控制每个子带的不同的增益控制图;
(6)使用综合滤波器组,即对步骤(2)用到的正交镜像滤波器组取反而得到的滤波器组,对步骤(5)获得的图像进行重构,得到融合结果的R、G、B三个通道的图像,最后将他们合并起来得到最终结果。
上述步骤说明了本发明所述基于子带结构的多曝光融合技术实现的全部过程。本方法能够自动完成,无需人工干预。本方法能够保留输入图像的细节并且增强对比度,得到的结果图像更接近人眼直接观察到的真实世界场景。
我们将本方法与其他现有方法做了效果对比。对比的方法包括:T.Mertens等人的文献Exposure fusion:a simple and practical alternative to high dynamic range photography所提出的方法;S.Raman等人的文献Bilateral filter based compositing for variable exposure所提出的方法。通过对比发现,本发明所述方法较其他两种方法,对比度及细节都有明显增强。
通过对本发明所述方法在多种场景下进行使用,发现将本方法应用于多种场景下都能得到高质量的结果。
为了说明本发明的内容及实施方法,给出了一个具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围,而是帮助理解本发明所述方法。本领域的技术人员应理解:在不脱离本发明及其所附权利要求的精神和范围内,对最佳实施例步骤的各种修改、变化或替换都是可能的。因此,本发明不应局限于最佳实施例及附图所公开的内容。
Claims (3)
1.一种基于子带结构的多曝光图像融合方法,其特征在于,包括以下步骤:
(1)输入一组关于同一场景的曝光程度不同的图像序列IN(x,y),N为输入图像个数;
(2)用一组奇数长度的正交镜像滤波器即QMF,作为分析滤波器组,将图像序列中的每幅图像Ii(x,y),i=1,...,N分别分解成为一组子带图像,则每一幅图像均有3n+1幅子带图像;第i幅图像的3n+1幅子带图像,表示为Bi,1(x,y),Bi,2(x,y),...,Bi,3n+1(x,y),形成QMF金字塔,其中n为金字塔的级数;
(3)计算权值图Wk(x,y),k=1,...,N,计算方法为,
Wk(x,y)=Ck(x,y)×Sk(x,y)×Ek(x,y)
其中,Ck(x,y)为对比度度量,它可以使得图像中的重要元素,如边界和纹理信息,得到较高的权值;Sk(x,y)为饱和度度量,它可以令图像的颜色看起来更加生动;Ek(x,y)为曝光度度量,用来限定图像中每个像素的曝光程度;
然后将N幅权值图分别进行归一化及平滑处理,
(4)将步骤(3)得到的归一化及平滑处理后的权值图作用于各子带图像,并将对应的子带进行融合,得到3n+1幅融合后的子带图像:
(5)计算每个子带图像的增益控制图Gag(x,y),计算方法为,
Aag(x,y)=∑i=1,...,3n+1Ai(x,y)
Ai(x,y)=g(σ)*|Fi(x,y)|
其中,ε是一个小于0.01的非零常量;参数γ是权值因子,在0到1之间取值;α是与空间频率相关的常量,在0.1到1之间取值;g(σ)是高斯核函数;δ是增益控制的活跃度级别;每幅输入图像的大小均为Mr*Mc;Fi(x,y)是步骤(4)中得到的融合后的子带图像;
然后,将这些增益控制图按照以下公式作用于步骤(4)的结果:
F′i(x,y)=miGag(x,y)×Fi(x,y),i=1,...,3n+1;
mi=max(1-(level_here-1)*0.15,0.6);
level_here=floor((i-1)/3)+1;
(6)使用综合滤波器组,即对步骤(2)用到的正交镜像滤波器组取反而得到的滤波器组,对步骤(5)获得的图像进行重构,得到最终的融合结果。
2.根据权利要求1所述的一种基于子带结构的多曝光图像融合方法,其特征在于:步骤(2)中n的值为4。
3.根据权利要求1或2所述的一种基于子带结构的多曝光图像融合方法,其特征在于:
步骤(3)中所述Ck(x,y)、Sk(x,y)、Ek(x,y)的计算方法分别为:
Ck(x,y)为对输入图像的灰度图像进行拉普拉斯滤波,然后对滤波结果取绝对值从而得到Ck(x,y);
Sk(x,y)为对输入图像的R、G、B三个通道的像素值进行操作,具体为:
mu=(R+G+B)/3;
Sk(x,y)=sqrt(((R-mu).^2+(G-mu).^2+(B-mu).^2)/3);
Ek(x,y)为对输入图像的R、G、B三个通道的值分别实施高斯函数,具体为:
Rout=exp(-0.5*(R-0.5).^2/sig.^2);
Gout=exp(-0.5*(G-0.5).^2/sig.^2);
Bout=exp(-0.5*(B-0.5).^2/sig.^2);
其中,sig取值为0.2;最后,将计算出的Rout,Gout,Bout相乘得到最终的Ek(x,y),具体为:Ek(x,y)=Rout.*Gout.*Bout。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010531828 CN102063712B (zh) | 2010-11-04 | 2010-11-04 | 基于子带结构的多曝光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010531828 CN102063712B (zh) | 2010-11-04 | 2010-11-04 | 基于子带结构的多曝光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102063712A true CN102063712A (zh) | 2011-05-18 |
CN102063712B CN102063712B (zh) | 2013-01-30 |
Family
ID=43998976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010531828 Expired - Fee Related CN102063712B (zh) | 2010-11-04 | 2010-11-04 | 基于子带结构的多曝光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102063712B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247036A (zh) * | 2012-02-10 | 2013-08-14 | 株式会社理光 | 多曝光图像融合方法和装置 |
US8885976B1 (en) | 2013-06-20 | 2014-11-11 | Cyberlink Corp. | Systems and methods for performing image fusion |
CN104616273A (zh) * | 2015-01-26 | 2015-05-13 | 电子科技大学 | 一种基于拉普拉斯金字塔分解的多曝光图像融合方法 |
CN104881854A (zh) * | 2015-05-20 | 2015-09-02 | 天津大学 | 基于梯度和亮度信息的高动态范围图像融合方法 |
WO2017080179A1 (zh) * | 2015-11-11 | 2017-05-18 | 乐视控股(北京)有限公司 | 克服图像融合中颜色突变的方法、系统及设备 |
CN106780463A (zh) * | 2016-12-15 | 2017-05-31 | 华侨大学 | 一种基于对比度和饱和度的全参考多曝光融合图像质量评估方法 |
CN109447907A (zh) * | 2018-09-20 | 2019-03-08 | 宁波大学 | 一种基于全卷积神经网络的单图像增强方法 |
CN107203985B (zh) * | 2017-05-18 | 2019-11-08 | 北京联合大学 | 一种端到端深度学习框架下的多曝光图像融合方法 |
CN110784645A (zh) * | 2019-10-09 | 2020-02-11 | 中国航空工业集团公司洛阳电光设备研究所 | 基于单色双通道sCMOS摄像机的灰度调制图像融合方法 |
US10853928B2 (en) | 2019-03-29 | 2020-12-01 | Apple Inc. | Image fusion processing module |
WO2021228181A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国科学院福建物质结构研究所 | 一种3d打印方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7146059B1 (en) * | 2003-03-05 | 2006-12-05 | Massachusetts Institute Of Technology | Method of performing fast bilateral filtering and using the same for the display of high-dynamic-range images |
CN101052100A (zh) * | 2007-03-29 | 2007-10-10 | 上海交通大学 | 多曝光图像增强方法 |
CN101339653A (zh) * | 2008-01-30 | 2009-01-07 | 西安电子科技大学 | 基于彩色传递及熵信息的红外与彩色可见光图像融合方法 |
-
2010
- 2010-11-04 CN CN 201010531828 patent/CN102063712B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7146059B1 (en) * | 2003-03-05 | 2006-12-05 | Massachusetts Institute Of Technology | Method of performing fast bilateral filtering and using the same for the display of high-dynamic-range images |
CN101052100A (zh) * | 2007-03-29 | 2007-10-10 | 上海交通大学 | 多曝光图像增强方法 |
CN101339653A (zh) * | 2008-01-30 | 2009-01-07 | 西安电子科技大学 | 基于彩色传递及熵信息的红外与彩色可见光图像融合方法 |
Non-Patent Citations (3)
Title |
---|
《Computer Graphics Forum》 20090331 T. Mertens等。 Exposure Fusion: A Simple and Practical Alternative to High Dynamic Range photography 第161-171页 , 2 * |
《IEEE Transactions on Multimedia》 20090630 T. Wan等。 Segmentation-Driven Image Fusion Based on Alpha-Stable Modeling of Wavelet Coefficients 第624-633页 第11卷, 第4期 2 * |
《计算机辅助设计与图形学学报》 20070430 华顺刚等。 同一场景不同曝光图像的配准及HDR图像合成 第528-534页 第19卷, 第4期 2 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247036A (zh) * | 2012-02-10 | 2013-08-14 | 株式会社理光 | 多曝光图像融合方法和装置 |
CN103247036B (zh) * | 2012-02-10 | 2016-05-18 | 株式会社理光 | 多曝光图像融合方法和装置 |
US8885976B1 (en) | 2013-06-20 | 2014-11-11 | Cyberlink Corp. | Systems and methods for performing image fusion |
CN104616273B (zh) * | 2015-01-26 | 2017-07-07 | 电子科技大学 | 一种基于拉普拉斯金字塔分解的多曝光图像融合方法 |
CN104616273A (zh) * | 2015-01-26 | 2015-05-13 | 电子科技大学 | 一种基于拉普拉斯金字塔分解的多曝光图像融合方法 |
CN104881854B (zh) * | 2015-05-20 | 2017-10-31 | 天津大学 | 基于梯度和亮度信息的高动态范围图像融合方法 |
CN104881854A (zh) * | 2015-05-20 | 2015-09-02 | 天津大学 | 基于梯度和亮度信息的高动态范围图像融合方法 |
WO2017080179A1 (zh) * | 2015-11-11 | 2017-05-18 | 乐视控股(北京)有限公司 | 克服图像融合中颜色突变的方法、系统及设备 |
CN106780463A (zh) * | 2016-12-15 | 2017-05-31 | 华侨大学 | 一种基于对比度和饱和度的全参考多曝光融合图像质量评估方法 |
CN106780463B (zh) * | 2016-12-15 | 2019-07-05 | 华侨大学 | 一种全参考多曝光融合图像质量评估方法 |
CN107203985B (zh) * | 2017-05-18 | 2019-11-08 | 北京联合大学 | 一种端到端深度学习框架下的多曝光图像融合方法 |
CN109447907A (zh) * | 2018-09-20 | 2019-03-08 | 宁波大学 | 一种基于全卷积神经网络的单图像增强方法 |
US10853928B2 (en) | 2019-03-29 | 2020-12-01 | Apple Inc. | Image fusion processing module |
US11138709B2 (en) | 2019-03-29 | 2021-10-05 | Apple Inc. | Image fusion processing module |
CN110784645A (zh) * | 2019-10-09 | 2020-02-11 | 中国航空工业集团公司洛阳电光设备研究所 | 基于单色双通道sCMOS摄像机的灰度调制图像融合方法 |
WO2021228181A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国科学院福建物质结构研究所 | 一种3d打印方法和装置 |
CN113674299A (zh) * | 2020-05-13 | 2021-11-19 | 中国科学院福建物质结构研究所 | 一种3d打印方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102063712B (zh) | 2013-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102063712B (zh) | 基于子带结构的多曝光图像融合方法 | |
Wang et al. | An experiment-based review of low-light image enhancement methods | |
Nercessian et al. | Non-linear direct multi-scale image enhancement based on the luminance and contrast masking characteristics of the human visual system | |
CN103034986A (zh) | 一种基于曝光融合的夜视图像增强方法 | |
US9311694B2 (en) | Method for image processing using local statistics convolution | |
CN108702496A (zh) | 用于实时色调映射的系统和方法 | |
CN107220956A (zh) | 一种基于多幅具有不同曝光度的ldr图像的hdr图像融合方法 | |
CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
CN112734650B (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN104616273A (zh) | 一种基于拉普拉斯金字塔分解的多曝光图像融合方法 | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
CN102096909B (zh) | 基于对数图像处理模型的改进的反锐化掩模图像增强方法 | |
WO2007114363A1 (ja) | 画像処理方法 | |
CN104182947A (zh) | 一种低照度图像增强方法和系统 | |
CN103702116B (zh) | 一种图像的宽动态压缩方法和装置 | |
CN102044070A (zh) | 一种基于Retinex的非线性彩色图像增强方法 | |
Yan et al. | Enhanced network optimized generative adversarial network for image enhancement | |
Kim | Low-light image enhancement: A comparative review and prospects | |
CN104182939B (zh) | 一种医疗影像图像细节增强方法 | |
Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
CN110298792A (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
Shen et al. | Detail-preserving exposure fusion using subband architecture | |
CN106709888A (zh) | 一种基于人眼视觉模型的高动态范围图像产生方法 | |
CN103931198B (zh) | 在交通摄影中进行动态范围压缩的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130130 Termination date: 20131104 |