CN106709504A - 细节保持的高保真色调映射方法 - Google Patents
细节保持的高保真色调映射方法 Download PDFInfo
- Publication number
- CN106709504A CN106709504A CN201611058646.0A CN201611058646A CN106709504A CN 106709504 A CN106709504 A CN 106709504A CN 201611058646 A CN201611058646 A CN 201611058646A CN 106709504 A CN106709504 A CN 106709504A
- Authority
- CN
- China
- Prior art keywords
- detail
- levels
- cluster
- details
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013507 mapping Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 206010073099 Lobular breast carcinoma in situ Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于细节保持的高保真色调映射方法。该方法的包括步骤如下:(1)利用k‑means聚类算法将高动态范围图像进行预处理,生成k个颜色聚类,然后用每个聚类的平均值代替相应聚类中各像素点的值,得到初始的色调层;(2)利用图像分解算法提取出初始的细节层,定义亲和力概念,构建一个细节亲和力因子来优化细节层;(3)对相应的低动态范围图像进行颜色编辑处理,然后利用梯度引导的方法重建一个新的色调层;(4)将优化的细节层和重建的色调层进行合并,最终得到高保真的色调映射结果。本发明方法流程清晰、结构完整,实现效率高。
Description
技术领域
本发明涉及一种细节保持的高保真色调映射方法,属于图像处理领域。
背景技术
在现实场景中,亮度值的分布非常广。阳光直射的情况下,场景亮度可达到105cd/m2,而阴暗处亮度值可能只有10-3cd/m2。通常说来,人的视觉系统在同一场景下能接受的亮度动态范围约为10000∶1。目前绝大多数常规显示设备都只支持较低动态范围的显示输出(一般只有1~100cd/m2),该范围与高动态范围(High Dynamic Range,HDR)图像不匹配,直接显示会使原本丰富的图像亮度信息丢失,导致视觉效果较差,细节不明显,无法准确地进行细节信息获取和目标识别。HDR图像可以表示真实世界场景中高动态范围的亮度信息。比起普通图像,高动态范围图像所能表现的层次更加丰富,场景中的高亮度区和低亮度区的细节信息都能很好的保留下来,可以得到更加逼近现实的光影效果,在卫星气象、遥感探测、医疗、军事等领域都有巨大的应用价值。将高动态范围图像通过专用的显示设备显现出来,可以呈现给人们自然场景的真实感受。
为了将真实场景的亮度映射到常规显示设备上得到最优化的显示结果,再现HDR图像丰富的颜色和细节,需要通过色调映射(又称色阶重建、色阶映射、阶调映射等)算法来实现。色调映射主要对高动态范围图像进行压缩对比度的处理,将其高质量显示的同时减少图像在细节、颜色、对比度和明亮度等方面信息的损失。
至今为止,已经有很多研究人员提出了很多色调映射算法,主要分为全局色调映射算法和局部色调映射算法。
(1)全局色调映射算法
Durand和Dorsey提出利用双边滤波器来实现色调映射,将图像多尺度分解,减少对比度,保持细节。
1994年,GregWard等人以保留对比度而非绝对亮度信息为目的提出一种简单的线性映射算法。但是对于极亮和极暗部分的细节会有损失。
1997年,warderson等人进一步提出了一种基于直方图调整的映射算法。
2000年,scheel等人将色调映射技术用于交互式应用系统中。将亮度图像表示为纹理,将纹理像素的值变换到显示像素的值。
2002年,Artus等人提出了一种实时效率全局映射方法,该方法将色调映射看作一个黑盒,以高动态场景的XYZ为空间量输入,常规显示设备的RGB空间量为输出。通过线性系统来描述这个黑盒,并利用奇异值分解和多项式回归的方法来模拟,对比分析输入、输出数据的关系,求出线性系统。
(2)局部色调映射算法
1993年,chiu等人针对人眼对于亮度变化缓和的区域感知不显著,提出了基于人眼感知特点构造缩放函数的色调映射算法,但是在相邻的极亮和极暗区域边缘处,缩放函数的梯度会发生翻转。
1997年,Jobson等人提出了模拟HVS对亮度和颜色感知的多尺度Retinex模型。由于模型并没有对颜色通道进行相关处理,所以当处理颜色主导的图像时,该模型会有很大程度的失真。
1998年,Pattana等人为重建色阶建立了非常全面地模拟HVS对亮度变化及空域变化的适应性模型。由于该模型在压缩动态范围的过程中对不同滤波层分别采用了不同的增益因子,因此在处理对比度较强的边缘时会产生光晕。
1999年,Tumblin and Turk先提出的基于低曲率图像简化(Low Curvature ImageSimplifier,LCIS)的色调映射算法,将HDR图像分解平滑层和细节层,从而压缩动态范围,得到LDR图像。
2002年,Reinhird等人提出了一种自动调节亮度的色调映射方法。该算法采用一个尺度自适应的高斯轮廓函数决定区域尺寸的大小。通过该方法进行色调映射,取得的LDR图像细节较以往方法更为丰富。但是,其中的轮廓函数的尺度对结果的影响非常大,尺度太大或者太小通常会造成细节丢失或者光晕效应。
2002年,Fattal等人提出了基于梯度域的局部映射算法。该梯度域衰减算法有较高的性能和良好的结果,但是没有考虑人类视觉系统的准确性。
2014年,胡庆新等人提出了基于多尺度分解的色调映射算法,利用局部边缘保留(LEP)滤波器对HDR图像进行多尺度分解,有效平滑了图像的细节同时保留了突出的边缘。实验结果证明,该方法在自然度、结构保真度和整体的质量评价上都优于Gu等人提出的算法,同时也避免了局部色调映射算法所普遍存在的光晕效应。
2015年,席志红等人提出了基于变分模型的梯度域色阶映射算法,在梯度域构造了一个具有凸函数性质的变分模型,该变分模型在压缩动态范围的同时,保证LDRI与HDRI的图像细节、边缘信息的一致性。实验结果表明该算法能够有效地去除光晕,得到细节保持完好的低动态范围图像。
上述这些方法构建了独特的色调映射模型,其中大部分都是通过分解图像得到细节层和平滑层,然后压缩HDR图像的动态范围,同时保持细节来实现的。但是这些方法得到的细节层,由于没有完全考虑HDR图像的局部关联,而且也不能有效的控制色调压缩的力度,因此得到的细节层并不精确,可能会出现一些视觉上的瑕疵,得到低保真度的LDR图像。
发明内容
针对现有技术存在的缺陷,本发明的目的是提供一种细节保持的高保真色调映射方法,能够压缩HDR图像动态范围,得到细节保持的高保真的LDR图像。
为达到上述目的,本发明采用如下技术方案:
一种细节保持的高保真色调映射方法,具体操作步骤如下:
(1)利用k-means聚类算法将高动态范围图像进行预处理,生成k个颜色聚类,然后用每个聚类的平均值代替相应聚类中各像素点的值,得到初始的色调层;
(2)利用图像分解算法提取出初始的细节层,定义亲和力概念,构建一个细节亲和力因子来优化细节层;
(3)对相应的低动态范围图像进行颜色编辑处理,然后利用梯度引导的方法重建一个新的色调层;
(4)细节恢复,将优化的细节层和重建的色调层进行合并,最终得到高保真的色调映射结果。
所述步骤(1)的具体步骤如下:
(a)随机选取k个聚类质心点为μ1,μ2,…,μk∈Rn;
(b)重复下面的过程直到收敛:
对于每一个像素点i,计算其应该属于的类:
对于每一个类j,重新计算该类的质心:
其中k为给定的聚类常数,C(i)代表像素点i与k个聚类中距离最近的那个类,质心μi代表对属于同一个类的样本中心点的猜测;
(c)生成k个聚类之后,计算每个聚类的均值;
(d)然后将每个聚类中的像素值用该聚类的均值代替,得到图像S的初始色调层:
所述步骤(2)的具体步骤如下:
根据得到的初始色调层,利用图像分解算法对高动态范围的图像进行分解,得到色调层T和细节层D,
其中,p表示图像S中的像素,m表示总的像素点,在分解色调层和细节层时,忽略了它们之间的局部关联,将导致得到的细节层不够精确;假设细节层是局部细节的线性组合,利用积分的方法来优化细节得到一个更精确的细节层;因此定义一个细节亲和力因子L,通过求解下面的能量方程来优化细节层:
其中Ed表示细节层的能量,表示数据项,表示平滑项,D表示初始细节层,D*表示优化的细节层,L表示高动态范围图像的细节亲和力因子,λ表示平滑项的权重系数。
所述步骤(3)的具体步骤如下:
首先,利用颜色编辑的方法来调整高动态范围图像的色调层,利用一张与源图像结构一致的参考图像,分析其直方图分布,使源图像与参考图像保持一致的直方图分布,得到一个新的颜色编辑结果;
然后,利用梯度引导的方法在梯度域内有效地保持局部差值;
最后,定义了一个与直方图约束项和梯度引导项相关的能量方程:
其中Et表示色调层的能量,T*表示新的色调层,R表示颜色编辑的结果,H(·)表示图像的颜色直方图分布,k表示直方图区间序号,n表示区间总数,表示梯度算子,由于重建的色层超出显示范围,会产生光晕,因此,引入梯度引导因子适度压缩色调层来抑制光晕。
所述步骤(4)的具体步骤如下,用下面的式子表示:
其中,D*表示优化的细节层,T*表示新的色调层,R*表示最终的色调映射结果,p表示图像上的像素点。
本发明与已有技术相比具有如下特点:
(1)本发明提供的实现算法流程清晰、结构完整,实现效率高。
(2)具有更多的细节信息,视觉效果更好。
附图说明
图1是细节保持的高保真色调映射方法程序框图。
图2是色调映射的比较(a)源图像(b)Mathworks或Matlab方法(c)本方法。
具体实施方式
本发明的优先实施例结合附图说明如下:
参见图1,一种细节保持的高保真色调映射方法,具体操作步骤如下:
(1)利用k-means聚类算法将高动态范围图像进行预处理,生成k个颜色聚类,然后用每个聚类的平均值代替相应聚类中各像素点的值,得到初始的色调层,具体步骤如下:
(a)随机选取k个聚类质心点为μ1,μ2,…,μk∈Rn;
(b)重复下面的过程直到收敛:
对于每一个像素点i,计算其应该属于的类:
对于每一个类j,重新计算该类的质心:
其中k为给定的聚类常数,C(i)代表像素点i与k个聚类中距离最近的那个类,质心μi代表对属于同一个类的样本中心点的猜测;
(c)生成k个聚类之后,计算每个聚类的均值;
(d)然后将每个聚类中的像素值用该聚类的均值代替,得到图像S的初始色调层:
(2)利用图像分解算法提取出初始的细节层,定义亲和力概念,构建一个细节亲和力因子来优化细节层,具体步骤如下:
根据得到的初始色调层,利用图像分解算法对高动态范围的图像进行分解,得到色调层T和细节层D,
其中,p表示图像S中的像素,m表示总的像素点,在分解色调层和细节层时,忽略了它们之间的局部关联,将导致得到的细节层不够精确;假设细节层是局部细节的线性组合,利用积分的方法来优化细节得到一个更精确的细节层;因此定义一个细节亲和力因子L,通过求解下面的能量方程来优化细节层:
其中Ed表示细节层的能量,表示数据项,表示平滑项,D表示初始细节层,D*表示优化的细节层,L表示高动态范围图像的细节亲和力因子,λ表示平滑项的权重系数。
(3)对相应的低动态范围图像进行颜色编辑处理,然后利用梯度引导的方法重建一个新的色调层,具体步骤如下:
首先,利用颜色编辑的方法来调整高动态范围图像的色调层,利用一张与源图像结构一致的参考图像,分析其直方图分布,使源图像与参考图像保持一致的直方图分布,得到一个新的颜色编辑结果;
然后,利用梯度引导的方法在梯度域内有效地保持局部差值;
最后,定义了一个与直方图约束项和梯度引导项相关的能量方程:
其中Et表示色调层的能量,T*表示新的色调层,R表示颜色编辑的结果,其中H(·)表示图像的颜色直方图分布,k表示直方图区间序号,n表示区间总数,表示梯度算子,由于重建的色层超出显示范围,会产生光晕,因此,引入梯度引导因子适度压缩色调层来抑制光晕。
(4)细节恢复,将优化的细节层和重建的色调层进行合并,最终得到高保真的色调映射结果,具体步骤如下:用下面的式子表示:
其中,D*表示优化的细节层,T*表示新的色调层,R*表示最终的色调映射结果,p表示图像中的像素点,m表示总的像素点。
对图像经过上述步骤进行处理,在色调映射的过程中分解图像,对细节层和色调层分别进行处理,保持源图像的细节,重建色调层,得到高保真的色调映射结果,如图2所示。
Claims (5)
1.一种细节保持的高保真色调映射方法,其特征在于,具体操作步骤如下:
(1)利用k-means聚类算法将高动态范围图像进行预处理,生成k个颜色聚类,然后用每个聚类的平均值代替相应聚类中各像素点的值,得到初始的色调层;
(2)利用图像分解算法提取出初始的细节层,定义亲和力概念,构建一个细节亲和力因子来优化细节层;
(3)对相应的低动态范围图像进行颜色编辑处理,然后利用梯度引导的方法重建一个新的色调层;
(4)细节恢复,将优化的细节层和重建的色调层进行合并,最终得到高保真的色调映射结果。
2.根据权利要求1所述的细节保持的高保真色调映射方法,其特征在于,所述步骤(1)的具体步骤如下:
(a)随机选取k个聚类质心点为μ1,μ2,…,μk∈Rn;
(b)重复下面的过程直到收敛:
对于每一个像素点i,计算其应该属于的类:
对于每一个类j,重新计算该类的质心:
其中k为给定的聚类常数,C(i)代表像素点i与k个聚类中距离最近的那个类,质心μi代表对属于同一个类的样本中心点的猜测;
(c)生成k个聚类之后,计算每个聚类的均值;
(d)然后将每个聚类中的像素值用该聚类的均值代替,得到图像S的初始色调层:
3.根据权利要求1所述的细节保持的高保真色调映射方法,其特征在于,所述步骤(2)的具体步骤如下:
根据得到的初始色调层,利用图像分解算法对高动态范围的图像进行分解,得到色调层T和细节层D,
其中,p表示图像S中的像素,m表示总的像素点,在分解色调层和细节层时,忽略了它们之间的局部关联,将导致得到的细节层不够精确;假设细节层是局部细节的线性组合,利用积分的方法来优化细节得到一个更精确的细节层;因此定义一个细节亲和力因子L,通过求解下面的能量方程来优化细节层:
其中Ed表示细节层的能量,表示数据项,表示平滑项,D表示初始细节层,D*表示优化的细节层,L表示高动态范围图像的细节亲和力因子,λ表示平滑项的权重系数。
4.根据权利要求1所述的细节保持的高保真色调映射方法,其特征在于,所述步骤(3)的具体步骤如下:
首先,利用颜色编辑的方法来调整高动态范围图像的色调层,利用一张与源图像结构一致的参考图像,分析其直方图分布,使源图像与参考图像保持一致的直方图分布,得到一个新的颜色编辑结果;
然后,利用梯度引导的方法在梯度域内有效地保持局部差值;
最后,定义了一个与直方图约束项和梯度引导项相关的能量方程:
其中Et表示色调层的能量,T*表示新的色调层,R表示颜色编辑的结果,H(·)表示图像的颜色直方图分布,k表示直方图区间序号,n表示区间总数,▽表示梯度算子,由于重建的色层超出显示范围,会产生光晕,因此,引入梯度引导因子▽g适度压缩色调层来抑制光晕。
5.根据权利要求1所述的细节保持的高保真色调映射方法,其特征在于,所述步骤(4)的具体步骤如下:用下面的式子表示:
其中,D*表示优化的细节层,T*表示新的色调层,R*表示最终的色调映射结果,p表示图像中的像素点,经过色调重建之后,恢复源图像的细节,最终得到细节保持的高保真色调映射结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611058646.0A CN106709504B (zh) | 2016-11-28 | 2016-11-28 | 细节保持的高保真色调映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611058646.0A CN106709504B (zh) | 2016-11-28 | 2016-11-28 | 细节保持的高保真色调映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709504A true CN106709504A (zh) | 2017-05-24 |
CN106709504B CN106709504B (zh) | 2021-07-06 |
Family
ID=58934960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611058646.0A Active CN106709504B (zh) | 2016-11-28 | 2016-11-28 | 细节保持的高保真色调映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709504B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369138A (zh) * | 2017-06-26 | 2017-11-21 | 西安电子科技大学 | 基于高阶统计模型的图像最优化显示方法 |
CN107493504A (zh) * | 2017-09-19 | 2017-12-19 | 北京奇虎科技有限公司 | 基于分层的视频数据实时处理方法、装置及计算设备 |
CN108510557A (zh) * | 2018-04-09 | 2018-09-07 | 湖南国科微电子股份有限公司 | 图像色调映射方法及装置 |
CN109410126A (zh) * | 2017-08-30 | 2019-03-01 | 中山大学 | 一种细节增强与亮度自适应的高动态范围图像的色调映射方法 |
CN109785275A (zh) * | 2018-12-27 | 2019-05-21 | 珠海亿智电子科技有限公司 | 一种图像的色调映射方法及设备 |
CN113327208A (zh) * | 2021-06-17 | 2021-08-31 | 烟台艾睿光电科技有限公司 | 高动态范围图像色调映射方法、装置、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130121572A1 (en) * | 2010-01-27 | 2013-05-16 | Sylvain Paris | Methods and Apparatus for Tone Mapping High Dynamic Range Images |
CN105915909A (zh) * | 2016-05-27 | 2016-08-31 | 清华大学深圳研究生院 | 一种高动态范围图像分层压缩方法 |
-
2016
- 2016-11-28 CN CN201611058646.0A patent/CN106709504B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130121572A1 (en) * | 2010-01-27 | 2013-05-16 | Sylvain Paris | Methods and Apparatus for Tone Mapping High Dynamic Range Images |
CN105915909A (zh) * | 2016-05-27 | 2016-08-31 | 清华大学深圳研究生院 | 一种高动态范围图像分层压缩方法 |
Non-Patent Citations (4)
Title |
---|
JI WON LEE: "Local tone mapping using the K-means algorithm and automatic gamma setting", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》 * |
XUEZHONGXIAO 等: "Gradient-PreservingColorTransfer", 《PACIFIC GRAPHICS》 * |
张霖泽等: "一种基于K-means改进聚类的图像增强算法", 《应用光学》 * |
胡可鑫等: "基于先验知识的快速人脸光照迁移算法", 《计算机辅助设计与图形学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369138A (zh) * | 2017-06-26 | 2017-11-21 | 西安电子科技大学 | 基于高阶统计模型的图像最优化显示方法 |
CN107369138B (zh) * | 2017-06-26 | 2020-10-09 | 西安电子科技大学 | 基于高阶统计模型的图像最优化显示方法 |
CN109410126A (zh) * | 2017-08-30 | 2019-03-01 | 中山大学 | 一种细节增强与亮度自适应的高动态范围图像的色调映射方法 |
CN107493504A (zh) * | 2017-09-19 | 2017-12-19 | 北京奇虎科技有限公司 | 基于分层的视频数据实时处理方法、装置及计算设备 |
CN108510557A (zh) * | 2018-04-09 | 2018-09-07 | 湖南国科微电子股份有限公司 | 图像色调映射方法及装置 |
CN109785275A (zh) * | 2018-12-27 | 2019-05-21 | 珠海亿智电子科技有限公司 | 一种图像的色调映射方法及设备 |
CN113327208A (zh) * | 2021-06-17 | 2021-08-31 | 烟台艾睿光电科技有限公司 | 高动态范围图像色调映射方法、装置、电子设备及介质 |
CN113327208B (zh) * | 2021-06-17 | 2022-10-04 | 烟台艾睿光电科技有限公司 | 高动态范围图像色调映射方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106709504B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709504A (zh) | 细节保持的高保真色调映射方法 | |
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
CN107578404B (zh) | 基于视觉显著特征提取的全参考立体图像质量客观评价方法 | |
Duan et al. | Tone-mapping high dynamic range images by novel histogram adjustment | |
CN103400342A (zh) | 基于混合色阶映射及压缩系数的高动态范围图像重构方法 | |
CN109934154A (zh) | 一种遥感影像变化检测方法及检测装置 | |
El Khoury et al. | Color and sharpness assessment of single image dehazing | |
CN111709900A (zh) | 一种基于全局特征指导的高动态范围图像重建方法 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
Lisani et al. | An inquiry on contrast enhancement methods for satellite images | |
Zhang et al. | A real-time semi-supervised deep tone mapping network | |
Li et al. | An adaptive enhancement method for low illumination color images | |
Zhang et al. | Deep tone mapping network in HSV color space | |
CN116363036B (zh) | 基于视觉增强的红外与可见光图像融合方法 | |
CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
CN111462002B (zh) | 一种基于卷积神经网络的水下图像增强与复原方法 | |
Lei et al. | Low-light image enhancement using the cell vibration model | |
Zhang et al. | Atmospheric perspective effect enhancement of landscape photographs through depth-aware contrast manipulation | |
Cai et al. | Contextual-assisted scratched photo restoration | |
CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
Subramani et al. | Cuckoo search optimization‐based image color and detail enhancement for contrast distorted images | |
CN113674160A (zh) | 一种应用于智能交通系统中的卷积网络图像去雾方法 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |