CN108830806B - 一种感受野模型的敏感度及模型参数动态调控方法 - Google Patents

一种感受野模型的敏感度及模型参数动态调控方法 Download PDF

Info

Publication number
CN108830806B
CN108830806B CN201810531902.6A CN201810531902A CN108830806B CN 108830806 B CN108830806 B CN 108830806B CN 201810531902 A CN201810531902 A CN 201810531902A CN 108830806 B CN108830806 B CN 108830806B
Authority
CN
China
Prior art keywords
model
sensitivity
receptive field
image
control method
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.)
Expired - Fee Related
Application number
CN201810531902.6A
Other languages
English (en)
Other versions
CN108830806A (zh
Inventor
侯海燕
刘晓慧
王京京
苏栋楠
符志鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201810531902.6A priority Critical patent/CN108830806B/zh
Publication of CN108830806A publication Critical patent/CN108830806A/zh
Application granted granted Critical
Publication of CN108830806B publication Critical patent/CN108830806B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法具体如下：首先，根据人类视觉机制构建感受野模型；其次，利用构建的感受野模型，设计敏感度及模型参数动态调控方法；最后，利用设计的敏感度及模型参数动态调控方法对构建的感受野模型进行修正，并用于图像增强。本发明提供一种感受野模型的敏感度及模型参数动态调控方法，根据输入图像本身亮度、灰度分布以及能量分布构造了敏感度及模型参数动态调控方法，能够实现动态调整感受野模型参数，符合人类的视觉特性，图像增强效果良好。

Description

一种感受野模型的敏感度及模型参数动态调控方法
技术领域
本发明涉及图像处理领域，具体的说是一种感受野模型的敏感度及模型参数动态调控方法。
背景技术
许多计算机视觉应用都希望输入清晰、高对比度的图像，但大气中存在尘埃、雾和水滴等气溶胶，物体表面反射光在到达镜头之前就已经分散，导致了对比度降低和颜色褪色，最终导致图像清晰度降低。对于图像处理来说，人类视觉机制是非线性、非均匀性的，其处理过程有着主观视觉感觉和客观指标参数的差异性，现有的图像增强算法通常不能满足这两方面要求，因此构建基于视网膜机制的图像预处理模型、实现图像增强具有很大意义，尤其是对雾霾天气的图像增强以及医学图像处理。
有学者以视网膜网络信息处理机制为基础，受大气散射模型对模糊图像成因影响的启发，通过模拟视网膜中双极细胞经典高斯差感受野和神经节细胞非经典感受野去抑制作用以及ON/OFF型信息通路整合等机制，提出基于视觉机制的图像去雾增强模型，该模型对特定场景有很好的去雾效果，但参数固定，模型对光照、亮度敏感，适应性不强。
事实上，人类视觉系统感受野对光照敏感度是动态变化的，且感受野半径及响应强度也是动态调整的，因此，使用固定模型参数有其局限性，也无法真实反映人类视觉系统感受野特性。
发明内容
为了解决现有技术中的不足，本发明提供一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法能够根据不同的输入动态调整模型参数，进而实现在不同环境条件下的图像去雾增强。
为了实现上述目的，本发明采用的具体方案为：一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法包括如下步骤：
步骤1、根据人类视觉机制构建感受野模型；
步骤2、利用步骤1构建的感受野模型，设计敏感度及模型参数动态调控方法，具体包括如下步骤：
步骤21、调控感受野半径σ：用正态函数对σ进行拟合，σ调控方法具体如下：
Figure GDA0002649295950000021
I(f)＝∑f(x,y)/(255*m*n)；
其中，I为图像平均亮度，f(x,y)为输入图像，m、n为图像尺寸；
步骤22、调控敏感度k：敏感度k包括亮度敏感度和细节敏感度，调控敏感度k的方法具体包括如下步骤：
步骤221、亮度敏感度kI(f)的调控用如下公式表示：
kI(f)＝-log(I(f))；
步骤222、细节敏感度kd(f)的调控用如下公式表示：
kd(f)＝log(RoE(f))；
RoE(f)＝EH(f)/E(f)；
其中，EH为图像高频成分的能量，E为图像总能量，RoE为图像高频成分的能量在整幅图像中的占比；
E(f)＝∑f(x,y)2；
EH(f)＝∑fH(x,y)2；
fH(x,y)＝IFFT(HP(FFT(f(x,y))))；
其中，FFT为傅里叶变换，HP为高通滤波，IFFT为傅里叶反变换；
步骤223、对步骤221中得到的亮度敏感度kI(f)和步骤222得到的细节敏感度kd(f)分别归一化加权后得敏感度k：
k(f)＝aNORM(kI(f))+bNORM(kd(f))；
其中，NORM为归一化，a和b分别为权重；
步骤23、调控响应强度参数A：响应强度参数A调控方法具体如下：
Figure GDA0002649295950000022
其中，
Figure GDA0002649295950000023
为输入图像均值；
步骤3、利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，并用于图像增强。
作为一种优选方案，步骤1构建的感受野模型为固定参数感受野模型，具体表达形式如下：
Out(x,y)＝w·OutON(x,y)+(1-w)·(1-OutOFF(x,y))；
其中，Out(x,y)为输出图像，w为权重，ON和OFF分别为不同的互为拮抗的视觉通道。
作为一种优选方案，步骤1中，
Figure GDA0002649295950000031
Figure GDA0002649295950000032
其中，GC为神经节细胞模型，GC和GC′分别为ON和OFF通道神经节细胞模型，其形式相同，系数不同，RGB为颜色通道。
作为一种优选方案，GC模型定义如下：
Figure GDA0002649295950000033
Figure GDA0002649295950000034
Figure GDA0002649295950000035
MBP(x,y)＝BP(x,y)·(ε+BP(x,y))；
其中，ε为平均亮度调制系数，GC为神经节细胞模型，MBP为无长突细胞模型，BP为双极细胞模型，双极细胞模型定义如下：
Figure GDA0002649295950000036
其中，f(x,y)为输入图像，g(x,y；σ)表示二维高斯函数，其形式如下：
Figure GDA0002649295950000037
作为一种优选方案，步骤3中，利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，修正过程具体如下：
Figure GDA0002649295950000038
Figure GDA0002649295950000039
Figure GDA00026492959500000310
有益效果：本发明提供一种感受野模型的敏感度及模型参数动态调控方法，根据输入图像本身亮度、灰度分布以及能量分布构造了敏感度及模型参数动态调控方法，能够实现动态调整感受野模型参数，符合人类的视觉特性，图像增强效果良好。
附图说明
图1为实施例一的原始图像；
图2为实施例一采用固定参数模型的处理后的图像；
图3为实施例一采用本发明敏感度及模型参数动态调控方法修正后的图像；
图4为实施例二的原始图像；
图5为实施例二采用固定参数模型的处理后的图像；
图6为实施例二采用本发明敏感度及模型参数动态调控方法修正后的图像；
图7为实施例三的原始图像；
图8为实施例三采用固定参数模型的处理后的图像；
图9为实施例三采用本发明敏感度及模型参数动态调控方法修正后的图像；
图10为实施例四的原始图像；
图11为实施例四采用固定参数模型的处理后的图像；
图12为实施例四采用本发明敏感度及模型参数动态调控方法修正后的图像；
图13为实施例五的原始图像；
图14为实施例五采用固定参数模型的处理后的图像；
图15为实施例五采用本发明敏感度及模型参数动态调控方法修正后的图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种感受野模型的敏感度及模型参数动态调控方法，该动态调控方法包括如下步骤：
步骤1、根据人类视觉机制构建感受野模型；
步骤2、利用步骤1构建的感受野模型，设计敏感度及模型参数动态调控方法；
步骤3、利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，并用于图像增强。
步骤1中，构建的感受野模型为固定参数感受野模型，具体表达形式如下：
Out(x,y)＝w·OutON(x,y)+(1-w)·(1-OutOFF(x,y))；
其中，Out(x,y)为输出图像，w为权重，ON和OFF分别为不同的互为拮抗的视觉通道。在上式中：
Figure GDA0002649295950000051
Figure GDA0002649295950000052
其中，GC为神经节细胞模型，GC和GC′分别为ON和OFF通道神经节细胞模型，其形式相同，系数不同，RGB为颜色通道；
GC模型定义如下：
Figure GDA0002649295950000053
Figure GDA0002649295950000054
Figure GDA0002649295950000055
MBP(x,y)＝BP(x,y)·(ε+BP(x,y))；
其中，ε为平均亮度调制系数，GC为神经节细胞模型，MBP为无长突细胞模型，BP为双极细胞模型，双极细胞模型定义如下：
Figure GDA0002649295950000056
其中，f(x,y)为输入图像，g(x,y；σ)表示二维高斯函数，其形式如下：
Figure GDA0002649295950000057
在此感受野模型中，共有三个关键参数A，k，σ，分别控制感受野模型的强度、敏感度以及半径，在现有模型中，该参数须是根据不同场景由实验确定。这一局限性限制了该模型的应用，基于此，本发明在步骤(2)中设计了灵活的动态敏感度及模型调控方法，具体包括如下步骤：
步骤21、调控感受野半径σ：感受野半径随光照变化而变化，在光照较强或较弱的情况下，感受野半径较小，而在光照适中的情况下取得最大的半径，感受野半径变化形式与正态函数吻合，用正态函数对σ进行拟合，σ调控方法具体如下：
Figure GDA0002649295950000058
I(f)＝∑f(x,y)/(255*m*n)；
其中，I为图像平均亮度，f(x,y)为输入图像，m、n为图像尺寸；
步骤22、调控敏感度k：敏感度k包括亮度敏感度和细节敏感度，调控敏感度k的方法具体包括如下步骤：
步骤221、根据生理学研究，在较暗的环境中感受野具有较高的敏感度，随着光照的增强，敏感度也会随之下降，亮度敏感度kI(f)的调控用如下公式表示：
kI(f)＝-log(I(f))；
步骤222、视野中的细节成分更易引起人类视觉的注意，因此细节成分比例越高，感受野敏感度越强。从图像变换的角度来讲，图像中的细节成分代表了高频成分，高频成分的能量反映了细节的多少，细节敏感度kd(f)的调控用如下公式表示：
kd(f)＝log(RoE(f))；
RoE(f)＝EH(f)/E(f)；
其中，EH为图像高频成分的能量，E为图像总能量，RoE为图像高频成分的能量在整幅图像中的占比；
E(f)＝∑f(x,y)2；
EH(f)＝∑fH(x,y)2；
fH(x,y)＝IFFT(HP(FFT(f(x,y))))；
其中，FFT为傅里叶变换，HP为高通滤波，IFFT为傅里叶反变换；
步骤223、对步骤221中得到的亮度敏感度kI(f)和步骤222得到的细节敏感度kd(f)分别归一化加权后得敏感度k：
k(f)＝aNORM(kI(f))+bNORM(kd(f))；
其中，NORM为归一化，a和b分别为权重；
步骤23、调控响应强度参数A：响应强度参数A调控方法具体如下：
Figure GDA0002649295950000061
其中，
Figure GDA0002649295950000062
为输入图像均值。
步骤3中，利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，修正过程具体如下：
Figure GDA0002649295950000063
Figure GDA0002649295950000064
Figure GDA0002649295950000065
上式中，感受野半径，敏感度k，响应强度A分别由上述调控函数替代。
本发明中，在非极端光照条件下，ON通道和OFF通道对信息处理作用相近，因此权值w取值0.5；对于敏感度，根据生理学实验，光照的影响要优于图像细节(即高频成分)的影响，因此，亮度敏感度对总体敏感度的影响要强于细节敏感度，通过实验，a取0.7，b取0.3，得到较好的结果；对于平均亮度调制系数ε，其取值范围为0-1，亮度越大该值越大，但由于在极亮和极暗条件下，该值变化较快，中间亮度条件下，变化缓慢，因此在非极端亮度条件下，取值0.5。模型参数设置如下：
w＝0.5，a＝0.7，b＝0.3，ε＝0.5。
根据该模型对图像进行动态调控处理结果如图所示，共五组数据，见实施例一、实施例二、实施例三、实施例四和实施例五。
实施例一
如图1、2和3，此三幅图均为近景图，包括较多细节成分，其中，图1为原始图像，图2为采用固定参数模型的处理后的图像，图3为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例二
如图4、5和6，此三幅图均为远景图，既包含了天空等平滑区域，又包含了楼房树木等含有细节成分的区域，且场景中含有薄雾，其中，图4为原始图像，图5为采用固定参数模型的处理后的图像，图6为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例三
如图7、8和9，此三幅图雾气较重且远近景都有，总体方法能一定程度上去雾，而文字，树叶，地上交通标识等细节成分经过处理更为清晰鲜艳，其中，图7为原始图像，图8为采用固定参数模型的处理后的图像，图9为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例四
如图10、11和12，此三幅图为场景较为复杂的图像，包含了较为丰富的细节，图10为原始图像，图11为采用为采用固定参数模型的处理后的图像，图12为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实施例五
如图13、14和15，此三幅图为夜景图像，整体亮度较暗，图13为原始图像，图14为采用为采用固定参数模型的处理后的图像，图15为采用本发明敏感度及模型参数动态调控方法修正后的图像。
实验结果表明，本发明根据输入图像本身亮度、灰度分布以及能量分布构造了敏感度及模型参数动态调控方法，能够实现动态调整感受野模型参数，符合人类的视觉特性，图像增强效果良好，尤其对图像细节增强的性能优异。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例描述如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述所述技术内容作出的些许更动或修饰均为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种感受野模型的敏感度及模型参数动态调控方法，其特征在于：该动态调控方法包括如下步骤：
步骤1、根据人类视觉机制构建感受野模型；
步骤2、利用步骤1构建的感受野模型，设计敏感度及模型参数动态调控方法，具体包括如下步骤：
步骤21、调控感受野半径σ：用正态函数对σ进行拟合，σ调控方法具体如下：
Figure FDA0002767408030000011
I(f)＝∑f(x,y)/(255*m*n)；
其中，I为图像平均亮度，f(x,y)为输入图像，m、n为图像尺寸；
步骤22、调控敏感度k：敏感度k包括亮度敏感度和细节敏感度，调控敏感度k的方法具体包括如下步骤：
步骤221、亮度敏感度kI(f)的调控用如下公式表示：
kI(f)＝-log(I(f))；
步骤222、细节敏感度kd(f)的调控用如下公式表示：
kd(f)＝log(RoE(f))；
RoE(f)＝EH(f)/E(f)；
其中，EH为图像高频成分的能量，E为图像总能量，RoE为图像高频成分的能量在整幅图像中的占比；
E(f)＝∑f(x,y)2；
EH(f)＝∑fH(x,y)2；
fH(x,y)＝IFFT(HP(FFT(f(x,y))))；
其中，FFT为傅里叶变换，HP为高通滤波，IFFT为傅里叶反变换；
步骤223、对步骤221中得到的亮度敏感度kI(f)和步骤222得到的细节敏感度kd(f)分别归一化加权后得敏感度k：
k(f)＝aNORM(kI(f))+bNORM(kd(f))；
其中，NORM为归一化，a和b分别为权重；
步骤23、调控响应强度参数A：响应强度参数A调控方法具体如下：
Figure FDA0002767408030000021
其中，
Figure FDA0002767408030000022
为输入图像均值；
步骤3、利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，并用于图像增强。
2.如权利要求1所述的一种感受野模型的敏感度及模型参数动态调控方法，其特征在于：步骤1构建的感受野模型为固定参数感受野模型，具体表达形式如下：
Out(x,y)＝w·OutON(x,y)+(1-w)·(1-OutOFF(x,y))；
其中，Out(x,y)为输出图像，w为权重，ON和OFF分别为不同的互为拮抗的视觉通道。
3.如权利要求2所述的一种感受野模型的敏感度及模型参数动态调控方法，其特征在于：步骤1中，
Figure FDA0002767408030000023
Figure FDA0002767408030000024
其中，GC为神经节细胞模型，GC和GC′分别为ON和OFF通道神经节细胞模型，其形式相同，系数不同，RGB为颜色通道。
4.如权利要求3所述的一种感受野模型的敏感度及模型参数动态调控方法，其特征在于：GC模型定义如下：
Figure FDA0002767408030000025
Figure FDA0002767408030000026
Figure FDA0002767408030000027
MBP(x,y)＝BP(x,y)·(ε+BP(x,y))；
其中，ε为平均亮度调制系数，GC为神经节细胞模型，MBP为无长突细胞模型，BP为双极细胞模型，双极细胞模型定义如下：
Figure FDA0002767408030000028
其中，f(x,y)为输入图像，g(x,y；σ)表示二维高斯函数，其形式如下：
Figure FDA0002767408030000029
5.如权利要求1所述的一种感受野模型的敏感度及模型参数动态调控方法，其特征在于：步骤3中，利用步骤2设计的敏感度及模型参数动态调控方法对步骤1构建的感受野模型进行修正，修正过程具体如下：
Figure FDA0002767408030000031
Figure FDA0002767408030000032
Figure FDA0002767408030000033
其中，GC为神经节细胞模型，MBP为无长突细胞模型，BP为双极细胞模型。
CN201810531902.6A 2018-05-29 2018-05-29 一种感受野模型的敏感度及模型参数动态调控方法 Expired - Fee Related CN108830806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810531902.6A CN108830806B (zh) 2018-05-29 2018-05-29 一种感受野模型的敏感度及模型参数动态调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810531902.6A CN108830806B (zh) 2018-05-29 2018-05-29 一种感受野模型的敏感度及模型参数动态调控方法

Publications (2)

Publication Number Publication Date
CN108830806A CN108830806A (zh) 2018-11-16
CN108830806B true CN108830806B (zh) 2020-12-18

Family

ID=64146610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810531902.6A Expired - Fee Related CN108830806B (zh) 2018-05-29 2018-05-29 一种感受野模型的敏感度及模型参数动态调控方法

Country Status (1)

Country Link
CN (1) CN108830806B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886906B (zh) * 2019-01-25 2020-09-08 武汉大学 一种细节敏感的实时弱光视频增强方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101674490A (zh) * 2009-09-23 2010-03-17 电子科技大学 一种基于视网膜视觉机制的彩色图像颜色恒常方法
CN101866421A (zh) * 2010-01-08 2010-10-20 苏州市职业大学 基于离散度约束非负稀疏编码的自然图像特征提取方法
CN104966271A (zh) * 2015-05-28 2015-10-07 电子科技大学 基于生物视觉感受野机制的图像去噪方法
CN105654496A (zh) * 2016-01-08 2016-06-08 华北理工大学 基于视觉特性的仿生自适应模糊边缘检测方法
CN106485724A (zh) * 2016-09-20 2017-03-08 华中科技大学 一种基于组合感受野和朝向特征调制的轮廓检测方法
CN108022226A (zh) * 2017-12-28 2018-05-11 电子科技大学 基于生物视觉机理的高动态图像显示方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977362B2 (en) * 2010-04-27 2015-03-10 Rhode Island Hospital Peripheral pain management
US9036058B2 (en) * 2012-07-12 2015-05-19 Ramot At Tel-Aviv University Ltd. Method and system for reducing chromatic aberration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101674490A (zh) * 2009-09-23 2010-03-17 电子科技大学 一种基于视网膜视觉机制的彩色图像颜色恒常方法
CN101866421A (zh) * 2010-01-08 2010-10-20 苏州市职业大学 基于离散度约束非负稀疏编码的自然图像特征提取方法
CN104966271A (zh) * 2015-05-28 2015-10-07 电子科技大学 基于生物视觉感受野机制的图像去噪方法
CN105654496A (zh) * 2016-01-08 2016-06-08 华北理工大学 基于视觉特性的仿生自适应模糊边缘检测方法
CN106485724A (zh) * 2016-09-20 2017-03-08 华中科技大学 一种基于组合感受野和朝向特征调制的轮廓检测方法
CN108022226A (zh) * 2017-12-28 2018-05-11 电子科技大学 基于生物视觉机理的高动态图像显示方法

Also Published As

Publication number Publication date
CN108830806A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN107527332B (zh) 基于改进Retinex的低照度图像色彩保持增强方法
CN105046663B (zh) 一种模拟人类视觉感知的自适应低照度图像增强方法
CN109685742A (zh) 一种暗光环境下的图像增强方法
CN103218778B (zh) 一种图像和视频的处理方法及装置
CN108416745B (zh) 一种具有色彩恒常性的图像自适应去雾增强方法
CN107798661B (zh) 一种自适应的图像增强方法
CN104867121B (zh) 基于暗原色先验和Retinex理论的图像快速去雾法
CN104881853A (zh) 一种基于色彩概念化的肤色矫正方法和系统
CN106157270B (zh) 一种单幅图像快速去雾方法及系统
CN111476725A (zh) 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法
CN108765336A (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN103268598A (zh) 基于Retinex理论的低照度低空遥感影像增强方法
CN102789635A (zh) 一种图像增强方法和装置
CN104091307A (zh) 基于反馈均值滤波的雾天图像快速复原方法
CN104915933B (zh) 一种基于apso-bp耦合算法的雾天图像增强方法
CN105243641B (zh) 一种基于双树复小波变换的低光照图像增强方法
CN108648160B (zh) 一种水下海参图像去雾增强方法及系统
CN102831590A (zh) 基于波谱特性的透射率-暗原色先验去雾增强方法
CN105513015B (zh) 一种雾天图像的清晰化处理方法
CN109919859A (zh) 一种户外场景图像去雾增强方法、计算设备及其存储介质
CN106447617A (zh) 一种改进的Retinex图像去雾方法
CN106023276A (zh) 基于图像处理的铅笔画绘制方法及装置
CN115660964A (zh) 基于阈值分区加权亮度分量的夜间道路图像增强方法
Dhara et al. Exposedness-based noise-suppressing low-light image enhancement
CN107093173A (zh) 一种图像雾霾浓度的估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201218

Termination date: 20210529