CN109118441B - 一种低照度图像及视频增强方法、计算机装置及存储介质 - Google Patents

一种低照度图像及视频增强方法、计算机装置及存储介质 Download PDF

Info

Publication number
CN109118441B
CN109118441B CN201810785766.3A CN201810785766A CN109118441B CN 109118441 B CN109118441 B CN 109118441B CN 201810785766 A CN201810785766 A CN 201810785766A CN 109118441 B CN109118441 B CN 109118441B
Authority
CN
China
Prior art keywords
image
value
low
pixel point
sub
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.)
Active
Application number
CN201810785766.3A
Other languages
English (en)
Other versions
CN109118441A (zh
Inventor
陈玉明
朱顺痣
谢彦麒
李伟
胡亮
李远敏
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.)
Xiamen Blue Dream Island Technology Co.,Ltd.
Original Assignee
Xiamen University of 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 Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN201810785766.3A priority Critical patent/CN109118441B/zh
Publication of CN109118441A publication Critical patent/CN109118441A/zh
Application granted granted Critical
Publication of CN109118441B publication Critical patent/CN109118441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/90Dynamic range modification of images or parts thereof

Landscapes

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

Abstract

本发明涉及一种低照度图像及视频增强方法、计算机装置及存储介质,所述低照度图像增强方法中包括以下步骤:将图像进行反转并划分为若干大小相等的矩形子块,引入适应度因子和邻域暗通道池化操作,计算出透射率,各个子块透射率的计算采用多线程进行;采用基数排序法估计图像的大气光值,获取前百分之0.1的高亮度像素值,作为大气光值的估计;根据前述透射率和大气光值,对图像进行图像增强处理。本发明通过结合多线程处理、透射率计算和基数排序等处理方案,有效地提高了低照度图像和视频的增强处理速度,满足了低照度增强处理的实时性需求。

Description

一种低照度图像及视频增强方法、计算机装置及存储介质
技术领域
本发明涉及图像处理领域,尤其涉及一种低照度图像及视频增强方法、计算机装置及存储介质。
背景技术
弱照明度、夜间或者背光环境下造成拍摄的图片和视频图像质量差,亮度低,清晰度低等问题,影响了图像和视频的视觉效果。在智能监控与模式识别领域,低照度图像或视频往往会严重降低识别的精度,针对低照度图像的增强处理成为识别系统必不可少的环节,低照度图像增强算法对于智能系统识别精度的提高具有重大的作用和意义。而且,对有低照度图像的增强处理具有广阔的应用前景,可应用于夜间的拍摄、航拍、遥感、户外监控、智能交通甚至是军事用途等。经过低照度增强处理的图像和视频更具有实用价值,有利于众多领域的图像理解,计算机视觉应用,图像分类,图像/视频检索,遥感和视频分析和识别,给人们的生活带来更多的便利。
目前,在计算机图像处理领域,主要有基于空域的低照度图像增强方法、基于Retinex的低照度图像增强方法、基于仿生学的低照度图像增强方法、基于去雾理论的低照度图像增强方法等。空域低照度图像增强方法通过将一已知灰度值概率密度分布的图像经过某种变换变成一幅具有均匀灰度概率密度分布的图像,但是这种方法需要将彩色图像变换为灰度图像后才可进行处理,丢失了一部分原彩色图像的信息。基于Retinex的低照度图像增强方法可以有效地保持景物的边缘信息,然而该方法有计算量大、颜色失真、对比度较低、有光晕现象等缺陷。基于仿生学的低照度图像增强方法从模拟人眼视觉系统机制出发,可以有效地提高图像的对比度,但是仍存在计算量大和颜色失真的问题。基于去雾理论的低照度图像增强方法通过将低照度图像反转,然后对反转后的图像采用去雾的理论进行处理,最后将处理后的图像再反转回来。但该方法在图像分辨率高时,所需运算量大,无法做到高分辨率低照度视频的实时增强,限制了其应用范围。因此,亟需一种可实时处理的低照度图像及视频增强方法。
发明内容
针对上述问题,本发明旨在提供一种低照度图像及视频增强方法、计算机装置及存储介质,用于提高低照度图像及视频增强算法的实时性。
具体方案如下:
一种低照度图像增强方法,包括以下步骤:
S110:采集图像Iinit(x),将该图像Iinit(x)进行反转I(x)=255-Iinit(x),其中x为像素点,Iinit(x)表示原始图像,I(x)表示反转后的图像,将反转后的图像I(x)划分为大小相同的矩形子块,设子块为Is(x),其中下标s为子块序号,以下步骤中对子块的处理均采用多线程方式;
S120:分别计算每个子块的透射率ts(x),其中下标s为对应的子块Is(x)的子块序号;
所述透射率ts(x)的计算方法如步骤S121-S126所示:
S121:根据公式
Figure BDA0001733692730000021
计算子块中每个像素点的暗通道值,得到该子块的暗通道图像,其中
Figure BDA0001733692730000022
为第x像素点的暗通道值,
Figure BDA0001733692730000023
为第x像素点在c∈{R,G,B}通道的值;
S122:将暗通道图像进行边缘补255;
S123:计算子块中每个像素点在边缘补255后的暗通道图像中的邻域最小值,所述邻域最小值为像素点x在Ω(x)的邻域中暗通道值的最小值,其中Ω(x)表示以像素点x为中心的方形邻域,其计算公式为:
Figure BDA0001733692730000031
S124:利用公式
Figure BDA0001733692730000032
计算每个像素点的池化值ds(x),根据池化值将暗通道图像转换为池化图像ds
S125:根据公式
Figure BDA0001733692730000033
计算池化图像中每个像素点的均值,其中|Ω(x)|为第x像素点的邻域个数,xi表示第x像素点的周围邻域像素点,rs(x)第x像素点的均值;
S126:根据公式
Figure BDA0001733692730000034
计算每个像素点的透射率,其中ts(x)为第x像素点的透射率,
Figure BDA0001733692730000035
是适应度因子;
S130:采用基数排序法计算子块Is(x)的大气光值Ac
S140:根据公式Js(x)=(Is(x)-Ac)/max(ts(x),t0)+Ac进行图像增强处理,获得增强后的子块Js(x),其中t0为透射率阈值;
S150:对增强后的子块Js(x)进行拼接并对拼接边缘进行平滑处理,得到处理后的图像J(x);
S160:对图像J(x)进行反转:Z(x)=255-J(x),得到增强后的图像Z(x)。
进一步的,步骤S126中所述适应度因子的取值范围为[0-0.1]。
进一步的,步骤S130中所述基数排序法的计算步骤为:
S131:设置队列数组T[256],用来依序存储暗通道值为0~255的像素点;
S132:取出占总数0.1%的最亮的暗通道像素点存储在L数组中;
S133:根据公式
Figure BDA0001733692730000041
计算大气光值Ac
进一步的,步骤S140中所述透射率阈值t0的取值范围为[0-0.1]。
一种低照度视频增强方法,基于本发明实施例一所述低照度图像增强方法,包括以下步骤:
S210:获取视频的第一帧图像;
S220:将图像按照权利要求1-4任一所述低照度图像增强方法进行图像增强处理以获得增强后的图像,判断是否存在下一帧图像,如存在,获取下一帧图像,进入S230,否则,进入S250;
S230:利用步骤S220计算得的透射率ts(x)和大气光值Ac,将该帧图像通过步骤S140、S150和S160的方法进行图像增强以获得增强后的图像;
S240:判断是否存在下一帧图像,如存在,获取下一帧图像,返回S220,否则,进入S250;
S250,输出增强后的视频。
一种计算机装置,包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一所述方法的步骤。
一种计算机装置,包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例二所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例一所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例二所述方法的步骤。
本发明采用如上技术方案,并具有有益效果:本发明较于暗通道先验法,结合多线程处理、透射率计算和基数排序等处理方案,有效地提高了低照度图像和视频的增强处理速度,满足了低照度增强处理的实时性需求,可以应用于实时监控的智能交通监控中。
附图说明
图1所示为本发明实施例一的流程示意图。
图2所示为本发明实施例二的流程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
参考图1所示,本发明提供了一种低照度图像增强方法,其为一种基于暗通道先验法而改进的方案,主要是在透射率及大气光的计算上进行了算法速度的提升,主要包括以下步骤:
S110:采集图像Iinit(x),将该图像Iinit(x)进行反转I(x)=255-Iinit(x),其中x为像素点,Iinit(x)表示原始图像,I(x)表示反转后的图像,将反转后的图像I(x)划分为大小相同的矩形子块,设子块为Is(x),其中下标s为子块序号,以下步骤中对子块的处理均采用多线程方式。
需要说明的是,对子块的处理均采用多线程方式,可以提高算法的实时性。
S120:分别计算每个子块的透射率ts(x),其中下标s为对应的子块Is(x)的子块序号。
所述子块的透射率ts(x)的计算方法如下面步骤S121-S126所示:
S121:根据公式
Figure BDA0001733692730000061
计算子块中每个像素点的暗通道值,得到该子块的暗通道图像,其中
Figure BDA0001733692730000062
为x像素点的暗通道值,
Figure BDA0001733692730000063
为第x像素点在c∈{R,G,B}通道的值。
具体说明如下:比如C=R,那么
Figure BDA0001733692730000064
表示x像素点在R通道的值;x像素点的暗通道
Figure BDA0001733692730000065
则等于x像素点在R、G、B三个通道中的最小值。该实施例中,设某子块有9个像素点,表示为x1、x2、x3、…、x9,这个子块的R、G、B三个通道的值
Figure BDA0001733692730000066
分别为:
120 200 110
100 160 220
130 230 250
Figure BDA0001733692730000067
220 125 127
120 140 121
135 150 118
Figure BDA0001733692730000068
160 221 167
110 190 175
230 210 165
Figure BDA0001733692730000069
根据暗通道计算公式
Figure BDA00017336927300000610
计算,该子块中9个像素点的暗通道值分别为:
Figure BDA00017336927300000611
Figure BDA0001733692730000071
组成的暗通道图像
Figure BDA0001733692730000072
为:
120 125 110
100 140 121
130 150 118
Figure BDA0001733692730000073
S122:将暗通道图像进行边缘补255。
该实施例中,上述的暗通道图像
Figure BDA0001733692730000074
补255后为:
255 255 255 255 255
255 120 125 110 255
255 100 140 121 255
255 130 150 118 255
255 255 255 255 255
S123:计算子块中每个像素点在补255后的暗通道图像中的邻域最小值,所述邻域最小值为像素点x在Ω(x)的邻域中暗通道值的最小值,其中Ω(x)表示以像素点x为中心的方形邻域,其计算公式为:
Figure BDA0001733692730000075
该实施例中,x1的暗通道值为20,即:
Figure BDA0001733692730000076
设定Ω(x)为3*3的方形邻域,则Ω(x1)为x1的3*3的方形邻域,具体为:
255 255 255
255 120 125
255 100 140
则像素点x1的邻域最小值为:
Figure BDA0001733692730000077
x5的暗通道值为140,即:
Figure BDA0001733692730000078
Ω(x5)为x5的3*3方形邻域,具体为:
120 125 110
100 140 121
130 150 118
则像素点x5的邻域最小值为:
Figure BDA0001733692730000079
S124:利用公式
Figure BDA00017336927300000710
计算每个像素点的池化值ds(x),根据池化值将暗通道图像转换为池化图像ds
该实施例中,x1的暗通道值为120,即:
Figure BDA0001733692730000081
步骤S123已计算
Figure BDA0001733692730000082
Figure BDA0001733692730000083
x5的暗通道值为140,即:
Figure BDA0001733692730000084
步骤S123已计算
Figure BDA0001733692730000085
Figure BDA0001733692730000086
依次论推,池化图像ds中的9个像素点的值分别为:ds(x1)=20,ds(x2)=25,ds(x3)=0,ds(x4)=0,ds(x5)=40,ds(x6)=11,ds(x7)=30,ds(x8)=50,ds(x9)=0。
则上述的暗通道图像
Figure BDA0001733692730000087
经池化后为池化图像ds
20 25 0
0 40 11
30 50 0
ds
S125:根据公式
Figure BDA0001733692730000088
计算池化图像中每个像素点的均值,其中|Ω(x)|为第x像素点的邻域个数,xi表示第x像素点的周围邻域像素点,rs(x)第x像素点的均值。
该实施例中,Ω(x)为3*3的邻域,因此|Ω(x)|=9,rs(x)=19.56。
S126:根据公式
Figure BDA0001733692730000089
计算每个像素点的透射率,其中ts(x)为第x像素点的透射率,
Figure BDA00017336927300000810
是适应度因子。
适应度因子取值范围为[0-0.1],具体的
Figure BDA00017336927300000811
值可以根据经验和实验结果确定。
S130:采用基数排序法计算子块Is(x)的大气光值Ac
本实施例中采用的基数排序法的具体步骤如下:
S131:设置队列数组T[256],用来依序存储暗通道值为0~255的像素点。
具体的,暗通道值为0的像素点存储在队列T[0],暗通道值为1的像素点存储在队列T[1],…,暗通道值为255的像素点存储在队列T[255]。
S132:取出占总数0.1%的最亮的暗通道像素点存储在L数组中。
该实施例中,经过上述步骤的基数排序后,可知暗通道灰度值最亮的像素点存储在队列T[255]中,次之存储在T[254]中。
S133:将L数组中像素点对应的反转图像中像素点的最大通道值进行累加求平均,则为大气光值Ac,即根据公式
Figure BDA0001733692730000091
计算大气光值Ac
本领域技术人员根据上述可知,L数组中像素点对应的图像中像素点的最大通道值,本领域人员也可以采用其他的排序方式提取最亮的像素点。
S140:根据公式Js(x)=(Is(x)-Ac)/max(ts(x),t0)+Ac进行图像增强处理,获得增强后的子块Js(x),其中t0为透射率阈值。
透射率阈值t0取值范围为[0-0.1],具体的阈值t0可以根据经验和实验结果确定。
S150:对增强后的子块Js(x)进行拼接并对拼接边缘进行平滑处理,得到处理后的图像J(x)。
S160:对图像J(x)进行反转:Z(x)=255-J(x),得到增强后的图像Z(x)。
实施例二
本领域技术人员可知,视频实际上有若干帧具有顺序关系的图像组合而成,而低照度视频中的每一帧低照度图像都可以利用本发明的低照度图像增强方法进行增强处理。因此,本发明的低照度图像增强方法可用于视频的增强处理。
如图2所示,本发明提供了一种低照度视频增强方法,基于实施例一中的低照度图像增强方法,包括以下步骤:
S210,获取视频的第一帧图像。
需要说明的是,本步骤开始前还包括通过无线方式或者网线接口或者HDMI接口或者DVI接口或者VGA接口等方式来接收视频。
S220,将图像按照实施例一中所述方法进行图像增强处理以获得增强后的图像,判断是否存在下一帧图像,如存在,获取视频的下一帧图像,进入S230,否则,进入S250。
S230:利用步骤S220中计算得的透射率ts(x)和大气光值Ac,将该帧图像通过实施例一种步骤S140的方法进行图像增强,S150的方法进行图像平滑,S160的方法进行图像反转,以获得最后增强后的图像。
因透射率的计算需耗费大量计算时间,且前后帧图像相差不大,因此使相邻的两帧图像之间共享相同的透射率和大气光值,这样计算的速度可以得到提高。
S240:判断是否存在下一帧图像,如存在,获取视频的下一帧图像,返回S220,否则,进入S250。
S250:输出增强后的视频。
所述输出为通过视频输出接口输出,所述输出接口可以为无线方式、网线接口、HDMI接口、DVI接口和VGA接口等。
实施例三:
本发明还提供一种计算机装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。为了实现图像的输入和输出,所述计算机装置还可以额外包括用于接收图像/视频的输入模块和用于输出图像/视频的输出模块。
进一步地,作为一个可执行方案,所述的用于低照度图像/视频增强的计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可包括但不仅限于,处理器、存储器。本领域技术人员可以理解,上述计算机装置的组成结构仅仅是一种示例,并不构成对具体所采用的计算机装置硬件条件的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述用于低照度图像/视频增强的计算机装置还可以包括输入输出设备、网络接入设备、总线等,本发明实施例中对此不做限定。
进一步地,作为一个可执行方案,所述输入模块可以包括无线方式或有线方式输入,其中无线方式可以采用5G或4G网络或WIFI网络,有线方式则可以采用网线接口、DVI接口、HDMI接口或VGA接口。所述输出模块也可以包括无线方式或有线方式输出,其中无线方式可以采用5G或4G网络或WIFI网络,有线方式则可以采用网线接口、DVI接口、HDMI接口或VGA接口。
所称处理器可以是中央处理单元(Centran Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digitan Signan Processor,DSP)、专用集成电路(Appnication Specific Integrated Circuit,ASIC)、现成可编程门阵列(Fiend-Programmabne Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述用于低照度图像/视频增强的计算机装置的控制中心,利用各种接口和线路连接其他的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述用于低照度图像/视频增强的计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digitan,SD)卡,闪存卡(Fnash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述用于低照度图像/视频增强的计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Onny Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。

Claims (9)

1.一种低照度图像增强方法,其特征在于,包括以下步骤:
S110:采集图像Iinit(x),将该图像Iinit(x)进行反转I(x)=255-Iinit(x),其中x为像素点,Iinit(x)表示原始图像,I(x)表示反转后的图像,将反转后的图像I(x)划分为大小相同的矩形子块,设子块为Is(x),其中下标s为子块序号,以下步骤中对子块的处理均采用多线程方式;
S120:分别计算每个子块的透射率ts(x),其中下标s为对应的子块Is(x)的子块序号;
所述透射率ts(x)的计算方法如步骤S121-S126所示:
S121:根据公式
Figure FDA0003348473700000011
计算子块中每个像素点的暗通道值,得到该子块的暗通道图像,其中
Figure FDA0003348473700000012
为像素点x的暗通道值,
Figure FDA0003348473700000013
为像素点x在c∈{R,G,B}通道的值;
S122:将暗通道图像进行边缘补255;
S123:计算子块中每个像素点在边缘补255后的暗通道图像中的邻域最小值,所述邻域最小值为像素点x在Ω(x)的邻域中暗通道值的最小值,其中Ω(x)表示以像素点x为中心的方形邻域,其计算公式为:
Figure FDA0003348473700000014
其中,xj表示以像素点x为中心的方形邻域Ω(x)中的像素点;
S124:利用公式
Figure FDA0003348473700000015
计算每个像素点的池化值ds(x),根据池化值将暗通道图像转换为池化图像ds
S125:根据公式
Figure FDA0003348473700000016
计算池化图像中每个像素点的均值,其中|Ω(x)|为像素点x的邻域个数,xi表示像素点x的周围邻域像素点,rs(x)表示像素点x的均值;
S126:根据公式
Figure FDA0003348473700000021
计算每个像素点的透射率,其中ts(x)为像素点x的透射率,
Figure FDA0003348473700000022
是适应度因子;
S130:采用基数排序法计算子块Is(x)的大气光值Ac
S140:根据公式Js(x)=(Is(x)-Ac)/max(ts(x),t0)+Ac进行图像增强处理,获得增强后的子块Js(x),其中t0为透射率阈值;
S150:对增强后的子块Js(x)进行拼接并对拼接边缘进行平滑处理,得到处理后的图像J(x);
S160:对图像J(x)进行反转:Z(x)=255-J(x),得到增强后的图像Z(x)。
2.根据权利要求1所述的低照度图像增强方法,其特征在于:步骤S126中所述适应度因子
Figure FDA0003348473700000023
的取值范围为[[0-0.1]。
3.根据权利要求1所述的低照度图像增强方法,其特征在于:步骤S130中所述基数排序法的计算步骤为:
S131:设置队列数组T[256],用来依序存储暗通道值为0~255的像素点;
S132:取出占总数0.1%的最亮的暗通道像素点存储在数组L中;
S133:根据公式
Figure FDA0003348473700000024
计算大气光值Ac
4.根据权利要求1所述的低照度图像增强方法,其特征在于:步骤S140中所述透射率阈值t0的取值范围为[0-0.1]。
5.一种低照度视频增强方法,基于权利要求1-4任一所述低照度图像增强方法,其特征在于,包括以下步骤:
S210:获取视频的第一帧图像;
S220:将图像按照权利要求1-4任一所述低照度图像增强方法进行图像增强处理以获得增强后的图像,判断是否存在下一帧图像,如存在,获取下一帧图像,进入S230,否则,进入S250;
S230:利用步骤S220计算得的透射率ts(x)和大气光值Ac,将该帧图像通过步骤S140、S150和S160的方法进行图像增强以获得增强后的图像;
S240:判断是否存在下一帧图像,如存在,获取下一帧图像,返回S220,否则,进入S250;
S250,输出增强后的视频。
6.一种计算机装置,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~4任一所述方法的步骤。
7.一种计算机装置,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求5所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~4任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求5所述方法的步骤。
CN201810785766.3A 2018-07-17 2018-07-17 一种低照度图像及视频增强方法、计算机装置及存储介质 Active CN109118441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810785766.3A CN109118441B (zh) 2018-07-17 2018-07-17 一种低照度图像及视频增强方法、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810785766.3A CN109118441B (zh) 2018-07-17 2018-07-17 一种低照度图像及视频增强方法、计算机装置及存储介质

Publications (2)

Publication Number Publication Date
CN109118441A CN109118441A (zh) 2019-01-01
CN109118441B true CN109118441B (zh) 2022-04-12

Family

ID=64862777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810785766.3A Active CN109118441B (zh) 2018-07-17 2018-07-17 一种低照度图像及视频增强方法、计算机装置及存储介质

Country Status (1)

Country Link
CN (1) CN109118441B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102402B (zh) * 2020-09-23 2023-08-22 平安科技(深圳)有限公司 闪光灯光斑位置识别方法、装置、电子设备及存储介质
CN112991197B (zh) * 2021-02-08 2022-05-17 新疆大学 一种基于暗通道的细节保留的低照度视频增强方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950416A (zh) * 2010-09-15 2011-01-19 北京理工大学 基于双边滤波的实时图像去雾增强方法
US8350933B2 (en) * 2009-04-08 2013-01-08 Yissum Research Development Company Of The Hebrew University Of Jerusalem, Ltd. Method, apparatus and computer program product for single image de-hazing
CN103218778A (zh) * 2013-03-22 2013-07-24 华为技术有限公司 一种图像和视频的处理方法及装置
CN105279739A (zh) * 2015-09-08 2016-01-27 哈尔滨工程大学 一种自适应含雾数字图像去雾方法
CN105631831A (zh) * 2016-03-14 2016-06-01 北京理工大学 一种雾霾条件下视频图像增强方法
CN106327450A (zh) * 2016-11-07 2017-01-11 湖南源信光电科技有限公司 一种基于时空累积和图像退化模型的低照度视频图像增强方法
CN106548463A (zh) * 2016-10-28 2017-03-29 大连理工大学 基于暗通道与Retinex的海雾图像自动去雾方法及系统
CN107301624A (zh) * 2017-06-05 2017-10-27 天津大学 基于区域划分及浓雾预处理的卷积神经网络去雾算法
CN107403421A (zh) * 2017-08-10 2017-11-28 杭州联吉技术有限公司 一种图像去雾方法、存储介质及终端设备
CN107958465A (zh) * 2017-10-23 2018-04-24 华南农业大学 一种基于深度卷积神经网络的单幅图像去雾方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8350933B2 (en) * 2009-04-08 2013-01-08 Yissum Research Development Company Of The Hebrew University Of Jerusalem, Ltd. Method, apparatus and computer program product for single image de-hazing
CN101950416A (zh) * 2010-09-15 2011-01-19 北京理工大学 基于双边滤波的实时图像去雾增强方法
CN103218778A (zh) * 2013-03-22 2013-07-24 华为技术有限公司 一种图像和视频的处理方法及装置
CN105279739A (zh) * 2015-09-08 2016-01-27 哈尔滨工程大学 一种自适应含雾数字图像去雾方法
CN105631831A (zh) * 2016-03-14 2016-06-01 北京理工大学 一种雾霾条件下视频图像增强方法
CN106548463A (zh) * 2016-10-28 2017-03-29 大连理工大学 基于暗通道与Retinex的海雾图像自动去雾方法及系统
CN106327450A (zh) * 2016-11-07 2017-01-11 湖南源信光电科技有限公司 一种基于时空累积和图像退化模型的低照度视频图像增强方法
CN107301624A (zh) * 2017-06-05 2017-10-27 天津大学 基于区域划分及浓雾预处理的卷积神经网络去雾算法
CN107403421A (zh) * 2017-08-10 2017-11-28 杭州联吉技术有限公司 一种图像去雾方法、存储介质及终端设备
CN107958465A (zh) * 2017-10-23 2018-04-24 华南农业大学 一种基于深度卷积神经网络的单幅图像去雾方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Polarization Filtering for Automatic Image Dehazing Based on Contrast Enhancement;Xiaoming Li等;《2017 9th IEEE International Conference on Communication Software and Networks》;20171221;第1-3页 *
基于多特征融合的卷积神经网络图像去雾算法;徐岩等;《激光与光电子学进展》;20180310;第55卷(第3期);第1-10页 *

Also Published As

Publication number Publication date
CN109118441A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
Ren et al. Gated fusion network for single image dehazing
US8774555B2 (en) Image defogging method and system
CN110610463A (zh) 一种图像增强方法及装置
CN110400275B (zh) 一种基于全卷积神经网络和特征金字塔的颜色校正方法
US11663707B2 (en) Method and system for image enhancement
US10609303B2 (en) Method and apparatus for rapid improvement of smog/low-light-level image using mapping table
CN109389569B (zh) 基于改进DehazeNet的监控视频实时去雾方法
CN108198155B (zh) 一种自适用色调映射方法及系统
US9558534B2 (en) Image processing apparatus, image processing method, and medium
CN109961404A (zh) 一种基于gpu并行计算的高清视频图像增强方法
CN110648284B (zh) 一种光照不均匀的图像处理方法及装置
CN115496668A (zh) 图像处理方法、装置、电子设备及存储介质
CN109118441B (zh) 一种低照度图像及视频增强方法、计算机装置及存储介质
WO2019090580A1 (en) System and method for image dynamic range adjusting
CN113177438A (zh) 图像处理方法、设备及存储介质
CN110717864B (zh) 一种图像增强方法、装置、终端设备及计算机可读介质
CN108734667B (zh) 一种图像处理方法及系统
CN114998122A (zh) 一种低照度图像增强方法
CN107424134B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN106683047B (zh) 一种全景图像的光照补偿方法和系统
US20200184606A1 (en) Processing video frames via convolutional neural network using previous frame statistics
CN108921805B (zh) 一种图像及视频去雾霾方法、计算机装置及存储介质
CN117218039A (zh) 图像处理方法、装置、计算机设备及存储介质
CN110570441B (zh) 一种超高清低延时视频控制方法及系统
WO2023215371A1 (en) System and method for perceptually optimized image denoising and restoration

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
TR01 Transfer of patent right

Effective date of registration: 20230518

Address after: No. 76 Yuanting Road, Jimei District, Xiamen City, Fujian Province, 361022

Patentee after: Xiamen Blue Dream Island Technology Co.,Ltd.

Address before: 361000 No. 600, science and engineering road, Hou Xi Town, Jimei District, Xiamen, Fujian

Patentee before: XIAMEN University OF TECHNOLOGY

TR01 Transfer of patent right