CN109146798A - 图像细节增强方法 - Google Patents
图像细节增强方法 Download PDFInfo
- Publication number
- CN109146798A CN109146798A CN201810751343.XA CN201810751343A CN109146798A CN 109146798 A CN109146798 A CN 109146798A CN 201810751343 A CN201810751343 A CN 201810751343A CN 109146798 A CN109146798 A CN 109146798A
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- gradient fields
- fusion
- gradient
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 claims abstract description 82
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000002844 melting Methods 0.000 claims description 4
- 230000008018 melting Effects 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003389 potentiating effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/61—Scene description
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种图像细节增强方法，该方法包括：获取同一场景的多个曝光程度不同的原始图像；分别计算多个原始图像的梯度场；根据多个原始图像的梯度场计算场景的融合梯度场；根据场景的融合梯度场重建场景的细节增强图像。本发明提供的方法可以充分利用待融合图像的信息，使融合后图像同时包括多个曝光程度不同的原始图像的暗场信息及亮场信息，扩展了图像的动态范围，更好地反映出图像的细节信息。与根据其它图像细节增强方法获得的图像相比，根据本发明提供的方法得到的图像保留了丰富的场景细节信息，有助于目标的辨识或进一步处理，并且实时性较好。
Description
技术领域
本发明涉及图像处理领域，特别是涉及一种图像细节增强方法。
背景技术
在拍摄并显示图像时，由于目前大多数拍摄设备捕捉的动态范围有限，远小于真实场景的动态范围，因此在实际拍摄图像时，容易出现局部过曝或者过暗的情况，进而导致图像的细节信息丢失。这种情况虽然可通过调节拍摄设备的参数来获取某一段动态范围内的细节信息，但该范围外的细节信息仍无法辨认。
针对上述情况，目前存在多种图像细节增强技术，该类技术一般分为单帧技术与多帧技术两种：基于单帧的细节增强方法有自动增益控制、直方图方法、多尺度图像增强技术如Retinex等方法，这些方法在处理动态范围较大的图像时，容易造成细节信息丢失。而基于多帧技术的方法包括基于评价因子的融合方法以及基于相机响应曲线的方法，基于评价因子的融合方法虽然简单，但在实际处理中容易受到评价因子性能的影响；而基于相机响应曲线的方法虽然细节增强的效果较好，但是其实时性较差，不利于实际工程应用。
发明内容
本发明提供了一种图像细节增强方法，用以迅速在图像中展现真实场景的细节信息，该方法包括：
获取同一场景的多个曝光程度不同的原始图像；
分别计算多个原始图像的梯度场；
根据多个原始图像的梯度场计算场景的融合梯度场；
根据场景的融合梯度场重建场景的细节增强图像。
具体实施中，所述获取同一场景的多个曝光程度不同的原始图像，包括：
获取同一场景连续三帧的原始图像，所述连续三帧的原始图像的曝光程度分别为：欠曝、正常及过曝。
具体实施中，所述根据多个原始图像的梯度场计算场景的融合梯度场，包括：
根据多个原始图像的梯度场计算多个原始图像的融合权重；
根据多个原始图像的融合权重融合多个原始图像的梯度场，获得场景的融合梯度场；
高斯滤波处理场景的融合梯度场。
具体实施中，所述分别计算多个原始图像的梯度场，根据如下公式进行计算：
其中，f表示原始图像；gx、gy表示x、y方向的梯度；表示x、y方向的梯度算子；G'k表示第k帧原始图像的梯度场；k表示原始图像的序号；n表示原始图像的数量。
具体实施中，所述根据多个原始图像的梯度场计算多个原始图像的融合权重，根据如下公式进行计算：
其中，maskk表示第k帧原始图像的融合权重；(i,j)表示像素位置；G'表示原始图像的梯度场；k表示原始图像的序号；n表示原始图像的数量；max表示最大值符号，others表示其他情况。
具体实施中，所述根据多个原始图像的融合权重融合多个原始图像的梯度场，获得场景的融合梯度场，包括：分别将多个原始图像的梯度场逐像素点乘该原始图像的融合权重，将点乘后的多个原始图像的梯度场相加，获得场景的融合梯度场。
具体实施中，所述分别将多个原始图像的梯度场逐像素点乘该原始图像的融合权重，将点乘后的多个原始图像的梯度场相加，获得场景的融合梯度场，根据如下公式进行计算：
G＝G'1gmask1+G'2gmask2+G'3gmask3…+G'ngmaskn；
其中，G表示场景的融合梯度场；G'表示原始图像的梯度场；mask表示原始图像的融合权重；n表示原始图像的数量。
具体实施中，所述根据场景的融合梯度场重建场景的细节增强图像，根据如下公式进行计算：
ΔF＝divG；
其中，divG表示场景的融合梯度场的散度；F表示场景的细节增强图像；ΔF表示场景的细节增强图像的拉普拉斯算子。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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图像细节增强方法。
本发明还提供了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执行图像细节增强方法的计算机程序。
本发明提供的图像细节增强方法，在获取同一场景的多个曝光程度不同的原始图像后计算各原始图像的梯度场，并将各原始图像的梯度场融合，获得场景的融合梯度场，进而重建场景的细节增强图像。本发明提供的方法可以充分利用待融合图像的信息，使融合后图像同时包括多个曝光程度不同的原始图像的暗场信息及亮场信息，扩展了图像的动态范围，更好地反映出图像的细节信息。与根据其它图像细节增强方法获得的图像相比，根据本发明提供的方法得到的图像保留了丰富的场景细节信息，有助于目标的辨识或进一步处理，并且实时性较好。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些具体实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为根据本发明的一个具体实施方式中图像细节增强方法的流程示意图；
图2为根据本发明的一个具体实施方式中计算场景的融合梯度场的流程示意图。
具体实施方式
为使本发明具体实施方式的目的、技术方案和优点更加清楚明白，下面结合附图对本发明具体实施方式做进一步详细说明。在此，本发明的示意性具体实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
如图1所示，本发明提供了一种图像细节增强方法，用以迅速在图像中展现真实场景的细节信息，该方法包括：
101：获取同一场景的多个曝光程度不同的原始图像；
102：分别计算多个原始图像的梯度场；
103：根据多个原始图像的梯度场计算场景的融合梯度场；
104：根据场景的融合梯度场重建场景的细节增强图像。
本发明一个具体实施方式中的图像细节增强方法的工作原理为：首先通过相机等场景图像采集装置采集同一场景的多个曝光程度不同的原始图像。获取多个原始图像后计算其梯度场并将多个原始图像的梯度场进行融合，获得场景的融合梯度场，进而根据场景的融合梯度场重建该场景的细节增强图像。该方法可以对同一场景的多张曝光程度不同的原始图像进行融合，即将多个原始图像中的细节融合至一张图像中，从而使细节增强图像可以清晰的显示场景的细节。
具体实施中，获取同一场景的多个曝光程度不同的原始图像可以有多种实施方案。例如，由于该方法是将多个曝光程度不同的原始图像进行融合，获得融合后的细节增强图像，因而获取同一场景的原始图像的数量越多，其最终的图像细节增强效果越明显，但是如果获取的原始图像过多，则会由于计算量过大导致实时性较差，因而在实施中，所述步骤101：获取同一场景的多个曝光程度不同的原始图像，可以包括：获取同一场景连续三帧的原始图像，所述连续三帧的原始图像的曝光程度分别为：欠曝、正常及过曝。获取三帧连续的原始图像，且曝光程度涵盖了欠曝、正常及过曝等三种不同曝光程度，即在保证了细节增强效果的同时，还可以最大化的降低获取原始图像的数量。降低计算量，可以保证了图像增强的实时性，在第一时间便可以获得场景的细节增强图像。
具体实施中，根据多个原始图像的梯度场计算场景的融合梯度场可以有多种实施方案。例如，为了使得所获得的场景的融合梯度场更加精确，可以首先根据各原始图像的梯度场计算其融合权重，进而根据融合权重及梯度场计算场景的融合梯度场。在获得场景的融合梯度场后，还可以对场景的融合梯度场进行修正，以避免根据其获得的细节增强图像中出现亮度翻转的现象，对场景的融合梯度场的修正可以有多种实施方案，例如，可以通过对场景的融合梯度场进行高斯滤波来修正，滤波时，为了使得修正可以达到最佳的效果，可以选择大小为5×5的滤波器。实施中，如图2所示，所述步骤103根据多个原始图像的梯度场计算场景的融合梯度场可以包括：
201：根据多个原始图像的梯度场计算多个原始图像的融合权重；
202：根据多个原始图像的融合权重融合多个原始图像的梯度场，获得场景的融合梯度场；
203：高斯滤波处理场景的融合梯度场。
具体实施中，分别计算多个原始图像的梯度场可以有多种实施方案。例如，所述步骤102：分别计算多个原始图像的梯度场，可以根据如下公式进行计算：
其中，f表示原始图像；gx、gy表示x、y方向的梯度；表示x、y方向的梯度算子；G'k表示第k帧原始图像的梯度场；k表示原始图像的序号；n表示原始图像的数量。
具体实施中，根据多个原始图像的梯度场计算多个原始图像的融合权重可以有多种实施方案。例如，所述步骤201：根据多个原始图像的梯度场计算多个原始图像的融合权重，可以根据如下公式进行计算：
其中，maskk表示第k帧原始图像的融合权重；(i,j)表示像素位置；G'表示原始图像的梯度场；k表示原始图像的序号；n表示原始图像的数量；max表示最大值符号，others表示其他情况。
具体实施中，当多个原始图像为连续三帧曝光程度不同的图像时，分别计算三帧曝光程度不同的原始图像的融合权重，可以根据如下公式进行：
具体实施中，根据多个原始图像的梯度场及融合权重计算场景的融合梯度场可以有多种实施方案。例如，可以将各原始图像的梯度场与其融合权重进行逐像素点乘，然后再将各原始图像的梯度场点乘后的结果相加，便可以获得场景的融合梯度场。具体的，所述步骤202：根据多个原始图像的融合权重融合多个原始图像的梯度场，获得场景的融合梯度场，可以包括：分别将多个原始图像的梯度场逐像素点乘该原始图像的融合权重，将点乘后的多个原始图像的梯度场相加，获得场景的融合梯度场。
具体实施中，计算场景的融合梯度场可以有多种方式。例如，所述分别将多个原始图像的梯度场逐像素点乘该原始图像的融合权重，将点乘后的多个原始图像的梯度场相加，获得场景的融合梯度场，可以根据如下公式进行计算：
G＝G'1gmask1+G'2gmask2+G'3gmask3…+G'ngmaskn；
其中，G表示场景的融合梯度场；G'表示原始图像的梯度场；mask表示原始图像的融合权重；n表示原始图像的数量。
具体实施中，当多个原始图像为连续三帧曝光程度不同的图像时，获得场景的融合梯度场，可以根据如下公式进行计算：
G＝G'1gmask1+G'2gmask2+G'3gmask3。
具体实施中，根据场景的融合梯度场重建场景的细节增强图像可以有多种实施方案。例如，可以通过求解包含场景的融合梯度场的泊松(Poisson)方程来获得场景的细节增强图像：由于重建的过程为求解满足条件的图像(表示细节增强图像的梯度算子)，但是由于场景的融合梯度场不一定可积，即可能不存在细节增强图像F满足因此求解过程中假设场景的融合梯度场G可积，即细节增强图像F的场景的融合梯度场满足以下条件：
进而能够得到：
进一步的，由于为拉普拉斯算子，可以ΔF表示，即而根据散度的定义，场景的融合梯度场的散度divG可以有如下定义：因而重建细节增强图像F可以通过求解以下方程获得：
ΔF＝divG；
该方程为典型的泊松(Poisson)方程，求解该方程可以将狄利克雷(Dirichlet)边界条件作为约束，再经离散化处理后可变为求解线性方程AX＝b，其中b为divG，A为拉普拉斯(Laplacian)算子构成的稀疏矩阵，通过求解方程便可以得到最终的细节增强图像F。
实施中，所述步骤104：根据场景的融合梯度场重建场景的细节增强图像，可以根据如下公式进行计算：
ΔF＝divG；
其中，divG表示场景的融合梯度场的散度；F表示场景的细节增强图像；ΔF表示场景的细节增强图像的拉普拉斯算子。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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图像细节增强方法。
本发明还提供了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执行图像细节增强方法的计算机程序。
综上所述，本发明提供的图像细节增强方法，在获取同一场景的多个曝光程度不同的原始图像后计算各原始图像的梯度场，并将各原始图像的梯度场融合，获得场景的融合梯度场，进而重建场景的细节增强图像。本发明提供的方法可以充分利用待融合图像的信息，使融合后图像同时包括多个曝光程度不同的原始图像的暗场信息及亮场信息，扩展了图像的动态范围，更好地反映出图像的细节信息。与根据其它图像细节增强方法获得的图像相比，根据本发明提供的方法得到的图像保留了丰富的场景细节信息，有助于目标的辨识或进一步处理，并且实时性较好。
本领域内的技术人员应明白，本发明的具体实施方式可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件具体实施方式、完全软件具体实施方式、或结合软件和硬件方面的具体实施方式的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明具体实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像细节增强方法，其中，该方法包括：
获取同一场景的多个曝光程度不同的原始图像；
分别计算多个原始图像的梯度场；
根据多个原始图像的梯度场计算场景的融合梯度场；
根据场景的融合梯度场重建场景的细节增强图像。
2.如权利要求1所述的图像细节增强方法，其中，所述获取同一场景的多个曝光程度不同的原始图像，包括：
获取同一场景连续三帧的原始图像，所述连续三帧的原始图像的曝光程度分别为：欠曝、正常及过曝。
3.如权利要求1所述的图像细节增强方法，其中，所述根据多个原始图像的梯度场计算场景的融合梯度场，包括：
根据多个原始图像的梯度场计算多个原始图像的融合权重；
根据多个原始图像的融合权重融合多个原始图像的梯度场，获得场景的融合梯度场；
高斯滤波处理场景的融合梯度场。
4.如权利要求1所述的图像细节增强方法，其中，所述分别计算多个原始图像的梯度场，根据如下公式进行计算：
gx＝▽xf，gy＝▽yf；
其中，f表示原始图像；gx、gy表示x、y方向的梯度；▽x、▽y表示x、y方向的梯度算子；G'k表示第k帧原始图像的梯度场；k表示原始图像的序号；n表示原始图像的数量。
5.如权利要求3所述的图像细节增强方法，其中，所述根据多个原始图像的梯度场计算多个原始图像的融合权重，根据如下公式进行计算：
其中，maskk表示第k帧原始图像的融合权重；(i,j)表示像素位置；G'表示原始图像的梯度场；k表示原始图像的序号；n表示原始图像的数量；max表示最大值符号，others表示其他情况。
6.如权利要求3所述的图像细节增强方法，其中，所述根据多个原始图像的融合权重融合多个原始图像的梯度场，获得场景的融合梯度场，包括：分别将多个原始图像的梯度场逐像素点乘该原始图像的融合权重，将点乘后的多个原始图像的梯度场相加，获得场景的融合梯度场。
7.如权利要求6所述的图像细节增强方法，其中，所述分别将多个原始图像的梯度场逐像素点乘该原始图像的融合权重，将点乘后的多个原始图像的梯度场相加，获得场景的融合梯度场，根据如下公式进行计算：
G＝G'1gmask1+G'2gmask2+G'3gmask3…+G'ngmaskn；
其中，G表示场景的融合梯度场；G'表示原始图像的梯度场；mask表示原始图像的融合权重；n表示原始图像的数量。
8.如权利要求1所述的图像细节增强方法，其中，所述根据场景的融合梯度场重建场景的细节增强图像，根据如下公式进行计算：
ΔF＝divG；
其中，divG表示场景的融合梯度场的散度；F表示场景的细节增强图像；ΔF表示场景的细节增强图像的拉普拉斯算子。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储有执行权利要求1至8任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810751343.XA CN109146798A (zh) | 2018-07-10 | 2018-07-10 | 图像细节增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810751343.XA CN109146798A (zh) | 2018-07-10 | 2018-07-10 | 图像细节增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146798A true CN109146798A (zh) | 2019-01-04 |
Family
ID=64800287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810751343.XA Pending CN109146798A (zh) | 2018-07-10 | 2018-07-10 | 图像细节增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146798A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840887A (zh) * | 2019-01-18 | 2019-06-04 | 北京友通上昊科技有限公司 | 数字化x射线影像拼接方法及装置 |
| CN109978808A (zh) * | 2019-04-25 | 2019-07-05 | 北京迈格威科技有限公司 | 一种用于图像融合的方法、装置和电子设备 |
| CN110853058A (zh) * | 2019-11-12 | 2020-02-28 | 电子科技大学 | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 |
| CN115239601A (zh) * | 2022-09-15 | 2022-10-25 | 广东欧谱曼迪科技有限公司 | 一种图像细节增强方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504670A (zh) * | 2014-12-11 | 2015-04-08 | 上海理工大学 | 多尺度梯度域图像融合算法 |
| 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 |
-
2018
- 2018-07-10 CN CN201810751343.XA patent/CN109146798A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504670A (zh) * | 2014-12-11 | 2015-04-08 | 上海理工大学 | 多尺度梯度域图像融合算法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 杨辉军: "基于边缘图的梯度域图像融合方法研究", 《重庆工商大学学报》 * |
| 陈磊: "红外与可见光图像的变分增强融合算法研究", 《激光与光电子学进展》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840887A (zh) * | 2019-01-18 | 2019-06-04 | 北京友通上昊科技有限公司 | 数字化x射线影像拼接方法及装置 |
| CN109978808A (zh) * | 2019-04-25 | 2019-07-05 | 北京迈格威科技有限公司 | 一种用于图像融合的方法、装置和电子设备 |
| CN109978808B (zh) * | 2019-04-25 | 2022-02-01 | 北京迈格威科技有限公司 | 一种用于图像融合的方法、装置和电子设备 |
| US11250549B2 (en) | 2019-04-25 | 2022-02-15 | Megvii (Beijing) Technology Co., Ltd. | Method, apparatus and electric device for image fusion |
| CN110853058A (zh) * | 2019-11-12 | 2020-02-28 | 电子科技大学 | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 |
| CN110853058B (zh) * | 2019-11-12 | 2023-01-03 | 电子科技大学 | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 |
| CN115239601A (zh) * | 2022-09-15 | 2022-10-25 | 广东欧谱曼迪科技有限公司 | 一种图像细节增强方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ying et al. | A new low-light image enhancement algorithm using camera response model | |
| CN109146798A (zh) | 图像细节增强方法 | |
| Gharbi et al. | Deep bilateral learning for real-time image enhancement | |
| Gallo et al. | Artifact-free high dynamic range imaging | |
| CN110097519B (zh) | 基于深度学习的双监督图像去雾方法、系统、介质和设备 | |
| CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
| CN108932693B (zh) | 基于人脸几何信息的人脸编辑补全方法及装置 | |
| CN103945118B (zh) | 图像虚化方法、装置及电子设备 | |
| CN111462206B (zh) | 一种基于卷积神经网络的单目结构光深度成像方法 | |
| CN109087256A (zh) | 一种基于深度学习的图像去模糊方法及系统 | |
| Hua et al. | A normalized convolutional neural network for guided sparse depth upsampling. | |
| CN109658412A (zh) | 一种面向拆垛分拣的包装箱快速识别分割方法 | |
| CN108492262A (zh) | 一种基于梯度结构相似性的无鬼影高动态范围成像方法 | |
| CN106030661A (zh) | 视野独立的3d场景纹理化背景 | |
| CN106485670A (zh) | 图像处理设备及图像处理方法 | |
| JP6914734B2 (ja) | シルエット抽出装置、方法およびプログラム | |
| CN107509031A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN107493432A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN114862698B (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
| CN108053363A (zh) | 背景虚化处理方法、装置及设备 | |
| Chen et al. | Geoaug: Data augmentation for few-shot nerf with geometry constraints | |
| CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
| CN111915735B (zh) | 一种针对视频中三维结构轮廓的深度优化方法 | |
| CN110310301A (zh) | 一种检测目标图像的方法及装置 | |
| Protasiuk et al. | Local color mapping combined with color transfer for underwater image enhancement |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |