CN110111280B - 一种多尺度梯度域引导滤波的低照度图像增强方法 - Google Patents

一种多尺度梯度域引导滤波的低照度图像增强方法 Download PDF

Info

Publication number
CN110111280B
CN110111280B CN201910370478.6A CN201910370478A CN110111280B CN 110111280 B CN110111280 B CN 110111280B CN 201910370478 A CN201910370478 A CN 201910370478A CN 110111280 B CN110111280 B CN 110111280B
Authority
CN
China
Prior art keywords
image
component
low
brightness
document
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
CN201910370478.6A
Other languages
English (en)
Other versions
CN110111280A (zh
Inventor
李红
耿则勋
王瑞尧
何丹丹
王冠
张亚峰
李宁
王艳辉
张晓鹏
翟卫青
王军敏
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.)
Pingdingshan University
Original Assignee
Pingdingshan University
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 Pingdingshan University filed Critical Pingdingshan University
Priority to CN201910370478.6A priority Critical patent/CN110111280B/zh
Publication of CN110111280A publication Critical patent/CN110111280A/zh
Application granted granted Critical
Publication of CN110111280B publication Critical patent/CN110111280B/zh
Active 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
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

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

Abstract

本发明公开了一种多尺度梯度域引导滤波的低照度图像增强方法，属于图像处理技术领域，首先，将待处理图像转换到HSI颜色空间；然后，对亮度分量进行非线性全局亮度校正，接着用改进的多尺度梯度域引导滤波对校正后的亮度分量进行增强，同时为了使方法适应性更广，对增强后的亮度分量进行了修正，避免了已有的HSI空间低照度图像增强方法中出现的失真问题；最后，将图像再转换回RGB空间。实验结果表明：与已有的4中算法相比，本发明方法增强后的图像亮度平均提高150.27%以上，图像的清晰度平均提高127.03%以上，细节表现能力平均提高18.09%以上。本发明的方法可以有效地对低照度图像进行增强。

Description

一种多尺度梯度域引导滤波的低照度图像增强方法
技术领域
本发明属于图像处理技术领域，涉及一种低照度图像增强方法，具体地说，涉及一种多尺度梯度域引导滤波的低照度图像增强方法。
背景技术
在低照度(如夜晚、室内、曝光不足等)环境下，受图像采集设备的限制，导致获取到的图像存在信噪比低、对比度差、颜色欠饱和等问题，使图像的细节多淹没在较低灰度级的背景中。这给图像分类、分割、识别等后续应用带来极大的困难。因此，为了更好地展现场景信息，突出图像的细节特征，对低照度图像做增强处理具有重要的意义。
常用的低照度图像增强算法主要有基于像素级的灰度变换、基于暗通道先验模型的增强算法、基于Retinex理论的增强算法等。基于像素级的灰度变换增强常见的有对数变换、直方图均衡化(HE)、Gamma校正等，其中对数变换可扩张图像暗区域的像素值，但压缩图像亮区域的像素值，因此简单的对数变换虽然可以展现更多的暗区细节信息，但亮区的部分细节可能会被淹没掉；直方图均衡化容易导致图像对比度不自然的过度增强，而且会使处理后的图像灰度级减少，导致图像某些细节丢失。暗通道先验模型增强算法在处理细节丰富、亮度高的图像时适应性差。由于Retinex理论增强具有高动态范围压缩、局部对比度提高、保持图像色彩恒常性等特点，所以低照度图像最常用增强方法是利用Retinex理论进行增强，包括单尺度 Retinex(Single Scale Retinex,SSR)算法、多尺度Retinex(Multi-Scale Retinex,MSR)算法和带色彩恢复的多尺度Retinex(Multi-Scale Retinex withColor Restoration,MSRCR)算法。MSR在SSR的基础上使图像细节更突出，颜色恢复更加逼真。但是，基于Retinex理论的低照度图像增强算法普遍存在不同程度的光晕伪影、颜色失真等现象。
总的来看，目前低照度图像增强方法的主要不足与局限性有：①暗区得到一定增强，但亮区的部分细节由于过饱和而被淹没掉；②图像对比度不自然的过度增强，而且会使处理后的图像灰度级减少，导致图像某些细节丢失；③存在不同程度的光晕伪影、颜色失真等现象。
本发明的创新之处：第一，提出了多尺度梯度域引导滤波的思想，使低照度图像的亮度分量得到合理增强；第二，采用了新设计的低照度图像增强处理模型，通过该模型处理，最终增强后的图像在亮度、清晰度和细节表现能力上都有明显的提高；第三，提出了对增强后的亮度分量的修正模型，使得本发明的适应性更广，且避免了已有的HSI颜色空间低照度图像增强方法中出现的失真问题。
发明内容
本发明的目的是在于克服现有技术中存在的缺陷，提供一种多尺度梯度域引导滤波的低照度图像增强方法，该方法首先把图像转换到HSI空间，再利用多尺度梯度域引导滤波结合 Retinex算法对I分量进行增强，最后转换回RGB空间得到增强后图像。通过对大量的实验数据分析，表明经新方法处理后的图像无光晕现象，细节更突出，视觉效果更好。
本发明上述目的通过以下技术方案予以实现：
(1)为使滤波结果图像的边缘和平滑效果都达到最佳，选用基于梯度域的引导滤波；
(2)自适应多尺度梯度域引导滤波对亮度分量进行平滑处理，求照射分量和反射分量。
(3)自适应多尺度梯度域引导滤波的多尺度设置规则为：尺度参数依据图像大小设置为小、中、大3个尺度，小尺度：取图像长宽的最小值，再除以8；大尺度：取图像长宽最小值除以2减一；中尺度：小尺度和大尺度之和除以2。
一种多尺度梯度域引导滤波的低照度图像增强方法，
包括以下步骤：
步骤(1)、颜色模型转换，原始低照度图像从RGB空间转换到HSI空间，得到色调分量H、饱和度分量S和亮度分量I。
步骤(2)、针对I分量，首先按公式进行非线性校正，输出图像定义为I1；然后采用多尺度梯度域引导滤波对I1进行边缘保持的平滑处理，对每个尺度滤波输出结果进行求和再平均，估计出照射分量L；结合Retinex算法求出反射分量R。
步骤(3)、对反射分量R，按照特定的比例剔除数据中的极大和极小部分，然后把中间部分线性量化到0和1之间，得到增强后的反射分量R1。
步骤(4)、利用公式I2(x,y)＝e{log(R1(x,y)+1)+log(L(x,y)+1)}-1把R1、L融合，得到新的亮度分量 I2，并对I2进行亮度修正,得最终增强的亮度分量I3。
步骤(5)、把H分量、I3分量和S分量合成新的HSI图像，再转换回RGB空间输出即最终增强图像。
进一步，步骤(4)中所述亮度修正的方法具体如下：
(1)求出亮度分量的放大因子A，具体公式为
式中，A(x,y)表示亮度分量的放大因子；esp为很小的正常数，目的是使分母不为零。
(2)获取A的直方图数据，根据图像的直方图数据，自适应地查找其概率最大的像素点作为分界点。该分界点的灰度值同时也是亮度分量被放大的倍数。
(3)如果A的灰度值大于或等于分界点的灰度值，则亮度分量在该点上的灰度值需要修正；反之，则保持。修正公式为
式中，I3(x,y)表示修正后的亮度分量；idx为第(2)步骤所求得的分界点的灰度值。
本发明的优点及有益效果：
本发明的创新之处：第一，提出了多尺度梯度域引导滤波的思想，使低照度图像的亮度分量得到合理增强；第二，采用了新设计的低照度图像增强处理模型，通过该模型处理，最终增强后的图像在亮度、清晰度和细节表现能力上都有明显的提高；第三，提出了对增强后的亮度分量的修正模型，使得本发明的适应性更广，且避免了已有的HSI颜色空间低照度图像增强方法中出现的失真问题。
本发明的方法可以有效地对低照度图像进行增强，对于Retinex相关算法所产生的光晕伪影和颜色失真现象得到避免，而且增强后的图像有更好的细节体现和色彩复原度，更加符合人眼视觉。
附图说明
图1本发明算法的流程图；
图2低照度图像Image1的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果；
图3低照度图像Image2的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果；
图4低照度图像Image3的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果；
图5低照度图像Image4的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果；
图6低照度图像Image5的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果；
图7低照度图像Image6的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果；
图8低照度图像Image7的增强效果比较图，其中，(a)原图像，(b)文献[1]结果，(c)文献[2]结果，(d)文献[3]结果，(e)文献[4]结果，(f)本发明结果。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。
如图1所示，一种多尺度梯度域引导滤波的低照度图像增强方法，包括以下步骤：
步骤(1)、颜色模型转换，原始低照度图像从RGB空间转换到HSI空间，得到色调分量H、饱和度分量S和亮度分量I。
步骤(2)、针对I分量，首先按公式进行非线性校正，输出图像定义为I1；然后采用多尺度梯度域引导滤波对I1进行边缘保持的平滑处理，对每个尺度滤波输出结果进行求和再平均，估计出照射分量L；结合Retinex算法求出反射分量R。
步骤(3)、对反射分量R，按照特定的比例剔除数据中的极大和极小部分，然后把中间部分线性量化到0和1之间，得到增强后的反射分量R1。
步骤(4)、利用公式I2(x,y)＝e{log(R1(x,y)+1)+log(L(x,y)+1)}-1把R1、L融合，得到新的亮度分量 I2，并对I2进行亮度修正,得最终增强的亮度分量I3。
步骤(5)、把H分量、I3分量和S分量合成新的HSI图像，再转换回RGB空间输出即最终增强图像。
进一步，步骤(4)中所述亮度修正的方法具体如下：
(1)求出亮度分量的放大因子A，具体公式为
式中，A(x,y)表示亮度分量的放大因子；esp为很小的正常数，目的是使分母不为零。
(2)获取A的直方图数据，根据图像的直方图数据，自适应地查找其概率最大的像素点作为分界点。该分界点的灰度值同时也是亮度分量被放大的倍数。
(3)如果A的灰度值大于或等于分界点的灰度值，则亮度分量在该点上的灰度值需要修正；反之，则保持。修正公式为
式中，I3(x,y)表示修正后的亮度分量；idx为第(2)步骤所求得的分界点的灰度值。
图2为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像在图2(b)标注的方框内显示过度增强并丢失灯罩内的详细信息；总体上看本发明算法增强效果最好。
图3为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像在图3(b)显示过度增强；其他三种算法增强效果不明显，总体上看本发明算法增强效果最好。
图4为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像在图4(b)标注的方框内显示出现光晕伪影现象；文献[2]的算法处理后的结果图像在图4(c)标注的方框内显示失真，而且这种方法也不能增强该图像的对比度和亮度；文献[3]的算法处理后的结果图像在图4(d)标注的方框内显示过度增强；总体上看本发明算法增强效果最好。
图5为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像在图5(b)标注的方框内显示出现块状效应，且明显失真；文献[3]和文献[4]的算法处理后的结果图像明显增强不足；总体上看本发明算法增强效果最好。
图6为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像在图6(b)标注的方框内显示天空变灰，表明天空处颜色严重失真；文献[2]的算法处理后的结果图像在图6(c)标注的方框内显示天空的细节丢失而失真；文献[3]的算法处理后的结果图像在图6(d)标注的方框内显示天空过渡增强，导致天空细节丢失而失真；总体上看本发明算法增强效果最好。
图7为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像看上去增强效果很好，但如果转换为RGB图像，会发现它很明显的失真；所以总体上看本发明算法增强效果最好。
图8为原始低照度图像分别经过文献[1]、文献[2]、文献[3]、文献[4]和本发明算法处理后的结果图像。文献[1]的算法处理后的结果图像看上去增强效果很好，但如果转换为RGB图像，会发现它很明显的失真；文献[2]的算法处理后的结果图像在图8(c)标注的方框内如果转换到RGB空间会失真；文献[3]的算法处理后的结果图像在图8(d)标注的方框内显示增强不足，小孩的头部与地面混在一起了；文献[4]的算法处理后的结果图像在图8(e)标注的方框内显示增强不足，路面噪声点过大；总体上看本发明算法增强效果最好。
综合图2到图8显示的图像可以看出，本发明不仅没有过度增强、光晕伪影现象，而且在细节表现能力上都比其他方法强。从图像整体看，增强后图像更加自然、更符合人眼视觉特性。
本发明引用的文献具体为：
文献[1]:JOBSON D J,RAHAN Z,WOODELL G A.A multi-scale Retinex forbridging the gap between color images and the human observation of scenes[J].IEEE Transactions on Image Processing,1997,6(7):965-976.
文献[2]:毛东月，谢正祥，贺向前，等.自适应双向保带宽对数变换及低照度图像增强[J]. 中国图象图形学报，2017,22(10):1356-1363.
文献[3]:SUN X K,LIU H J,WU S Qet al..Low-Light Image EnhancementBased on Guided Image Filtering in Gradient Domain[J].International Journalof Digital Multimedia Broadcasting,2017,1-13.
文献[4]:张翔，王伟，肖迪.一种改进的具有色彩保护的多尺度Retinex图像增强算法[J].计算机科学，2018,45(10):247-249.
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (2)

1.一种多尺度梯度域引导滤波的低照度图像增强方法，其特征在于，首先，将待处理图像转换到HSI颜色空间；然后，对亮度分量进行非线性全局亮度校正，接着用改进的多尺度梯度域引导滤波对校正后的亮度分量进行增强，同时为了使方法适应性更广，对增强后的亮度分量进行了修正，避免了已有的HSI空间低照度图像增强方法中出现的失真问题；最后，将图像再转换回RGB空间；
具体包括以下步骤：
步骤(1)、颜色模型转换，原始低照度图像从RGB空间转换到HSI空间，得到H、S和I分量；
步骤(2)、针对I分量，首先按公式
Figure FDA0004041155340000011
进行非线性校正，输出图像定义为I1；然后采用多尺度梯度域引导滤波对I1进行边缘保持的平滑处理，对每个尺度滤波输出结果进行求和再平均，估计出照射分量L；结合Retinex算法求出反射分量R；
步骤(3)、对反射分量R，按照特定的比例剔除数据中的极大和极小部分，然后把中间部分线性量化到0和1之间，得到增强后的反射分量R1；
步骤(4)、利用公式I2(x,y)＝e{log(R1(x,y)+1)+log(L(x,y)+1)}-1把R1、L融合，得到新的亮度分量I2，并对I2进行亮度修正,得最终增强的亮度分量I3；
步骤(5)、把H分量、I3分量和S分量合成新的HSI图像，再转换回RGB空间输出即最终增强图像。
2.根据权利要求1所述的多尺度梯度域引导滤波的低照度图像增强方法，其特征在于，步骤(4)中所述亮度修正的方法具体如下：
(1)求出亮度分量的放大因子A，具体公式为
Figure FDA0004041155340000012
式中，A(x,y)表示亮度分量的放大因子；esp为很小的正常数，目的是使分母不为零；
(2)获取A的直方图数据，根据图像的直方图数据，自适应地查找其概率最大的像素点作为分界点；该分界点的灰度值同时也是亮度分量被放大的倍数；
(3)如果A的灰度值大于或等于分界点的灰度值，则亮度分量在该点上的灰度值需要修正；
反之，则保持；修正公式为
Figure FDA0004041155340000021
式中，I3(x,y)表示修正后的亮度分量；idx为第(2)步骤所求得的分界点的灰度值。
CN201910370478.6A 2019-05-06 2019-05-06 一种多尺度梯度域引导滤波的低照度图像增强方法 Active CN110111280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910370478.6A CN110111280B (zh) 2019-05-06 2019-05-06 一种多尺度梯度域引导滤波的低照度图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910370478.6A CN110111280B (zh) 2019-05-06 2019-05-06 一种多尺度梯度域引导滤波的低照度图像增强方法

Publications (2)

Publication Number Publication Date
CN110111280A CN110111280A (zh) 2019-08-09
CN110111280B true CN110111280B (zh) 2023-04-07

Family

ID=67488247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910370478.6A Active CN110111280B (zh) 2019-05-06 2019-05-06 一种多尺度梯度域引导滤波的低照度图像增强方法

Country Status (1)

Country Link
CN (1) CN110111280B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861937A (zh) * 2020-07-29 2020-10-30 西安建筑科技大学 一种基于msr改进的图像增强方法及系统
CN113222875B (zh) * 2021-06-01 2022-06-21 浙江大学 一种基于色彩恒常性的图像和谐化合成方法
CN113223099B (zh) * 2021-06-11 2023-04-18 苏州大学 基于生物视觉模型的RatSLAM环境适应性提升方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783963A (zh) * 2010-02-10 2010-07-21 西安理工大学 一种具有高光抑制的夜间图像增强方法
CN104318524A (zh) * 2014-10-15 2015-01-28 烟台艾睿光电科技有限公司 一种基于YCbCr色彩空间的图像增强方法、装置及系统
CN104346776A (zh) * 2013-08-02 2015-02-11 杭州海康威视数字技术股份有限公司 基于Retinex理论的非线性图像增强方法及其系统
CN104618700A (zh) * 2015-01-29 2015-05-13 电子科技大学 一种彩色高动态范围图像增强显示的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2516110B (en) * 2013-07-12 2020-01-08 Barco Nv Guided image filtering for image content

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783963A (zh) * 2010-02-10 2010-07-21 西安理工大学 一种具有高光抑制的夜间图像增强方法
CN104346776A (zh) * 2013-08-02 2015-02-11 杭州海康威视数字技术股份有限公司 基于Retinex理论的非线性图像增强方法及其系统
CN104318524A (zh) * 2014-10-15 2015-01-28 烟台艾睿光电科技有限公司 一种基于YCbCr色彩空间的图像增强方法、装置及系统
CN104618700A (zh) * 2015-01-29 2015-05-13 电子科技大学 一种彩色高动态范围图像增强显示的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Gradient Domain Guided Image Filtering;Fei Kou et al.;《IEEE Transactions on Image Processing》;20150813;第24卷(第11期);全文 *
基于GIF滤波分解的低照度图像增强算法;陈宇航等;《湖南工业大学学报》;20160315;第30卷(第02期);全文 *
基于迭代多尺度引导滤波Retinex的低照度图像增强;张杰等;《图学学报》;20180228;第39卷(第1期);全文 *
结合人眼视觉特性和模糊集理论的彩色图像增强;云海姣等;《南京师范大学学报(工程技术版)》;20180920;第18卷(第03期);全文 *
融合梯度信息的改进引导滤波;谢伟等;《中国图象图形学报》;20160916;第21卷(第09期);全文 *

Also Published As

Publication number Publication date
CN110111280A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
Chang et al. Automatic contrast-limited adaptive histogram equalization with dual gamma correction
CN107527333B (zh) 一种基于伽马变换的快速图像增强方法
Lin et al. Multi-scale retinex improvement for nighttime image enhancement
Lee et al. Adaptive multiscale retinex for image contrast enhancement
Huang et al. Efficient contrast enhancement using adaptive gamma correction with weighting distribution
CN104156921B (zh) 一种低照度或亮度不均图像的自适应图像增强方法
CN110111280B (zh) 一种多尺度梯度域引导滤波的低照度图像增强方法
CN114331873B (zh) 一种基于区域划分的非均匀光照彩色图像校正方法
CN112734650A (zh) 一种基于虚拟多曝光融合的不均匀光照图像增强方法
CN109919859B (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
CN104268843A (zh) 基于直方图修饰的图像自适应增强方法
Pei et al. Effective image haze removal using dark channel prior and post-processing
CN107392879B (zh) 一种基于参考帧的低照度监控图像增强方法
CN109272475B (zh) 一种快速有效修复与强化水下图像颜色的方法
CN114627009A (zh) 一种基于亮度校正和融合通道先验的图像增强方法及系统
CN111968065A (zh) 一种亮度不均匀图像的自适应增强方法
JP7307371B2 (ja) 画像調整装置、画像調整方法及びプログラム
CN112435184A (zh) 一种基于Retinex和四元数的雾霾天图像识别方法
Muniraj et al. Underwater image enhancement by modified color correction and adaptive Look-Up-Table with edge-preserving filter
JP4013699B2 (ja) 画像処理装置および画像処理方法
Goel et al. An efficient approach to restore naturalness of non-uniform illumination images
Asari et al. Nonlinear enhancement of extremely high contrast images for visibility improvement
Yu et al. Color constancy-based visibility enhancement in low-light conditions
CN113284058B (zh) 一种基于迁移理论的水下图像增强方法
Nan et al. Image defogging algorithm based on Fisher criterion function and dark channel prior

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