CN110163818A - 一种用于海事无人机的低照度视频图像增强方法 - Google Patents

一种用于海事无人机的低照度视频图像增强方法 Download PDF

Info

Publication number
CN110163818A
CN110163818A CN201910349907.1A CN201910349907A CN110163818A CN 110163818 A CN110163818 A CN 110163818A CN 201910349907 A CN201910349907 A CN 201910349907A CN 110163818 A CN110163818 A CN 110163818A
Authority
CN
China
Prior art keywords
image
component image
unmanned plane
video image
maritime affairs
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
Application number
CN201910349907.1A
Other languages
English (en)
Other versions
CN110163818B (zh
Inventor
刘�文
杨梅芳
殷伟
聂鑫
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910349907.1A priority Critical patent/CN110163818B/zh
Publication of CN110163818A publication Critical patent/CN110163818A/zh
Application granted granted Critical
Publication of CN110163818B publication Critical patent/CN110163818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于海事无人机的低照度视频图像增强方法，包括：1)提取海事无人机拍摄的视频图像，进行视频去抖动操作；2)计算照射分量图像的估计值，对视频图像进行分解，得到反射分量图像；3)使用限制对比度自适应直方图均衡化方法(CLAHE)对照射分量图像的估计值进行对比度增强；4)建立基于改进的残差卷积神经网络，对反射分量图像进行噪声抑制处理，得到去噪后的反射分量图像。5)基于Retinex合成模型，对增强后的照射分量图像和去噪后的反射分量图像进行合成，得到海事无人机的视频增强图像。该方法不仅能解决低照度条件下海事无人机视频图像存在的亮度、对比度低和含有噪声问题，还能解决由于视频抖动而产生的图像模糊问题。

Description

一种用于海事无人机的低照度视频图像增强方法
技术领域
本发明涉及视频图像处理技术领域，具体地指一种用于海事无人机的低照度视频图像增强方法。
技术背景
海事无人机作为海事监管的一种有效手段，可通过搭载视频成像设备自主进行海事巡航和监管，实现环境感知、目标识别和海难搜救等功能。但在夜间、建筑物遮挡等低照度条件下，海事无人机视频图像的获取受环境光照条件的影响，存在亮度低、对比度不高、噪声严重、细节丢失等问题，导致人眼对视频图像分辨能力差，甚至对某些局部细节不能分辨，制约了海事无人机在海上目标检测、海难搜救等方面的高效应用。此外，在实际情况下，由于受到姿态变化以及成像设备振动的影响，海事无人机视频图像出现序列帧间变化大、图像模糊和不稳定等现象，更加不利于人工对机载低照度视频图像的观测和判别。因此，在低照度条件下，要得到较为精确的视频图像信息，使海事无人机在实际应用中发挥更加重要的作用，对其低照度视频图像进行增强处理显得尤为重要。
发明内容
本发明的目的在于克服现有技术的不足，提出一种用于海事无人机的低照度视频图像增强方法，该方法不仅能解决低照度条件下海事无人机视频图像存在的亮度、对比度低和含有噪声问题，还能解决由于视频抖动而产生的图像模糊问题。
为实现上述目的，本发明所设计的一种用于海事无人机的低照度视频图像增强方法，其特殊之处在于，所述方法包括如下步骤：
1)提取海事无人机拍摄的视频图像，采用基于Harris角点检测算子的多尺度金字塔机载视频图像特征提取算法进行视频去抖动操作；
2)采用融合主特征提取模型计算照射分量图像的估计值，然后基于Retinex分解模型对视频图像进行分解，得到反射分量图像；
3)使用限制对比度自适应直方图均衡化方法(CLAHE)对所述照射分量图像的估计值进行对比度增强，得到增强后的照射分量图像；
4)建立基于改进的残差卷积神经网络，对反射分量图像进行噪声抑制处理，得到去噪后的反射分量图像。
5)基于Retinex合成模型，对步骤3)中增强后的照射分量图像和步骤4)中去噪后的反射分量图像进行合成，得到海事无人机的视频增强图像。
优选地，所述步骤1)的具体步骤包括：
1.1)在多尺度金字塔框架下，利用Harris角点检测方法对当前帧与前一帧相应的图像进行特征点检测，然后采用SIFT算子在所提取特征点上计算特征描述值，得到视频相邻帧的最优匹配特征点；
1.2)在最优匹配点的基础上，采用4参数的仿射变换模型计算运动矢量：
M＝[XTX]-1XTY
其中，M为运动矢量矩阵，X和Y分别表示前一帧和当前帧的特征点坐标。
1.3)将运动矢量矩阵M作为观测矩阵，进行Kalman滤波，获取运动补偿分量M'，对当前帧图像进行逐帧补偿，得到去抖动后的低照度视频图像：
(Xn,Yn)和(X'n,Y'n)分别表示当前帧和稳像后的特征点坐标。
优选地，所述步骤2)中的主特征提取模型，根据去抖动后的视频图像计算照射分量图像的估计值，在提取图像主特征时可以较好地保持低照度图像的主要边缘信息，计算公式为：
其中，p为像素点；x和y分别表示水平和垂直方向；ε>0为保证分母不为零的常数值；S表示照射分量图像；Sp表示像素点p的照射分量值；I表示原始输入图像；Ip表示像素点p的原始输入图像；λ表示正则化参数，Dx(p)和Dy(p)表示像素点p在x和y方向上窗口的总变化函数，Lx(p)和Ly(p)表示像素点p在x和y方向上的窗口固有方差：
w(p)为以像素点p为中心的窗口区域，q是以p为中心的一个正方形区域内所有像素点的索引，为高斯核函数,σ为纹理尺度参数。
优选地，所述步骤2)中反射分量图像R的计算方法为：
Rp＝Ip/Sp
其中，p为像素点；Rp表示像素点p的反射分量图像；Sp表示像素点p的照射分量值；Ip表示像素点p的原始输入图像。
优选地，所述纹理尺度参数σ用于控制纹理尺度的大小，增大σ可较好地抑制纹理、锐化边缘。
优选地，所述步骤4)中基于改进的残差卷积神经网络由D层卷积单元组成，D为大于1的自然数，其中第1个卷积单元由卷积层和ReLU层组成，第2到D-1个卷积单元分别由卷积层、批归一化层和 ReLU层组成，第D个卷积单元由一个卷积层组成。
优选地，所述基于改进的残差卷积神经网络采用SSIM和L1-norm 作为损耗函数。
优选地，所述步骤5)中对增强后的照射分量图像和去噪后的反射分量图像进行合成的方法为：
Ie＝Rd·Se
其中，Ie表示增强后的视频图像，Rd表示去噪后的反射分量图像，由基于改进的残差卷积神经网络输出得到，Se表示增强后的照射分量图像。
本发明的有益效果为：
1、将视频去抖动作为一个预处理操作，解决海事无人机低照度视频图像由于画面抖动而出现的图像模糊等问题，便于观测和判别。
2、主特征提取模型可较好地估计低照度图像的照射分量，在提取图像主特征的同时可以保持照射分量图像的主要边缘信息。
3、改进的残差卷积网络可以加速训练过程以及提高去噪性能，在保留了反射分量图像中的细节信息的同时，去除其中包含的噪声信息，使图像细节更加清晰可见。
附图说明
图1为本发明一种用于海事无人机的低照度视频图像增强方法的流程示意图。
图2为本发明一种用于海事无人机的低照度视频图像增强方法中提出的基于改进的残差卷积神经网络结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明所提出的一种用于海事无人机的低照度视频图像增强方法的具体步骤如下：
1)提出基于Harris角点检测算子的多尺度金字塔机载视频图像特征提取算法进行视频去抖动操作，其输入为海事无人机拍摄的原始低照度视频图像，输出为去抖动后的视频图像。其中，基于Harris角点检测算子的多尺度金字塔机载视频图像特征提取算法具体为：
1.1)在多尺度金字塔框架下，利用Harris角点检测方法对当前帧与前一帧相应的图像进行特征点检测，然后采用SIFT算子在所提取特征点上计算特征描述值，得到视频相邻帧的最优匹配特征点；
1.2)在最优匹配点的基础上，采用4参数的仿射变换模型计算运动矢量：
M＝[XTX]-1XTY
其中，M为运动矢量矩阵，X和Y分别表示前一帧和当前帧的特征点坐标。
1.3)将运动矢量矩阵M作为观测矩阵，进行Kalman滤波，获取运动补偿分量M'，对当前帧图像进行逐帧补偿，得到去抖动后的低照度视频图像：
(Xn,Yn)和(X'n,Y'n)分别表示当前帧和稳像后的特征点坐标。
2)融合主特征提取模型，根据去抖动后的低照度视频图像计算照射分量图像的估计值。照射分量图像的估计值按以下表达式确定：
其中，p为像素点；x和y分别表示水平和垂直方向；ε>0为保证分母不为零的常数值；S表示照射分量图像；Sp表示像素点p的照射分量值；I表示原始输入图像；Ip表示像素点p的原始输入图像；λ表示正则化参数，Dx(p)和Dy(p)表示像素点p在x和y方向上窗口的总变化函数，Lx(p)和Ly(p)表示像素点p在x和y方向上的窗口固有方差：
w(p)为以p为中心的窗口区域，q是以p为中心的一个正方形区域内所有像素点的索引，为高斯核函数,参数σ用来控制纹理尺度大小，增大σ可较好地抑制纹理、锐化边缘。
通过上述方法得到照射分量图像的估计值S后，根据Retinex分解模型得到反射分量图像R：
Rp＝Ip/Sp
Rp表示像素点p的反射分量图像；Sp表示像素点p的照射分量值； Ip表示像素点p的原始输入图像。
3)使用限制对比度自适应直方图均衡化方法(CLAHE)对照射分量进行对比度增强，其输入为步骤2)中照射分量图像的估计值S，输出为增强后的照射分量图像Se。
4)基于改进的残差卷积神经网络，如图2所示，该改进的残差卷积神经网络由D层卷积单元组成，其中第1个卷积单元由卷积层和 ReLU层组成，完成图像特征图生成的工作；第2到D-1个卷积单元由卷积层、批归一化层和ReLU层组成，完成加速训练过程和提高去噪性能的工作；第D个卷积单元由卷积层组成，完成输出图像重建的工作。具体地，第1个卷积单元由64个尺寸为3×3×3的卷积核的卷积层组成；第2到D-1个卷积单元分别由64卷积层组成，每个卷积层的卷积核尺寸为3×3×64；第D个卷积单元则由3个尺寸为 3×3×64的卷积核的卷积层组成。此外，为了能够充分保留视频图像的信息并且保持训练过程中异常点的稳定性，其采用SSIM和L1-norm 作为损耗函数，并以大量正常光照的清晰图像及其相对应的人工噪化图像作为训练样本。待网络训练完成后，其输入为步骤2)中得到的反射分量R，输出为去噪后的反射分量图像Rd。
5)对去噪后的反射分量图像和增强后的照射分量图像进行合成，得到增强后的图像，具体公式如下：
Ie＝Rd·Se
其中，Ie表示增强后的图像，Rd表示去噪后的反射分量图像，Se表示增强后的照射分量图像。
本发明提出了一种用于海事无人机的低照度视频图像增强方法，在对低照度视频图像进行对比度增强、抑制噪声的同时，进行视频去抖动操作，便于人工观测和判别。
最后需要说明的是，以上具体实施方式仅用以说明本专利技术方案而非限制，尽管参照较佳实施例对本专利进行了详细说明，本领域的普通技术人员应当理解，可以对本专利的技术方案进行修改或者等同替换，而不脱离本专利技术方案的精神和范围，其均应涵盖在本专利的权利要求范围当中。

Claims (8)

1.一种用于海事无人机的低照度视频图像增强方法，其特征在于，所述方法包括如下步骤：
1)提取海事无人机拍摄的视频图像，采用基于Harris角点检测算子的多尺度金字塔机载视频图像特征提取算法进行视频去抖动操作；
2)采用融合主特征提取模型计算照射分量图像的估计值，然后基于Retinex分解模型对视频图像进行分解，得到反射分量图像；
3)使用限制对比度自适应直方图均衡化方法对所述照射分量图像的估计值进行对比度增强，得到增强后的照射分量图像；
4)建立基于改进的残差卷积神经网络，对反射分量图像进行噪声抑制处理，得到去噪后的反射分量图像。
5)基于Retinex合成模型，对步骤3)中增强后的照射分量图像和步骤4)中去噪后的反射分量图像进行合成，得到海事无人机的视频增强图像。
2.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤1)的具体步骤包括：
1.1)在多尺度金字塔框架下，利用Harris角点检测方法对当前帧与前一帧相应的图像进行特征点检测，然后采用SIFT算子在所提取特征点上计算特征描述值，得到视频相邻帧的最优匹配特征点；
1.2)在最优匹配点的基础上，采用4参数的仿射变换模型计算运动矢量：
M＝[XTX]-1XTY
其中，M为运动矢量矩阵，X和Y分别表示前一帧和当前帧的特征点坐标。
1.3)将运动矢量矩阵M作为观测矩阵，进行Kalman滤波，获取运动补偿分量M'，对当前帧图像进行逐帧补偿，得到去抖动后的低照度视频图像：
(Xn,Yn)和(X'n,Y'n)分别表示当前帧和稳像后的特征点坐标。
3.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤2)中的主特征提取模型，根据去抖动后的视频图像计算照射分量图像的估计值，在提取图像主特征时可以较好地保持低照度图像的主要边缘信息，计算公式为：
其中，p为像素点；x和y分别表示水平和垂直方向；ε>0为保证分母不为零的常数值；S表示照射分量图像；Sp表示像素点p的照射分量值；I表示原始输入图像；Ip表示像素点p的原始输入图像；λ表示正则化参数，Dx(p)和Dy(p)表示像素点p在x和y方向上窗口的总变化函数，Lx(p)和Ly(p)表示像素点p在x和y方向上的窗口固有方差：
w(p)为以像素点p为中心的窗口区域，q是以p为中心的一个正方形区域内所有像素点的索引，为高斯核函数,σ为纹理尺度参数。
4.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤2)中反射分量图像R的计算方法为：
Rp＝Ip/Sp
其中，p为像素点；Rp表示像素点p的反射分量图像；Sp表示像素点p的照射分量值；Ip表示像素点p的原始输入图像。
5.根据权利要求3述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述纹理尺度参数σ用于控制纹理尺度的大小。
6.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤4)中基于改进的残差卷积神经网络由D层卷积单元组成，D为大于1的自然数，其中第1个卷积单元由卷积层和ReLU层组成，第2到D-1个卷积单元分别由卷积层、批归一化层和ReLU层组成，第D个卷积单元由一个卷积层组成。
7.根据权利要求6所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述基于改进的残差卷积神经网络采用SSIM和L1-norm作为损耗函数。
8.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤5)中对增强后的照射分量图像和去噪后的反射分量图像进行合成的方法为：
Ie＝Rd·Se
其中，Ie表示增强后的视频图像，Rd表示去噪后的反射分量图像，由基于改进的残差卷积神经网络输出得到，Se表示增强后的照射分量图像。
CN201910349907.1A 2019-04-28 2019-04-28 一种用于海事无人机的低照度视频图像增强方法 Active CN110163818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910349907.1A CN110163818B (zh) 2019-04-28 2019-04-28 一种用于海事无人机的低照度视频图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910349907.1A CN110163818B (zh) 2019-04-28 2019-04-28 一种用于海事无人机的低照度视频图像增强方法

Publications (2)

Publication Number Publication Date
CN110163818A true CN110163818A (zh) 2019-08-23
CN110163818B CN110163818B (zh) 2021-04-27

Family

ID=67640247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910349907.1A Active CN110163818B (zh) 2019-04-28 2019-04-28 一种用于海事无人机的低照度视频图像增强方法

Country Status (1)

Country Link
CN (1) CN110163818B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161155A (zh) * 2019-11-28 2020-05-15 东南大学 一种基于深度学习的水下桥墩病害图像能见度增强方法
CN111401297A (zh) * 2020-04-03 2020-07-10 天津理工大学 一种基于边缘计算和神经网络的三栖机器人目标识别系统及方法
CN111489303A (zh) * 2020-03-27 2020-08-04 武汉理工大学 一种低照度环境下海事图像增强方法
CN111695633A (zh) * 2020-06-12 2020-09-22 桂林电子科技大学 基于rpf-cam的低照度目标检测方法
CN111832508A (zh) * 2020-07-21 2020-10-27 桂林电子科技大学 基于die_ga的低照度目标检测方法
CN111882002A (zh) * 2020-08-06 2020-11-03 桂林电子科技大学 一种基于msf-am的低照度目标检测方法
CN111951178A (zh) * 2020-07-07 2020-11-17 中国人民解放军93114部队 显著提升图像质量的图像处理方法、装置和电子设备
CN112308803A (zh) * 2020-11-25 2021-02-02 哈尔滨工业大学 一种基于深度学习的自监督低照度图像增强及去噪方法
CN112465736A (zh) * 2020-11-18 2021-03-09 武汉理工大学 一种用于港口船舶监控的红外视频图像增强方法
CN112927164A (zh) * 2021-03-22 2021-06-08 重庆邮电大学 一种基于深度卷积神经网络的无参考低照度图像增强方法
CN116128768A (zh) * 2023-04-17 2023-05-16 中国石油大学(华东) 一种带有去噪模块的无监督图像低照度增强方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070047835A1 (en) * 2005-08-30 2007-03-01 Brother Kogyo Kabushiki Kaisha Image-processing method
US20130208125A1 (en) * 2007-11-28 2013-08-15 Patrick B. Richardson Infrared camera modes for maritime applications
CN106485674A (zh) * 2016-09-20 2017-03-08 天津大学 一种基于融合技术的弱光图像增强方法
CN106550174A (zh) * 2016-10-28 2017-03-29 大连理工大学 一种基于单应性矩阵的实时视频稳像方法
CN107293103A (zh) * 2017-07-24 2017-10-24 武汉理工大学 一种基于红外传感的无人艇智能寻迹系统
CN107977987A (zh) * 2017-11-20 2018-05-01 北京理工大学 一种无人机载多目标探测跟踪、指示系统及方法
CN109214288A (zh) * 2018-08-02 2019-01-15 广州市鑫广飞信息科技有限公司 基于多旋翼无人机航拍视频的帧间场景匹配方法及装置
CN109300101A (zh) * 2018-10-18 2019-02-01 重庆邮电大学 一种基于Retinex理论的多曝光图像融合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070047835A1 (en) * 2005-08-30 2007-03-01 Brother Kogyo Kabushiki Kaisha Image-processing method
US20130208125A1 (en) * 2007-11-28 2013-08-15 Patrick B. Richardson Infrared camera modes for maritime applications
CN106485674A (zh) * 2016-09-20 2017-03-08 天津大学 一种基于融合技术的弱光图像增强方法
CN106550174A (zh) * 2016-10-28 2017-03-29 大连理工大学 一种基于单应性矩阵的实时视频稳像方法
CN107293103A (zh) * 2017-07-24 2017-10-24 武汉理工大学 一种基于红外传感的无人艇智能寻迹系统
CN107977987A (zh) * 2017-11-20 2018-05-01 北京理工大学 一种无人机载多目标探测跟踪、指示系统及方法
CN109214288A (zh) * 2018-08-02 2019-01-15 广州市鑫广飞信息科技有限公司 基于多旋翼无人机航拍视频的帧间场景匹配方法及装置
CN109300101A (zh) * 2018-10-18 2019-02-01 重庆邮电大学 一种基于Retinex理论的多曝光图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
J. MAR 等: "Intelligent Motion Compensation for Improving the Tracking Performance of Shipborne Phased Array Radar", 《HINDAWI 》 *
LI XU 等: "Structure Extraction from Texture via Relative Total Variation", 《ACM》 *
吉淑娇 等: "基于特征匹配的视频稳像算法", 《吉林大学学报(工学版)》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161155A (zh) * 2019-11-28 2020-05-15 东南大学 一种基于深度学习的水下桥墩病害图像能见度增强方法
CN111489303A (zh) * 2020-03-27 2020-08-04 武汉理工大学 一种低照度环境下海事图像增强方法
CN111401297A (zh) * 2020-04-03 2020-07-10 天津理工大学 一种基于边缘计算和神经网络的三栖机器人目标识别系统及方法
CN111695633A (zh) * 2020-06-12 2020-09-22 桂林电子科技大学 基于rpf-cam的低照度目标检测方法
CN111951178B (zh) * 2020-07-07 2024-04-30 中国人民解放军93114部队 显著提升图像质量的图像处理方法、装置和电子设备
CN111951178A (zh) * 2020-07-07 2020-11-17 中国人民解放军93114部队 显著提升图像质量的图像处理方法、装置和电子设备
CN111832508B (zh) * 2020-07-21 2022-04-05 桂林电子科技大学 基于die_ga的低照度目标检测方法
CN111832508A (zh) * 2020-07-21 2020-10-27 桂林电子科技大学 基于die_ga的低照度目标检测方法
CN111882002B (zh) * 2020-08-06 2022-05-24 桂林电子科技大学 一种基于msf-am的低照度目标检测方法
CN111882002A (zh) * 2020-08-06 2020-11-03 桂林电子科技大学 一种基于msf-am的低照度目标检测方法
CN112465736A (zh) * 2020-11-18 2021-03-09 武汉理工大学 一种用于港口船舶监控的红外视频图像增强方法
CN112308803B (zh) * 2020-11-25 2021-10-01 哈尔滨工业大学 一种基于深度学习的自监督低照度图像增强及去噪方法
CN112308803A (zh) * 2020-11-25 2021-02-02 哈尔滨工业大学 一种基于深度学习的自监督低照度图像增强及去噪方法
CN112927164A (zh) * 2021-03-22 2021-06-08 重庆邮电大学 一种基于深度卷积神经网络的无参考低照度图像增强方法
CN112927164B (zh) * 2021-03-22 2023-04-07 重庆邮电大学 一种基于深度卷积神经网络的无参考低照度图像增强方法
CN116128768A (zh) * 2023-04-17 2023-05-16 中国石油大学(华东) 一种带有去噪模块的无监督图像低照度增强方法

Also Published As

Publication number Publication date
CN110163818B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN110163818A (zh) 一种用于海事无人机的低照度视频图像增强方法
Hu et al. Single image defogging based on illumination decomposition for visual maritime surveillance
CN105976330B (zh) 一种嵌入式雾天实时视频稳像方法
CN108510451B (zh) 一种基于双层卷积神经网络的重建车牌的方法
CN111079556A (zh) 一种多时相无人机视频图像变化区域检测及分类方法
CN108090886B (zh) 一种高动态范围红外图像的显示与细节增强方法
Park et al. Single image haze removal with WLS-based edge-preserving smoothing filter
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
Wang et al. Low-illumination image enhancement for night-time UAV pedestrian detection
CN109215025B (zh) 一种基于非凸秩逼近极小化的红外弱小目标检测方法
CN113298147A (zh) 基于区域能量和直觉模糊集的图像融合方法及装置
Fu et al. An anisotropic Gaussian filtering model for image de-hazing
CN106997583A (zh) 一种水下机器人自适应图像增强和特征提取方法
Song et al. An adaptive real-time video defogging method based on context-sensitiveness
Parihar et al. A study on dark channel prior based image enhancement techniques
Xiaoxu et al. Image dehazing base on two-peak channel prior
CN115601301A (zh) 鱼类表型特征测量方法、系统、电子设备及存储介质
CN115239607A (zh) 一种红外和可见光图像自适应融合的方法及系统
CN110796609B (zh) 基于尺度感知和细节增强模型的低光图像增强方法
Chen et al. Dust Image Enhancement Algorithm Based on Feature Transformation
Chen et al. GADO-Net: an improved AOD-Net single image dehazing algorithm
Bai et al. Underwater image restoration based on color correction and reweighted graph total variation prior
Rao et al. De-noising and contrast enhancement using bilateral filter and adaptive histogram equalization
Xi et al. Image quality enhancement algorithm based on game theory model
Xu et al. Underwater Image Enhancement of Improved Retinex Base on Statistical Learning

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