CN110175964A - 一种基于拉普拉斯金字塔的Retinex图像增强方法 - Google Patents
一种基于拉普拉斯金字塔的Retinex图像增强方法 Download PDFInfo
- Publication number
- CN110175964A CN110175964A CN201910459639.9A CN201910459639A CN110175964A CN 110175964 A CN110175964 A CN 110175964A CN 201910459639 A CN201910459639 A CN 201910459639A CN 110175964 A CN110175964 A CN 110175964A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- indicates
- indicate
- color
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 127
- 230000002708 enhancing effect Effects 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 230000002146 bilateral effect Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 15
- 238000011084 recovery Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012905 input function Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于拉普拉斯金字塔的Retinex图像增强方法。本发明方法,包含以下三个过程:首先对原图像进行多尺度卷积,采用3个3*3的高斯卷积核进行卷积,获取不同尺度R、G、B通道特征图。其次采用Retinex算法估计入射分量并增强色彩;对反射分量增强细节。最后将色彩增强图像与细节增强图像线性加权融合,得到增强图像。本发明专利采用多尺度卷积获取图像更多细节,利用MSRCR算法图像增强,对入射分量进行Gamma校正实现色彩增强。对反射分量采用双边滤波去噪,降低噪声干扰,通过拉普拉斯金字塔提取图像细节信息。将色彩增强图像和细节增强图像进行线性加权融合,实现图像增强。
Description
技术领域
本发明涉及一种基于拉普拉斯金字塔的Retinex图像增强方法。
背景技术
计算机技术的快速发展推进计算机视觉应用更为广泛,图像质量的提升,也就成为数字图像处理领域共同关注问题。在低光照、雾天以及雾霭天气下拍摄的图像清晰度较低,对于低质量图像常用的处理方法分为两种,分别为基于图像增强方法和基于物理模型图像复原方法,通过上述操作都可提升图像质量。
雾天图像增强方法是在不考虑图像质量降低原因的前提下,将图像中的感兴趣区域进行增强,采取方式是强化图像中的高频分量,对边缘轮廓信息进行增强,使细节更加明显。图像复原方法从图像降质的内在原因考虑,按照降质过程来建立物理模型,获取最优估计值,改善图像质量。
基于物理模型的图像去雾方法主要借助大气散射模型,通过对图像降质过程的逆过程进行求解,从而实现将求解估计得到的图像尽可能与真实图像一致。主要分为基于图像大气散射模型、基于景物深度信息以及基于大气偏振光特性三种方法。由于物理模型通常需要借助物理设备和获取场景的深度先验信息,因此实际应用受到一定限制。基于图像处理的增强方法可以避免物理设备的制约,采取对应增强方法实现图像增强。增强方法主要包括直方图均衡化、同态滤波、双边滤波以及Retinex算法等。直方图均衡化方法在处理图像雾的浓度不均匀或者景深信息未知情况下,处理的效果不理想;同态滤波将频率过滤和灰度变换结合,通过压缩亮度区间范围和增强对比度来实现质量改善,但是算法的效率较低。双边滤波既对图像去噪又保持边缘信息,由于经过增强后图像,噪声存在被放大的情况,因此通过双边滤波来进行去噪,避免噪声干扰。Retinex是一种颜色恒常模型,包含单尺度SSR(Single Scale Retinex)算法、多尺度MSR(Multi-Scale Retinex)算法以及带色彩恢复MSRCR算法,该模型目标是估计和去除入射分量。由于SSR算法和MSR算法存在颜色失真问题,因此提出MSRCR算法,该算法在复原的过程中引入了原图像色度的非线性函数,补偿MSR算法的颜色损失信息,可以实现保图像色彩和增强对比度,但增强后的图像色彩与原始彩色存在部分差异,出现过曝光现象。
发明内容
本发明克服上述现有技术的不足,提供一种基于拉普拉斯金字塔的Retinex图像增强方法。本发明要通过Retinex算法对入射分量进行估计,然后对入射分量采用Gamma校正进行色彩增强;对反射分量进行双边滤波和拉普拉斯操作进行细节增强;最后将色彩增强和细节增强结果进行线性加权融合得到增强结果。本发明不仅能够实现保证增强前后图像色彩一致性,同时还能解决细节增强问题,有效提升图像整体对比度,增强图像的视觉效果。
本发明采用的技术方案如下:
一种基于拉普拉斯金字塔的Retinex(image enhancement method based onLaplace Pyramid and Retinex,LP_MSRCR)图像增强方法,其特征在于,包括以下步骤:
步骤S01:将输入的原始图像按照R、G、B通道进行分解,获取输入图像的R、G、B通道数据,对获取的通道数据进行预处理;
步骤S02:对所述原始图像分解获取的所述R、G、B通道,进行多尺度高斯卷积核卷积,选用3个3*3卷积模板的高斯卷积核卷积,从而更好的获取不同尺度下的3张尺寸相等的细节特征图;
步骤S03:对所述不同尺度的细节特征图,采用带色彩恢复的多尺度Retinex算法,估算入射分量图像,计算单一尺度下反射分量图像,对所述反射分量图像加权融合,引入色彩恢复因子,进行色彩恢复,引入量化操作,保证R、G、B三个通道灰度值范围在[0,255],通过MSRCR算法增强处理,得到入射分量R、G、B通道图像和反射分量R、G、B通道图像;
步骤S04:对增强后的入射分量R、G、B通道图像进行Gamma校正,调整所述入射分量图像的明暗度,输出色彩增强后的R、G、B通道入射分量图像;
步骤S05:对S03所述得到的反射分量进行双边滤波去噪,通过拉普拉斯金字塔进行边缘细节提取,输出细节增强后的R、G、B通道反射分量图像;
步骤S06:将步骤S04中得到的色彩增强后的R、G、B通道反射分量图像添加回步骤S05中得到的R、G、B通道细节增强后的反射图像,然后在同步骤S06得到细节增强图像进行线性加权融合,重建获得最终的增强图像。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S03中的MSRCR算法,实现图像对比度增强,该方法利用颜色恒常理论方法,通过数学计算求解,其理论公式为:
S(x,y)=I(x,y)·F(x,y);
其中,S(x,y)表示人观赏图像;I(x,y)表示入射分量图像;F(x,y)表示反射分量图像。Retinex算法目标是通过利用已知图像信息估算入射分量I(x,y),去除入射分量,从而得到反射分量F(x,y)。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S03中的Retinex增强方法其公式为:
i表示R/G/B通道;k表示尺度个数;入射光分量I(x,y)可通过高斯滤波卷积方法从S(x,y)中近似求得;表示在第i个通道的处理结果;Gk(x,y)表示多尺度高斯环绕函数;wk表示尺度的权重因子。综合考虑时间复杂度和处理效果,通常尺度k=3,通常设定为低中高三个尺度,低尺度λ<50;中尺度50≤λ<100;高尺度λ≥100。
更进一步地,由于MSR存在颜色失真现象,为解决该问题,引入了色彩恢复因子,使得增强前后图像色感一致。MSRCR算法从量化角度,在色彩偏差调节中通过均值和方差来求解通道的最大最小值,同时引入了一个动态的参数Dynamic,使得在提高色彩保真度的同时对各种场景图像具有更好的自适应性,公式为:
为了保证处理后像素值在[0,255],增加溢出判断,公式为:
其中Ci(x,y)表示色彩恢复因子;Dynamic表示动态因子(通常Dynamic=2),控制色偏;Mini和Maxi表示第i通道的图像最小值和最大值;和分别为第i通道的均值和均方差操作;表示量化操作之后第i通道的图像。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S04中的Gamma校正定义公式为:
其中Gai(x,y)为经过Gamma校正后的入射分量图像;γ为校正因子。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述步骤S05中的双边滤波去噪过程,双边滤波通过空域和值域相似度对相邻像素权重计算,传递函数表达形式公式为:
其中,s(f(ξ),f(x))表示亮度相似度;c(ξ,x)表示空间相似度,为ξ和x的欧式距离;kr(x)和kd(x)表示归一化数。
双边滤波离散形式公式为:
其中,输入输出函数为函数分别为Bfk(x,y)和Bfk'(x,y),A[m,n,i,j]表示高斯核函数;(i,j)表示当前像素点,(m,n)表示邻域像素点,R(i,j)表示对应像素点的灰度值,δd表示空域滤波器标准差,δr表示灰度滤波器标准差。
Bfi=B_filter(I,G,Sigma_d,Sigma_r,filterRadius);
其中i表示对应的图像通道,I表示输入图像,G表示I经过归一化处理后的引导图像,sigma_d表示空间域内核时域参数,sigma_r表示内核参数强度变化范围,filterRadius表示双边滤波的半径;
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述步骤S05中的拉普拉斯金字塔细节提取过程包括如下步骤:
拉普拉斯金字塔以高斯金字塔为基础,利用高斯金字塔上下两层图像差值得到。高斯金字塔构建过程公式为:
其中,N表示高斯金字塔顶层层号;RL表示高斯金字塔的第L层的行数;CL表示高斯金字塔的第L层的列数;ω(m,n)是二维低通滤波器。
采用内插方式,将Gk进行放大得到从而使与Gk-1尺寸大小相同,对第k层图像Gk进行插值放大,其内插方式得到放大图像公式为:
此时,金字塔第k层被扩充图像与第k-1层图像Gk-1之间的差值公式为:
其中Bfi表示双边滤波后的效果图,表示MSRCR处理后的图像,Layers表示金字塔的层数,Sigma1表示第一个金字塔的尺度,Radius1表示第一个金字塔的半径,Sigma2表示第二个金字塔的尺度,Radius2表示第二个金字塔的半径,λ表示细节权重系数。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S06中的现象加权融合过程包括如下步骤:
步骤S061:设GaR、GaG、GaB表示步骤S04中得到的R、G、B通道图像,LLR、LLG、LLB分别表示步骤S05中得到的R、G、B通道图像;
步骤S062:对步骤S04中得到的R、G、B通道图像和步骤S05中得到的R、G、B通道图像;进行线性加权融合,融合结果如下:
ResultR(x,y)=λ·LLR(x,y)·GaR(x,y)+(1-λ)·LLR(x,y);
ResultG(x,y)=λ·LLG(x,y)·GaG(x,y)+(1-λ)·LLG(x,y);
ResultB(x,y)=λ·LLB(x,y)·GaB(x,y)+(1-λ)·LLB(x,y);
其中,λ表示权重系数(0≤λ≤1)。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述步骤S03中的Retinex增强方法中的
进一步地,所述的于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述线性加权融合系数λ在0.7~0.9之间。
本发明与现有技术相比具有以下优势:
针对Retinex算法增强后图像不实现色彩与细节同时增强的效果,并且在增强边缘细节信息的同时带来光晕伪影现象,出现部分噪声被放大以及色彩失真等问题。本发明通过多通道卷积MSRCR算法进行入射分量估计,对入射分量采用Gamma校正实现色彩增强。为了后续细节增强处理,对入射分量进行双边滤波去噪,然后采用拉普拉斯金字塔提取边缘信息,实现细节增强。然后将色彩修正后图像与细节增强图像线性加权融合,实现图像对比度增强。
基于上述理由本发明可在数字图像处理等领域推广应用。
附图说明
为了明确本发明或者技术方案,下面将对实施例或现有技术描述所需采用的附图进行简要概况说明。
图1为本发明的原理示意流程图;
图2为本发明与其他算法针对水下场景图像的增强效果对比图和各算法对应的3D颜色模型图。其中,图2-1表示未经过处理图像;图2-2表示SSR算法处理后效果图;图2-3表示经过MSR算法处理后效果图;图2-4表示经过DCP(Single Image Haze Removal UsingDark Channel Prior)算法处理后效果图;图2-5表示DeHazeNet(DehazeNet:An End-to-End System for Single Image Haze Removal)算法处理后效果图;图2-6表示本发明LP_MSRCR算法处理后效果图。图2-1-1表示未经过处理图像的3D-RGB效果图;图2-1-2表示SSR算法处理后3D-RGB效果图;图2-1-3表示MSR算法处理后3D-RGB效果图;图2-1-4表示DCP算法处理后3D-RGB效果图;图2-1-5表示DeHazeNet算法处理后3D-RGB效果图;图2-1-6表示LP_MSRCR算法处理后3D-RGB效果图。
图3为本发明与其他算法针对海面场景图像的增强效果对比图和各算法对应的3D颜色模型图。其中,图3-1表示未经过处理图像;图3-2表示SSR算法处理后效果图;图3-3表示经过MSR算法处理后效果图;图3-4表示经过DCP算法处理后效果图;图3-5表示DeHazeNet算法处理后效果图;图3-6表示本发明LP_MSRCR算法处理后效果图。图3-1-1表示未经过处理图像的3D-RGB效果图;图3-1-2表示SSR算法处理后3D-RGB效果图;图2-1-3表示MSR算法处理后3D-RGB效果图;图3-1-4表示DCP算法处理后3D-RGB效果图;图3-1-5表示DeHazeNet算法处理后3D-RGB效果图;图3-1-6表示LP_MSRCR算法处理后3D-RGB效果图。
图4为本发明与其他算法针对交通场景雾天图像的增强效果对比图和各算法对应的3D颜色模型图。其中,图4-1表示未经过处理图像;图4-2表示SSR算法处理后效果图;图4-3表示经过MSR算法处理后效果图;图4-4表示经过DCP算法处理后效果图;图4-5表示DeHazeNet算法处理后效果图;图4-6表示本发明LP_MSRCR算法处理后效果图。图4-1-1表示未经过处理图像的3D-RGB效果图;图4-1-2表示SSR算法处理后3D-RGB效果图;图4-1-3表示MSR算法处理后3D-RGB效果图;图4-1-4表示DCP算法处理后3D-RGB效果图;图4-1-5表示DeHazeNet算法处理后3D-RGB效果图;图4-1-6表示LP_MSRCR算法处理后3D-RGB效果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了验证本发明图像增强的有效性,选择不同场景图像作为测试数据集,并与SSR、MSR、DCP算法、DehazeNet算法和LP_MSRCR的实验结果通过主客观两个方面对比分析验证。具体步骤和原理如下:
如图1所示,本发明提供了一种基于拉普拉斯金字塔的Retinex图像增强方法,包括以下步骤:
步骤S01:将输入的原始图像按照R、G、B通道进行分解,获取输入图像的R、G、B通道数据;
步骤S02:对原始图像分解获取的所述R、G、B通道,进行多尺度高斯卷积核卷积,选用3个3*3卷积模板的高斯卷积核卷积,从而获取不同尺度下的3张尺寸相等的细节特征图;
步骤S03:对分解获取R、G、B通道的每个通道得到3种不同尺度的细节特征图像,采用带色彩恢复的多尺度Retinex算法,估算入射分量图像,计算单一尺度下反射分量图像,对反射分量图像加权融合,引入色彩恢复因子,进行色彩恢复,引入量化操作,保证R、G、B三个通道灰度值范围在[0,255],通过MSRCR算法(MSRCR,Multi-Scale Retinex with ColorRestoration)增强处理,得到入射分量R、G、B通道图像和反射分量R、G、B通道图像;
步骤S04:对S03增强后的入射分量R、G、B通道图像进行Gamma校正,调整所述入射分量图像的明暗度,输出色彩增强后的R、G、B通道入射分量图像;
步骤S05:对S03得到的反射分量图像采用双边滤波去噪,然后通过拉普拉斯金字塔进行边缘细节提取,输出细节增强后的R、G、B通道反射分量图像;
步骤S06:将步骤S04中得到的色彩增强后的R、G、B通道反射分量图像添加回步骤S05中得到的所述R、G、B通道细节增强后的反射图像,然后在同步骤S05中得到的所述细节增强图像进行线性加权融合,重建获得最终的增强图像;
在本实施方式中,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S03中的MSRCR算法,实现图像对比度增强,该方法利用颜色恒常理论方法,通过数学计算求解,其理论公式为:
S(x,y)=I(x,y)·F(x,y);
其中,S(x,y)表示人观赏图像;I(x,y)表示入射分量图像;F(x,y)表示反射分量图像。Retinex算法目标是通过利用已知图像信息估算入射分量I(x,y),去除入射分量,从而得到反射分量F(x,y)。
作为一种优选的实施方式,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S03中的Retinex增强方法其公式为:
其中,i表示R\G\B通道;k表示尺度个数;入射光分量I(x,y)可通过高斯滤波卷积方法从S(x,y)中近似求得;表示在第i个通道的处理结果;Gk(x,y)表示多尺度高斯环绕函数;wk表示尺度的权重因子。综合考虑时间复杂度和处理效果,通常尺度k=3,通常设定为低中高三个尺度,低尺度λ<50;中尺度50≤λ<100;高尺度λ≥100。可以理解为在其它的实施方式中,所述低中高的高度设置可以按照实际的情况进行设定,只要能够满足能够考虑到复杂度和处理效果获得更好的处理效果即可。
作为一种优选的实施方式,由于MSR存在颜色失真现象,为解决该问题,引入了色彩恢复因子,使得增强前后图像色感一致。MSRCR算法从量化角度,在色彩偏差调节中通过均值和方差来求解通道的最大最小值,同时引入了一个动态的参数Dynamic,使得在提高色彩保真度的同时对各种场景图像具有更好的自适应性,公式为:
为了保证MSRCR算法增强处理后灰度值在[0,255],增加溢出判断,公式为:
其中Ci(x,y)表示色彩恢复因子;Dynamic表示动态因子(通常Dynamic=2),控制色偏;Mini和Maxi表示第i通道的图像最小值和最大值;和分别为第i通道的均值和均方差操作;表示量化操作之后第i通道的图像。
在本实施方式中,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S04中的Gamma校正定义公式为:
其中,Gai(x,y)表示经过Gamma校正后的入射分量图像;γ表示校正因子。
在本实施方式中,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于:所述步骤S05中的双边滤波去噪过程,双边滤波通过空域和值域相似度对相邻像素权重计算,传递函数表达公式为:
其中,s(f(ξ),f(x))表示亮度相似度;c(ξ,x)表示空间相似度,为ξ和x的欧式距离;kr(x)和kd(x)表示归一化数。
在本实施方式中,双边滤波离散形式公式为:
其中,输入输出函数为函数分别为Bfk(x,y)和Bfk'(x,y),A[m,n,i,j]表示高斯核函数;(i,j)表示当前像素点,(m,n)表示邻域像素点,R(i,j)表示对应像素点的灰度值,δd表示空域滤波器标准差,δr表示灰度滤波器标准差。
Bfi=B_filter(I,G,Sigma_d,Sigma_r,filterRadius);
其中,i表示对应的图像通道,I表示输入图像,G表示I经过归一化处理后的引导图像,sigma_d表示空间域内核时域参数,sigma_r表示内核参数强度变化范围,filterRadius表示双边滤波的半径;
在本实施方式中,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述步骤S05中的拉普拉斯金字塔细节提取过程包括如下步骤:
拉普拉斯金字塔以高斯金字塔为基础,利用高斯金字塔上下两层图像差值得到。高斯金字塔构建过程如下:
其中,N表示高斯金字塔顶层层号;RL表示高斯金字塔的第L层的行数;CL表示高斯金字塔的第L层的列数;ω(m,n)是二维低通滤波器。
作为优选的实施方式,采用内插方式,将Gk进行放大得到从而使与Gk-1尺寸大小相同,对第k层图像Gk进行插值放大,其操作方式公式为:
此时,金字塔第k层被扩充图像与第k-1层图像Gk-1之间的差值公式为:
其中,Bfi表示双边滤波后的效果图,表示MSRCR处理后的图像,Layers表示金字塔的层数,Sigma1表示第一个金字塔的尺度,Radius1表示第一个金字塔的半径,Sigma2表示第二个金字塔的尺度,Radius2表示第二个金字塔的半径,λ表示细节权重系数。
在本实施方式中,所述的基于拉普拉斯金字塔的Retinex图像增强方法,所述步骤S06中的现象加权融合过程包括如下步骤:
步骤S061:设GaR、GaG、GaB表示步骤S04中得到的R、G、B通道图像,LLR、LLG、LLB分别表示步骤S05中得到的R、G、B通道图像;
步骤S062:对步骤S04中得到的R、G、B通道图像和步骤S05中得到的R、G、B通道图像;进行线性加权融合,融合结果如下:
ResultR(x,y)=λ·LLR(x,y)·GaR(x,y)+(1-λ)·LLR(x,y);
ResultG(x,y)=λ·LLG(x,y)·GaG(x,y)+(1-λ)·LLG(x,y);
ResultB(x,y)=λ·LLB(x,y)·GaB(x,y)+(1-λ)·LLB(x,y);
其中,λ表示权重系数(0≤λ≤1)。
进一步地,所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述步骤S03中的Retinex增强方法中的
进一步地,所述的于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述线性加权融合系数λ在0.7~0.9之间。
实施例
如图2所示,本发明提供与其他算法对低空场景的各类算法增强处理后的实验效果图和3D颜色模型。从实验增强后的效果图表明展现的方法都有一定增强效果,提升图像全局的对比度和增强局部细节信息。从3D颜色模型图分析,SSR算法、MSR算法以及He算法增强后的低空图像,出现偏色现象。cai算法以及本发明方法在图像对比度增强同时,色彩较原图原色更丰富。从低空场景局部细节方面,本发明方法处理的跑道的接地区清晰,周围防护区域地面纹理清晰色彩丰富,明暗区域对比度明显。在细节和色彩增强方面明显优于前两者。因此本发明方法增强图像对比度,颜色相对分布均匀,明暗对比度较明显,实现细节增强,保证色彩恒定。
如图3所示,本发明提供了与其他算法对水下场景的实验效果图和3D颜色模型。从实验效果图上分析,SSR算法和MSR算法处理后的水面图颜色偏白,水下图背景颜色偏绿,两种场景下的图像均出现颜色失真;从细节上可以看出,Cai算法和本文算法,细节处理较好,如氧气阀盖颜色对比明显;从3D颜色模型上可以看出,Cai算法以及本文算法,实现图像色彩增强,提升色差丰富性。He算法处理后的水下场景出现偏色现象,整体颜色偏绿。因此本发明方法增强图像对比度,颜色相对分布均匀,明暗对比度较明显,实现细节增强,保证色彩恒定。
如图4所示,本发明提供与其他算法对交通场景的各类算法增强处理后的实验效果图和3D颜色模型。从实验效果图中可以看出展现的算法在一定程度上实现了增强暗区域的同时,提高了全局对比度和局部的细节效果。其中SSR和MSR算法在亮度相差较大的边缘处,出现边缘的锐化程度不足,高光区域细节没有得到明显改善,呈现出明显的偏色效果。He算法处理后的交通图像,出现明显光晕伪影现象。通过3D颜色模型分析,与SSR算法和MSR算法比较,Cai算法的颜色分布更广,因此Cai增强图像色彩,提升整体视觉效果。在本场景图像的局部细节方面,Cai算法和本发明方法处理后图像色彩丰富,本发明方法处理后的桥梁细节、路牌等处对比度明显。因此本发明方法增强图像对比度,颜色相对分布均匀,明暗对比度较明显,实现细节增强,保证色彩恒定。
本实施例为了避免保证评价的可靠性,从平均梯度、信息熵以及边缘强度三个客观指标进行对比分析,具体数据参见表1、表2和表3,其中He方法、Cai方法以及LP_MSRCR方法处理后的图像的三个指标数据值优于原始图像;He、Cai和LP_MSRCR算法的平均梯度、信息熵及清晰度均大于原始图像;虽然SSR和MSR算法的平均梯度和边缘强度均大于原始图像,但是部分图像信息熵小于原始图像,这表明SSR和MSR算法人虽然提升图像的清晰度,但是图像出现偏色现象。为了提升图像色彩信息和细节信息,通过采用MSRCR算法引入色彩恢复因子,同时对入射分量和反射分量分别进行Gamma色彩校正和双边滤波去噪处理、拉普拉斯金字塔细节增强处理。通过平均梯度、信息熵以及边缘强度值可以看出本发明方法优于其他方法客观评价指标,证明本发明方法可以有效提升图像的边缘强度、色彩丰富程度以及细节信息。
表1本发明算法和其他算法处理结果的平均梯度对比
表2本发明算法和其他算法处理结果的信息熵对比
表3本发明算法和其他算法处理结果的边缘强度对比
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (9)
1.一种基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,包含的步骤如下:
步骤S01:将输入的原始图像按照R、G、B通道进行分解,获取输入图像的R、G、B通道数据;
步骤S02:对所述原始图像分解获取的所述R、G、B通道,进行多尺度高斯卷积核卷积,选用3个3*3卷积模板的高斯卷积核卷积,获取不同尺度下的3张尺寸相等的细节特征图;
步骤S03:对所述不同尺度的细节特征图,采用带色彩恢复的多尺度Retinex算法,估算入射分量图像,计算单一尺度下反射分量图像,对所述反射分量图像加权融合,引入色彩恢复因子,进行色彩恢复,引入量化操作,保证R、G、B三个通道灰度值范围在[0,255],通过MSRCR算法(MSRCR,Multi-Scale Retinex with Color Restoration)增强处理,得到入射分量R、G、B通道图像和反射分量R、G、B通道图像;
步骤S04:对S03增强后的入射分量R、G、B通道图像进行Gamma校正,调整所述入射分量图像的明暗度,输出色彩增强后的R、G、B通道入射分量图像;
步骤S05:对S03所述得到的反射分量进行双边滤波去噪,通过拉普拉斯金字塔进行边缘细节提取,输出细节增强后的R、G、B通道反射分量图像;
步骤S06:将步骤S04中得到的所述色彩增强后的R、G、B通道入射分量图像添加回步骤S05中得到的所述细节增强后的R、G、B通道反射分量图像,然后在同步骤S05中得到的所述细节增强图像进行线性加权融合,重建获得最终的增强图像。
2.根据权利要求1所阐述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征还在于:所述步骤S03中的MSRCR算法,所述MSRCR算法通过颜色恒常理论方法实现图像对比度增强,通过数学计算求解,理论公式为:
S(x,y)=I(x,y)·F(x,y);
其中,S(x,y)表示人观赏图像;I(x,y)表示入射分量图像;F(x,y)表示反射分量图像;所述Retinex算法通过已知的图像信息估算所述入射分量I(x,y),去除所述入射分量,从而得到反射分量F(x,y)。
3.根据权利要求1所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征还在于:所述步骤S03中的Retinex增强方法其公式为:
其中,i表示R/G/B通道;k表示尺度个数;所述入射光分量I(x,y)可通过高斯滤波卷积方法从S(x,y)中近似求得;表示在第i个通道的处理结果;Gk(x,y)表示多尺度高斯环绕函数;wk表示尺度的权重因子;综合考虑时间复杂度和处理效果,通常尺度k=3,通常设定为低中高三个尺度,低尺度λ<50;中尺度50≤λ<100;高尺度λ≥100;
由于MSR存在颜色失真现象,引入了色彩恢复因子,所述MSRCR算法从量化角度,在色彩偏差调节中通过均值和方差来求解通道的最大最小值,同时引入了一个动态的参数Dynamic,使得在提高色彩保真度的同时对各种场景图像具有更好的自适应性,表达如下:
为了保证MSRCR算法增强处理后灰度值在[0,255],增加溢出判断,公式为:
其中,Ci(x,y)表示色彩恢复因子;Dynamic表示控制色偏的动态因子,通常Dynamic=2;Mini和Maxi分别表示第i通道的图像最小值和最大值;和分别为第i通道的均值和均方差操作;表示量化操作之后第i通道的图像。
4.根据权利要求1所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征还在于:所述步骤S04中的Gamma校正定义公式为:
其中,Gai(x,y)表示经过Gamma校正后的入射分量图像;γ表示校正因子。
5.根据权利要求1所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征还在于,所述步骤S05中的双边滤波去噪过程,双边滤波通过空域和值域相似度对相邻像素权重计算,传递函数公式为:
其中,s(f(ξ),f(x))表示亮度相似度;c(ξ,x)表示空间相似度,即ξ和x的欧式距离;kr(x)和kd(x)均表示归一化数;
所述双边滤波离散形式公式为:
其中,Bfk(x,y)和Bfk'(x,y)分别表示输入函数及输出函数,A[m,n,i,j]表示高斯核函数;(i,j)表示当前像素点,(m,n)表示邻域像素点,R(i,j)表示对应像素点的灰度值,δd表示空域滤波器标准差,δr表示灰度滤波器标准差;
Bfi=B_filter(I,G,Sigma_d,Sigma_r,filterRadius);
其中,i表示对应的图像通道,I表示输入图像,G表示I经过归一化处理后的引导图像,sigma_d表示空间域内核时域参数,sigma_r表示内核参数强度变化范围,filterRadius表示双边滤波的半径。
6.根据权利要求1所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征还在于,所述步骤S05中的拉普拉斯金字塔细节提取过程包括如下步骤:
拉普拉斯金字塔以高斯金字塔为基础,利用高斯金字塔上下两层图像差值获取;所述高斯金字塔构建过程公式为:
其中,N表示高斯金字塔顶层层号;RL表示高斯金字塔的第L层的行数;CL表示高斯金字塔的第L层的列数;ω(m,n)表示二维低通滤波器;
通过内插方式,将Gk放大得到扩充图像使与Gk-1尺寸大小相同,对第k层图像Gk进行插值放大,扩充图像公式为:
所述高斯金字塔的第k层被所述扩充图像与第k-1层图像Gk-1之间的差值公式为:
其中,Bfi表示双边滤波后的效果图,表示MSRCR处理后的图像,Layers表示金字塔的层数,Sigma1表示第一个金字塔的尺度,Radius1表示第一个金字塔的半径,Sigma2表示第二个金字塔的尺度,Radius2表示第二个金字塔的半径,λ表示细节权重系数。
7.根据权利要求1所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征还在于:所述步骤S06中的现象加权融合过程包括如下步骤:
步骤S061:设GaR、GaG、GaB分别表示所述步骤S04中得到的R、G、B通道图像,LLR、LLG、LLB分别表示所述步骤S05中得到的R、G、B通道图像;
步骤S062:对所述步骤S04中得到的R、G、B通道图像和所述步骤S05中得到的R、G、B通道图像进行线性加权融合,融合结果如下:
ResultR(x,y)=λ·LLR(x,y)·GaR(x,y)+(1-λ)·LLR(x,y);
ResultG(x,y)=λ·LLG(x,y)·GaG(x,y)+(1-λ)·LLG(x,y);
ResultB(x,y)=λ·LLB(x,y)·GaB(x,y)+(1-λ)·LLB(x,y);
其中,λ表示权重系数(0≤λ≤1)。
8.根据权利要求1所述的基于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述步骤S03中的Retinex增强方法中的
9.根据权利要求1所述的于拉普拉斯金字塔的Retinex图像增强方法,其特征在于,所述线性加权融合系数λ在0.7~0.9之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459639.9A CN110175964B (zh) | 2019-05-30 | 2019-05-30 | 一种基于拉普拉斯金字塔的Retinex图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459639.9A CN110175964B (zh) | 2019-05-30 | 2019-05-30 | 一种基于拉普拉斯金字塔的Retinex图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175964A true CN110175964A (zh) | 2019-08-27 |
CN110175964B CN110175964B (zh) | 2022-09-30 |
Family
ID=67696546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910459639.9A Active CN110175964B (zh) | 2019-05-30 | 2019-05-30 | 一种基于拉普拉斯金字塔的Retinex图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175964B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503617A (zh) * | 2019-08-29 | 2019-11-26 | 大连海事大学 | 一种基于高、低频信息融合的水下图像增强方法 |
CN110517327A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种基于颜色校正和对比度拉伸的水下图像增强方法 |
CN110570381A (zh) * | 2019-09-17 | 2019-12-13 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
CN110634112A (zh) * | 2019-10-15 | 2019-12-31 | 中国矿业大学(北京) | 一种双域分解的矿井下含噪声图像的增强方法 |
CN110689587A (zh) * | 2019-10-11 | 2020-01-14 | 大连海事大学 | 一种基于颜色校正和细节增强的水下图像增强方法 |
CN110706174A (zh) * | 2019-09-27 | 2020-01-17 | 集美大学 | 一种图像增强方法、终端设备及存储介质 |
CN110766616A (zh) * | 2019-09-12 | 2020-02-07 | 中国海洋大学 | 一种基于单尺度Retinex方法的水下图像匀光算法 |
CN110889812A (zh) * | 2019-10-11 | 2020-03-17 | 大连海事大学 | 一种多尺度融合图像特征信息的水下图像增强方法 |
CN110969584A (zh) * | 2019-10-12 | 2020-04-07 | 深圳供电局有限公司 | 一种低照度图像增强方法 |
CN111127300A (zh) * | 2020-03-26 | 2020-05-08 | 眸芯科技(上海)有限公司 | 基于图像金字塔分解的去噪方法、装置及系统 |
CN111127377A (zh) * | 2019-12-20 | 2020-05-08 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
CN111179185A (zh) * | 2019-12-04 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于云腌膜和msr的遥感影像色彩纠正方法及系统 |
CN111223060A (zh) * | 2020-01-05 | 2020-06-02 | 西安电子科技大学 | 基于自适应plip模型的图像处理方法 |
CN111292267A (zh) * | 2020-02-04 | 2020-06-16 | 北京锐影医疗技术有限公司 | 一种基于拉普拉斯金字塔的图像主观视觉效果增强方法 |
CN111833274A (zh) * | 2020-07-17 | 2020-10-27 | 中国电子技术标准化研究院 | 一种图像增强方法及计算设备 |
CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
CN112365431A (zh) * | 2020-09-24 | 2021-02-12 | 广东外语外贸大学 | 基于金字塔分解的图像增强方法、装置、设备和存储介质 |
CN112541869A (zh) * | 2020-12-07 | 2021-03-23 | 南京工程学院 | 一种基于matlab实现的Retinex图像去雾方法 |
CN112734673A (zh) * | 2021-01-13 | 2021-04-30 | 山东大学 | 一种基于多表达式融合的低照度图像增强方法及系统 |
CN112734655A (zh) * | 2020-12-24 | 2021-04-30 | 山东师范大学 | 一种基于卷积神经网络图像对crm增强的低光图像增强方法 |
CN112801925A (zh) * | 2021-01-12 | 2021-05-14 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
CN112927160A (zh) * | 2021-03-12 | 2021-06-08 | 郑州轻工业大学 | 一种基于深度Retinex的单张低光图像增强方法 |
CN113012067A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 基于Retinex理论和端到端深度网络的水下图像复原方法 |
CN113297912A (zh) * | 2021-04-26 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种配网现场作业人员图像识别的图像预处理方法 |
CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
CN114565563A (zh) * | 2022-01-31 | 2022-05-31 | 扬州江净空调制造有限公司 | 基于人工智能的彩钢板表面异常检测方法 |
CN115423716A (zh) * | 2022-09-05 | 2022-12-02 | 深圳市新弘途科技有限公司 | 基于多维滤波的图像增强方法、装置、设备及存储介质 |
CN115861134A (zh) * | 2023-02-24 | 2023-03-28 | 长春理工大学 | 一种天基背景下星图处理方法 |
CN117173070A (zh) * | 2023-11-02 | 2023-12-05 | 南昌理工学院 | 一种基于fpga的图像处理融合方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173145A1 (zh) * | 2013-04-23 | 2014-10-30 | 华为技术有限公司 | 一种图像增强方法及设备 |
CN106981053A (zh) * | 2017-03-02 | 2017-07-25 | 天津大学 | 一种基于加权融合的水下图像增强方法 |
CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
CN109191390A (zh) * | 2018-08-03 | 2019-01-11 | 湘潭大学 | 一种基于不同颜色空间多算法融合的图像增强算法 |
CN109816605A (zh) * | 2019-01-16 | 2019-05-28 | 大连海事大学 | 一种基于多通道卷积的msrcr图像去雾方法 |
-
2019
- 2019-05-30 CN CN201910459639.9A patent/CN110175964B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173145A1 (zh) * | 2013-04-23 | 2014-10-30 | 华为技术有限公司 | 一种图像增强方法及设备 |
CN106981053A (zh) * | 2017-03-02 | 2017-07-25 | 天津大学 | 一种基于加权融合的水下图像增强方法 |
CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
CN109191390A (zh) * | 2018-08-03 | 2019-01-11 | 湘潭大学 | 一种基于不同颜色空间多算法融合的图像增强算法 |
CN109816605A (zh) * | 2019-01-16 | 2019-05-28 | 大连海事大学 | 一种基于多通道卷积的msrcr图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
张雪峰等: "基于改进Retinex的图像增强算法", 《南京理工大学学报》 * |
李宏宇等: "基于Retinex改进的夜间图像增强算法", 《长春理工大学学报(自然科学版)》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503617A (zh) * | 2019-08-29 | 2019-11-26 | 大连海事大学 | 一种基于高、低频信息融合的水下图像增强方法 |
CN110503617B (zh) * | 2019-08-29 | 2022-09-30 | 大连海事大学 | 一种基于高、低频信息融合的水下图像增强方法 |
CN110517327A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种基于颜色校正和对比度拉伸的水下图像增强方法 |
CN110517327B (zh) * | 2019-08-30 | 2022-10-04 | 大连海事大学 | 一种基于颜色校正和对比度拉伸的水下图像增强方法 |
CN110766616A (zh) * | 2019-09-12 | 2020-02-07 | 中国海洋大学 | 一种基于单尺度Retinex方法的水下图像匀光算法 |
CN110766616B (zh) * | 2019-09-12 | 2023-05-09 | 中国海洋大学 | 一种基于单尺度Retinex方法的水下图像匀光算法 |
CN110570381A (zh) * | 2019-09-17 | 2019-12-13 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
CN110706174A (zh) * | 2019-09-27 | 2020-01-17 | 集美大学 | 一种图像增强方法、终端设备及存储介质 |
CN110706174B (zh) * | 2019-09-27 | 2022-03-18 | 集美大学 | 一种图像增强方法、终端设备及存储介质 |
CN110689587A (zh) * | 2019-10-11 | 2020-01-14 | 大连海事大学 | 一种基于颜色校正和细节增强的水下图像增强方法 |
CN110889812A (zh) * | 2019-10-11 | 2020-03-17 | 大连海事大学 | 一种多尺度融合图像特征信息的水下图像增强方法 |
CN110889812B (zh) * | 2019-10-11 | 2023-05-09 | 大连海事大学 | 一种多尺度融合图像特征信息的水下图像增强方法 |
CN110689587B (zh) * | 2019-10-11 | 2022-09-30 | 大连海事大学 | 一种基于颜色校正和细节增强的水下图像增强方法 |
CN110969584A (zh) * | 2019-10-12 | 2020-04-07 | 深圳供电局有限公司 | 一种低照度图像增强方法 |
CN110969584B (zh) * | 2019-10-12 | 2023-09-19 | 深圳供电局有限公司 | 一种低照度图像增强方法 |
CN110634112A (zh) * | 2019-10-15 | 2019-12-31 | 中国矿业大学(北京) | 一种双域分解的矿井下含噪声图像的增强方法 |
CN111179185B (zh) * | 2019-12-04 | 2023-07-18 | 中国四维测绘技术有限公司 | 一种基于云腌膜和msr的遥感影像色彩纠正方法及系统 |
CN111179185A (zh) * | 2019-12-04 | 2020-05-19 | 中国资源卫星应用中心 | 一种基于云腌膜和msr的遥感影像色彩纠正方法及系统 |
CN111127377B (zh) * | 2019-12-20 | 2023-04-25 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
CN111127377A (zh) * | 2019-12-20 | 2020-05-08 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
CN111223060B (zh) * | 2020-01-05 | 2021-01-05 | 西安电子科技大学 | 基于自适应plip模型的图像处理方法 |
CN111223060A (zh) * | 2020-01-05 | 2020-06-02 | 西安电子科技大学 | 基于自适应plip模型的图像处理方法 |
CN111292267A (zh) * | 2020-02-04 | 2020-06-16 | 北京锐影医疗技术有限公司 | 一种基于拉普拉斯金字塔的图像主观视觉效果增强方法 |
CN111127300A (zh) * | 2020-03-26 | 2020-05-08 | 眸芯科技(上海)有限公司 | 基于图像金字塔分解的去噪方法、装置及系统 |
CN111833274A (zh) * | 2020-07-17 | 2020-10-27 | 中国电子技术标准化研究院 | 一种图像增强方法及计算设备 |
CN111833274B (zh) * | 2020-07-17 | 2023-12-08 | 中国电子技术标准化研究院 | 一种图像增强方法及计算设备 |
CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
CN112365431A (zh) * | 2020-09-24 | 2021-02-12 | 广东外语外贸大学 | 基于金字塔分解的图像增强方法、装置、设备和存储介质 |
CN112541869A (zh) * | 2020-12-07 | 2021-03-23 | 南京工程学院 | 一种基于matlab实现的Retinex图像去雾方法 |
CN112734655A (zh) * | 2020-12-24 | 2021-04-30 | 山东师范大学 | 一种基于卷积神经网络图像对crm增强的低光图像增强方法 |
CN112734655B (zh) * | 2020-12-24 | 2022-12-27 | 山东师范大学 | 一种基于卷积神经网络图像对crm增强的低光图像增强方法 |
CN112801925B (zh) * | 2021-01-12 | 2023-08-18 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
CN112801925A (zh) * | 2021-01-12 | 2021-05-14 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
CN112734673B (zh) * | 2021-01-13 | 2022-06-21 | 山东大学 | 一种基于多表达式融合的低照度图像增强方法及系统 |
CN112734673A (zh) * | 2021-01-13 | 2021-04-30 | 山东大学 | 一种基于多表达式融合的低照度图像增强方法及系统 |
CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
CN112927160A (zh) * | 2021-03-12 | 2021-06-08 | 郑州轻工业大学 | 一种基于深度Retinex的单张低光图像增强方法 |
CN112927160B (zh) * | 2021-03-12 | 2022-11-18 | 郑州轻工业大学 | 一种基于深度Retinex的单张低光图像增强方法 |
CN113012067A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 基于Retinex理论和端到端深度网络的水下图像复原方法 |
CN113297912A (zh) * | 2021-04-26 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种配网现场作业人员图像识别的图像预处理方法 |
CN114565563B (zh) * | 2022-01-31 | 2022-12-02 | 扬州江净空调制造有限公司 | 基于人工智能的彩钢板表面异常检测方法 |
CN114565563A (zh) * | 2022-01-31 | 2022-05-31 | 扬州江净空调制造有限公司 | 基于人工智能的彩钢板表面异常检测方法 |
CN115423716A (zh) * | 2022-09-05 | 2022-12-02 | 深圳市新弘途科技有限公司 | 基于多维滤波的图像增强方法、装置、设备及存储介质 |
CN115423716B (zh) * | 2022-09-05 | 2024-04-26 | 深圳市新弘途科技有限公司 | 基于多维滤波的图像增强方法、装置、设备及存储介质 |
CN115861134A (zh) * | 2023-02-24 | 2023-03-28 | 长春理工大学 | 一种天基背景下星图处理方法 |
CN117173070A (zh) * | 2023-11-02 | 2023-12-05 | 南昌理工学院 | 一种基于fpga的图像处理融合方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110175964B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175964A (zh) | 一种基于拉普拉斯金字塔的Retinex图像增强方法 | |
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
CN103955905B (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
CN110232661A (zh) | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 | |
CN103578084A (zh) | 基于亮通道滤波的彩色图像增强方法 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
CN110400267A (zh) | 一种基于巡检图像的预处理方法 | |
CN106846263A (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN107330871A (zh) | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 | |
CN107292830A (zh) | 低照度图像增强及评价方法 | |
CN102306384A (zh) | 一种基于单幅图像的颜色恒常性处理方法 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
Huang et al. | Haze removal algorithm for optical remote sensing image based on multi-scale model and histogram characteristic | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
Kim et al. | Single image haze removal using hazy particle maps | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN115937019A (zh) | 一种lsd二次分割和深度学习相结合的不均匀去雾方法 | |
CN115457551A (zh) | 适用于小样本条件的叶片损伤识别方法 | |
CN116797468A (zh) | 基于软边重建的自校准深度曲线估计的低光照图像增强方法 | |
CN109685735B (zh) | 基于雾层平滑先验的单张图片去雾方法 | |
CN113822816A (zh) | 气雾散射模型优化的单张遥感图像去霾方法 | |
CN110111280A (zh) | 一种多尺度梯度域引导滤波的低照度图像增强算法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhou Jingchun Inventor after: Zhang Weishi Inventor after: Zhang Dehuan Inventor after: Zou Peiyu Inventor after: Zhang Weidong Inventor before: Zhang Weishi Inventor before: Zhou Jingchun Inventor before: Zhang Dehuan Inventor before: Zou Peiyu Inventor before: Zhang Weidong |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |