CN110189277A - 一种基于经验模态分解的高动态范围图像可视化方法 - Google Patents
一种基于经验模态分解的高动态范围图像可视化方法 Download PDFInfo
- Publication number
- CN110189277A CN110189277A CN201910486059.9A CN201910486059A CN110189277A CN 110189277 A CN110189277 A CN 110189277A CN 201910486059 A CN201910486059 A CN 201910486059A CN 110189277 A CN110189277 A CN 110189277A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- decomposition
- level image
- dynamic range
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/20208—High dynamic range [HDR] image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于经验模态分解的高动态范围图像可视化方法,涉及动态范围图像可视化方法领域;其包括步骤1:将原始高动态范围图像由RGB空间转换到HSV空间,提取亮度通道V通道作为灰度图像I(x,y);步骤2:对灰度图像I(x,y)进行经验模态多尺度分解,得到分解结果;步骤3:根据分解结果和灰度图像I(x,y)计算局部对比度得到反射分量R(x,y)后,计算照度分量L(x,y);步骤4:对照度分量L(x,y)进行重映射得到新的照度分量L'(x,y),根据反射分量R(x,y)和新的照度分量L'(x,y)进行图像重构,得到色调映射后的图像;本发明解决现有方法强边缘处容易产生光晕和高亮区域出现过饱和现象的问题,达到了保留完整边界的同时滤掉纹理信息、消除光晕和过饱和现象的效果。
Description
技术领域
本发明涉及动态范围图像可视化方法领域,尤其是一种基于经验模态分解的高动态范围图像可视化方法。
背景技术
动态范围指的是场景中最亮处与最暗处之间的亮度比率,即图像从最暗到最亮之间灰度划分的等级数。动态范围越大,说明图像所表示的层次越丰富。常用的电子设备储存的图像为数字图像,通常使用256个亮度值来表示自然界中所有的亮度值。但是,人眼可见的亮度范围远远不止于此,通常为108左右。高动态范围图像可以用来描述真实场景中完整的视觉范围,它能够展现可能被传统低动态范围图像丢失,但能被人类视觉系统感知到的极暗和极亮区域的细节信息。不过由于而传统成像设备的动态范围只有1000:1左右,因此无法显示图像中所包含的全部细节内容。常规的解决方法是利用色调映射技术将高动态范围图像映射到低动态范围中。
色调映射算子通常可以分为全局映射算子和局部映射算子两种类型。全局映射算子又称为空间一致算法,是对图像中所有的像素都经过同样的映射函数来输出,即原图像中具有相同值的像素点经过色调映射变换后的值一定是相同的;常见的全局映射算子有线性压缩、S形变换、直方图均衡等方法,这种映射关系相对局部色调映射算法来说简单、快速、易于实现,但是由于这类算法对整幅图像都是用的同一个映射函数,要找到一条对图像中的每一个像素都有很好的映射效果是非常困难的,容易导致图像中的某些细节的损失。
局部映射算子又称为空域变化算法,它考虑的是图像中每个像素与其邻域的关系。常见的局部映射算子有低曲率图像简化器、梯度域压缩、快速双边滤波器等方法。对于图片中的每一个像素的邻域选取不同的色调映射函数,局部色调映射算法的关键在于如何正确有效的选取像素的邻域。因为如果邻域的大小选取不够合理,就会使得原图像中相邻或者相似的两个像素点经过映射以后的值相差比较大,原图像中相差比较大的像素点的值经过映射以后的像素点的值很相近,这样就会很容易产生光晕和假象。
基于上述问题,采用滤波器过滤纹理的同时保留完整的边界,但是应用于高动态范围图像可视化时,若高亮区域存在非常小的纹理信息,则滤波器无法滤掉纹理信息,非常小的纹理信息则会留在照度分量中,反射分量无对应的纹理信息,将反射分量和照度分量融合时,无纹理信息处会变成纯白色,出现过饱和现象。
发明内容
本发明的目的在于:本发明提供了一种基于经验模态分解的高动态范围图像可视化方法,解决现有方法强边缘处容易产生光晕和高亮区域出现过饱和现象的问题。
本发明采用的技术方案如下:
一种基于经验模态分解的高动态范围图像可视化方法,包括如下步骤:
步骤1:将原始高动态范围图像由RGB空间转换到HSV空间,提取亮度通道V通道作为灰度图像I(x,y);
步骤2:对灰度图像I(x,y)进行经验模态多尺度分解,得到分解结果;
步骤3:根据分解结果和灰度图像I(x,y)计算局部对比度得到反射分量R(x,y)后,计算照度分量L(x,y);
步骤4:对照度分量L(x,y)进行重映射得到新的照度分量L'(x,y),根据反射分量R(x,y)和新的照度分量L'(x,y)进行图像重构,得到色调映射后的图像。
优选地,所述步骤2包括如下步骤:
步骤2.1:构建大小为3*3的窗口;
步骤2.2:利用窗口检测灰度图像中所有满足条件的极大值和极小值点;
步骤2.3:利用上述极大值点和极小值点进行立方插值,得到极大值点包络面MaxEnvelop(x,y)和极小值点包络面MinEnvelop(x,y);
步骤2.4:将MaxEnvelop(x,y)和MinEnvelop(x,y)相加后取平均值,得到第一次分解的结果s1(x,y):
步骤2.5:将第一次分解的结果s1(x,y)作为新的灰度图像,设置窗口的大小为7*7,重复步骤2.2-2.4获得第二次分解结果s2(x,y);
步骤2.6:将第二次分解结果s2(x,y)作为新的灰度图像,设置窗口的大小为11*11,重复步骤2.2-2.4获得第三次分解结果s3(x,y),将s3(x,y)作为分解结果Ls(x,y)。
优选地,所述步骤3包括如下步骤:
步骤3.1:利用分解结果Ls(x,y)和灰度图像I(x,y)计算局部对比度cm,计算如下:
步骤3.2:将局部对比度cm的值缩放在[0,1]内,得到反射分量R(x,y);
步骤3.3:利用灰度图像I(x,y)除以反射分量R(x,y),得到照度分量L(x,y):
优选地,所述步骤4包括如下步骤:
步骤4.1:对照度分量L(x,y)进行重映射,得到新的照度分量L'(x,y):
L'(x,y)=L(x,y)0.45;
步骤4.2:利用反射分量R(x,y)和新的照度分量L'(x,y)得到新的亮度通道I'(x,y):
I'(x,y)=R(x,y)*L'(x,y)
步骤4.3:将新的亮度通道I'(x,y)替代灰度图像I(x,y),并返回到RGB空间,得到色调映射后的结果。
优选地,所述步骤2.2利用窗口检测灰度图像I(x,y)中所有满足条件的极大值和极小值点包括如下步骤:
a)在以像素p为中心的k*k的邻域中,如果最多有k-1个元素大于p,则p点标记为极大值;
b)在以像素p为中心的k*k的邻域中,如果最多有k-1个元素小于p,则p点标记为极小值;
其中,k*k表示窗口的大小。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明对图像进行经验模态分解,保留完整边界的同时滤掉纹理信息,避免了强边缘处产生光晕,同时利用分解结果先计算反射分量,避免高亮区域出现过饱和现象,使图像压缩图像动态范围的同时不丢失亮处细节,更加符合人眼的视觉感观;
2.本发明先从分解结果中求解反射分量,反射分量可以保存高亮区域的细节,先把高亮区域的细节放到反射分量中,再通过反射分量求解照度分量,消除了过饱和现象;另一方面从分解结果先计算反射分量,有效地保留大部分纹理信息,使得估计出的照度图像接近于真实场景中光照的分布情况,细节更突出,整体亮度提升明显;
3.本发明对图像进行经验模态分解,在分解时在计算图像局部极值的时候,若相邻的两个极值相差较大,则记为边界;若相邻的两个极值相差较小,则记为纹理,不仅能区分普通的纹理信息和边界信息,也可以区分高对比度纹理和低对比度边界,从而估算出的照度图像既保留了图像内部区域的局部平滑性,又较好地保留了图像的边界;使得估算出的照度图像更为准确,在提升增强图像的对比度的同时,保留了图像高亮度处的细节,也不会出现光晕现象;
4.本发明分解时对图像进行多次分解,完成对图像进行多尺度分解,得到一个基础层和多个细节层,从而使增强的结果显示出更多的细节信息。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明的流程图;
图2为本发明一幅高动态范围图像直接显示的结果;
图3为本发明由图2计算出的V通道灰度图像;
图4为本发明由图3计算出的反射分量;
图5为本发明由图3和图4计算出的照度分量;
图6为本发明由图5得到重映射后的照度图像;
图7为本发明由图3和图6得到的增强结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
说明:本申请的附图为符合专利法的规定进行去色处理,如需原图后期提供。
实施例1
现有技术中色调映射中全局映射算子采用同一个映射函数,容易导致图像中细节的损失;局部映射算子因领域选取不合理,导致原图像中相邻或者相似的两个像素点经过映射以后的值相差比较大,原图像中相差比较大的像素点的值经过映射以后的像素点的值很相近,即容易产生光晕;针对上述问题,采用滤波器过滤纹理的同时保留完整的边界,避免光晕现象,但是应用于高动态范围图像可视化时,若高亮区域存在非常小的纹理信息,则滤波器无法滤掉此类纹理信息,非常小的纹理信息则会留在照度分量中,反射分量无对应的纹理信息,将反射分量和照度分量融合时,无纹理信息处会变成纯白色,出现过饱和现象。为消除过饱和现象,本申请提供一种基于经验模态分解的高动态范围图像可视化方法,细节如下:
如图1-7所示,一种基于经验模态分解的高动态范围图像可视化方法,包括如下步骤:
步骤1:将原始高动态范围图像由RGB空间转换到HSV空间,提取亮度通道V通道作为灰度图像I(x,y);
步骤2:对灰度图像I(x,y)进行经验模态多尺度分解,得到分解结果;
步骤3:根据分解结果和灰度图像I(x,y)计算局部对比度得到反射分量R(x,y)后,计算照度分量L(x,y);
步骤4:对照度分量L(x,y)进行重映射得到新的照度分量L'(x,y),根据反射分量R(x,y)和新的照度分量L'(x,y)进行图像重构,得到色调映射后的图像。
步骤3包括如下步骤:
步骤3.1:利用分解结果Ls(x,y)和灰度图像I(x,y)计算局部对比度cm,计算如下:
步骤3.2:将局部对比度cm的值缩放在[0,1]内,得到反射分量R(x,y);
步骤3.3:利用灰度图像I(x,y)除以反射分量R(x,y),得到照度分量L(x,y):
本发明对图像进行经验模态分解,保留完整边界的同时滤掉纹理信息,避免了强边缘处产生光晕,同时利用分解结果先计算反射分量,避免高亮区域出现过饱和现象,使图像压缩图像动态范围的同时不丢失亮处细节,更加符合人眼的视觉感观;先从分解结果中求解反射分量,反射分量可以保存高亮区域的细节,先把高亮区域的细节放到反射分量中,再通过反射分量求解照度分量,可消除过饱和现象;另一方面从分解结果先计算反射分量,有效地保留大部分纹理信息,使得估计出的照度图像接近于真实场景中光照的分布情况,细节更突出,整体亮度提升明显。
如图2和7所示,原始高动态范围图像在低动态范围显示设备上直接显示的时候,图像整体风格偏暗,远处的树木湖泊均与人眼观察看到的正常风景有所偏差,下半部分的岩石基本全黑,看不到任何信息;经过色调映射后的图像,整体亮度有所提升,但是整体亮暗关系并没有改变,树木湖泊色彩更加真实,岩石上的纹理清晰,细节明显,图像整体亮暗关系没有改变。
实施例2
基于实施例1,细化多尺度分解,细节如下:
步骤2:对灰度图像I(x,y)进行经验模态多尺度分解,得到分解结果;
步骤2包括如下步骤:
步骤2.1:构建大小为3*3的窗口;
步骤2.2:利用窗口检测灰度图像中所有满足条件的极大值和极小值点;
步骤2.3:利用上述极大值点和极小值点进行立方插值,得到极大值点包络面MaxEnvelop(x,y)和极小值点包络面MinEnvelop(x,y);
步骤2.4:将MaxEnvelop(x,y)和MinEnvelop(x,y)相加后取平均值,得到第一次分解的结果s1(x,y):
步骤2.5:将第一次分解的结果s1(x,y)作为新的灰度图像,设置窗口的大小为7*7,重复步骤2.2-2.4获得第二次分解结果s2(x,y);
步骤2.6:将第二次分解结果s2(x,y)作为新的灰度图像,设置窗口的大小为11*11,重复步骤2.2-2.4获得第三次分解结果s3(x,y),将s3(x,y)作为分解结果Ls(x,y)。
本发明对图像进行经验模态分解,在分解时在计算图像局部极值的时候,若相邻的两个极值相差较大,则记为边界;若相邻的两个极值相差较小,则记为纹理,不仅能区分普通的纹理信息和边界信息,也可以区分高对比度纹理和低对比度边界,从而估算出的照度图像既保留了图像内部区域的局部平滑性,又较好地保留了图像的边界;使得估算出的照度图像更为准确,在提升增强图像的对比度的同时,保留了图像高亮度处的细节,也不会出现光晕现象;对图像进行多次分解,分解时动态调整窗口大小,即利用逐渐增大的窗口对图像进行迭代经验模态分解,在保护图像中边缘信息的同时,不仅能平滑掉比较小的纹理信息,也能平滑大的纹理信息,使得计算出来的反射分量包含绝大部分细节;对图像进行多尺度分解,得到一个基础层和多个细节层,从而使增强的结果显示出更多的细节信息。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于经验模态分解的高动态范围图像可视化方法,其特征在于:包括如下步骤:
步骤1:将原始高动态范围图像由RGB空间转换到HSV空间,提取亮度通道V通道作为灰度图像I(x,y);
步骤2:对灰度图像I(x,y)进行经验模态多尺度分解,得到分解结果;
步骤3:根据分解结果和灰度图像I(x,y)计算局部对比度得到反射分量R(x,y)后,计算照度分量L(x,y);
步骤4:对照度分量L(x,y)进行重映射得到新的照度分量L'(x,y),根据反射分量R(x,y)和新的照度分量L'(x,y)进行图像重构,得到色调映射后的图像。
2.根据权利要求1所述的一种基于经验模态分解的高动态范围图像可视化方法,其特征在于:所述步骤2包括如下步骤:
步骤2.1:构建大小为3*3的窗口;
步骤2.2:利用窗口检测灰度图像中所有满足条件的极大值和极小值点;
步骤2.3:利用上述极大值点和极小值点进行立方插值,得到极大值点包络面MaxEnvelop(x,y)和极小值点包络面MinEnvelop(x,y);
步骤2.4:将MaxEnvelop(x,y)和MinEnvelop(x,y)相加后取平均值,得到第一次分解的结果s1(x,y):
步骤2.5:将第一次分解的结果s1(x,y)作为新的灰度图像,设置窗口的大小为7*7,重复步骤2.2-2.4获得第二次分解结果s2(x,y);
步骤2.6:将第二次分解结果s2(x,y)作为新的灰度图像,设置窗口的大小为11*11,重复步骤2.2-2.4获得第三次分解结果s3(x,y),将s3(x,y)作为分解结果Ls(x,y)。
3.根据权利要求1所述的一种基于经验模态分解的高动态范围图像可视化方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:利用分解结果Ls(x,y)和灰度图像I(x,y)计算局部对比度cm,计算如下:
步骤3.2:将局部对比度cm的值缩放在[0,1]内,得到反射分量R(x,y);
步骤3.3:利用灰度图像I(x,y)除以反射分量R(x,y),得到照度分量L(x,y):
4.根据权利要求1所述的一种基于经验模态分解的高动态范围图像可视化方法,其特征在于:所述步骤4包括如下步骤:
步骤4.1:对照度分量L(x,y)进行重映射,得到新的照度分量L'(x,y):
L'(x,y)=L(x,y)0.45;
步骤4.2:利用反射分量R(x,y)和新的照度分量L'(x,y)得到新的亮度通道I'(x,y):
I'(x,y)=R(x,y)*L'(x,y)
步骤4.3:将新的亮度通道I'(x,y)替代灰度图像I(x,y),并返回到RGB空间,得到色调映射后的结果。
5.根据权利要求2所述的一种基于经验模态分解的高动态范围图像可视化方法,其特征在于:所述步骤2.2利用窗口检测灰度图像I(x,y)中所有满足条件的极大值和极小值点包括如下步骤:
a)在以像素p为中心的k*k的邻域中,如果最多有k-1个元素大于p,则p点标记为极大值;
b)在以像素p为中心的k*k的邻域中,如果最多有k-1个元素小于p,则p点标记为极小值;
其中,k*k表示窗口的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486059.9A CN110189277B (zh) | 2019-06-05 | 2019-06-05 | 一种基于经验模态分解的高动态范围图像可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486059.9A CN110189277B (zh) | 2019-06-05 | 2019-06-05 | 一种基于经验模态分解的高动态范围图像可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189277A true CN110189277A (zh) | 2019-08-30 |
CN110189277B CN110189277B (zh) | 2023-03-31 |
Family
ID=67720431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486059.9A Active CN110189277B (zh) | 2019-06-05 | 2019-06-05 | 一种基于经验模态分解的高动态范围图像可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189277B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129676A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院空间科学与应用研究中心 | 一种基于二维经验模态分解的显微图像融合方法 |
CN103617604A (zh) * | 2013-08-28 | 2014-03-05 | 内蒙古科技大学 | 基于二维经验模态分解方法特征提取的图像的融合方法 |
CN104392427A (zh) * | 2014-12-09 | 2015-03-04 | 哈尔滨工业大学 | 经验模态分解和稀疏表示相结合的sar图像去噪方法 |
CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
CN105765967A (zh) * | 2013-09-30 | 2016-07-13 | 谷歌公司 | 使用第二相机来调节第一相机的设置 |
CN107451974A (zh) * | 2017-07-31 | 2017-12-08 | 北京电子工程总体研究所 | 一种高动态范围图像的自适应再现显示方法 |
CN108898564A (zh) * | 2018-07-06 | 2018-11-27 | 中国科学院光电技术研究所 | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 |
-
2019
- 2019-06-05 CN CN201910486059.9A patent/CN110189277B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129676A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院空间科学与应用研究中心 | 一种基于二维经验模态分解的显微图像融合方法 |
CN103617604A (zh) * | 2013-08-28 | 2014-03-05 | 内蒙古科技大学 | 基于二维经验模态分解方法特征提取的图像的融合方法 |
CN105765967A (zh) * | 2013-09-30 | 2016-07-13 | 谷歌公司 | 使用第二相机来调节第一相机的设置 |
CN104392427A (zh) * | 2014-12-09 | 2015-03-04 | 哈尔滨工业大学 | 经验模态分解和稀疏表示相结合的sar图像去噪方法 |
CN105427269A (zh) * | 2015-12-09 | 2016-03-23 | 西安理工大学 | 一种基于wemd和pcnn的医学图像融合方法 |
CN107451974A (zh) * | 2017-07-31 | 2017-12-08 | 北京电子工程总体研究所 | 一种高动态范围图像的自适应再现显示方法 |
CN108898564A (zh) * | 2018-07-06 | 2018-11-27 | 中国科学院光电技术研究所 | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 |
Non-Patent Citations (5)
Title |
---|
QIAOSONG CHEN等: "Affine Invariant Features-Based Tone Mapping Algorithm for High Dynamic Range Images", 《2014 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》 * |
张宝华等: "基于经验模态分解提取纹理的图像融合算法", 《激光技术》 * |
张彦铎等: "改进的二维经验模式分解方法", 《武汉工程大学学报》 * |
海燕: "基于经验模态分解方法的光声信号处理研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
郭继昌等: "水下图像增强和复原方法研究进展", 《中国图象图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110189277B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
He et al. | Single image haze removal using dark channel prior | |
Banterle et al. | Inverse tone mapping | |
CN105745914B (zh) | 用于逆色调映射的方法和系统 | |
CN106991663B (zh) | 一种基于暗通道理论的水下彩色图像增强方法 | |
US7983502B2 (en) | Viewing wide angle images using dynamic tone mapping | |
WO2024060576A1 (zh) | 一种基于暗通道先验的图像去雾方法 | |
Yee et al. | Segmentation and adaptive assimilation for detail-preserving display of high-dynamic range images | |
CN104331867B (zh) | 图像去雾的方法、装置及移动终端 | |
KR20070086283A (ko) | 이미지 세그먼테이션에 기초한 이미지 렌더링 | |
ES2285566T3 (es) | Procedimiento y sistema para modificar una imagen digital de manera diferenciada y casi regular por pixel. | |
CN106780384A (zh) | 一种适用冷光源腹腔影像参数自适应的实时去烟雾方法 | |
Ke et al. | Single underwater image restoration based on color correction and optimized transmission map estimation | |
Lai et al. | Single image dehazing with optimal transmission map | |
CN110189277A (zh) | 一种基于经验模态分解的高动态范围图像可视化方法 | |
CN103824250A (zh) | 基于gpu的图像色调映射方法 | |
Thakur et al. | Fast tone mapping for high dynamic range images | |
Livingston et al. | Image processing for human understanding in low-visibility | |
JP2013172214A (ja) | 画像処理装置、および画像処理方法、並びにプログラム | |
CN113284058B (zh) | 一种基于迁移理论的水下图像增强方法 | |
Bourdev | Rendering nonphotorealistic strokes with temporal and arc-length coherence | |
CN111028184B (zh) | 一种图像增强方法及系统 | |
CN114429426A (zh) | 一种基于Retinex模型的低照度图像质量改善方法 | |
JP2006186983A (ja) | カラー画像の露出補正方法 | |
Asadi et al. | Improving dark channel prior for single image dehazing |
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 |