CN110298792A - 低光照图像增强与去噪方法、系统及计算机设备 - Google Patents
低光照图像增强与去噪方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN110298792A CN110298792A CN201810243551.9A CN201810243551A CN110298792A CN 110298792 A CN110298792 A CN 110298792A CN 201810243551 A CN201810243551 A CN 201810243551A CN 110298792 A CN110298792 A CN 110298792A
- Authority
- CN
- China
- Prior art keywords
- component
- solving
- image
- objective function
- low
- 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 106
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims description 109
- 238000005286 illumination Methods 0.000 claims description 89
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 35
- 230000000694 effects Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 9
- 235000011941 Tilia x europaea Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000004571 lime Substances 0.000 description 9
- MWGATWIBSKHFMR-UHFFFAOYSA-N 2-anilinoethanol Chemical compound OCCNC1=CC=CC=C1 MWGATWIBSKHFMR-UHFFFAOYSA-N 0.000 description 5
- 125000001475 halogen functional group Chemical group 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002207 retinal effect Effects 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种低光照图像增强与去噪方法、低光照图像增强与去噪系统、计算机设备及计算机可读存储介质,低光照图像增强与去噪方法包括:提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量;根据亮度分量和反射分量得到处理后的图像。本发明提供的技术方案,对于低光照图像,基于Retinex模型和采用贯序分解的方法能够避免交替分解导致的噪声污染问题,并在分解的过程中引入系数矩阵来进一步增强对比和抑制噪声,进而能够对低光照图像同时进行增强和去噪处理。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种低光照图像增强与去噪方法、低光照图像增强与去噪系统、计算机设备及计算机可读存储介质。
背景技术
目前,社交媒体的不断发展增加了人们对于高质量图像的需求,然而环境光线阴暗、背光等因素往往导致大量低光照图像的产生。低光照情况下得到的图像往往具有低清晰度、低对比度、高噪声等特点。尽管先进的摄影设备和专业的摄影技巧可以一定程度减少低光照图像的产生,但是这类问题的出现是不可避免的,此外,还有大量老旧照片也包含上述问题。因此,对于普通消费者来说,通过软件技术手段来对低光照图像进行增强及去噪处理是非常实用的。
通常,对低光照图像的处理方式就是增强,即直接放大低光照图像的亮度,但是这一操作会导致一些其他的问题,比如原本明亮的区域会过饱和,并且丢失一些重要的细节。现有技术中采用直方图均衡化的方法通过对图像直方图的动态范围进行拉伸,使直方图趋于平滑,缓解了上述问题。但是,这类方法会出现过度增强或者增强不够的结果,并且图像中原有的噪声往往也会被增强。
一些研究者发现雾霾图像与取补色后的低光照图像之间具有相似性,所以,使用去雾方法处理低光照图像。对于图像中的强噪声,Li等人试图在增强图像后通过经典的去噪算法BM3D(Block-Matching 3D,三维块匹配算法)来消除。而Zhang等人应用联合双边滤波器以抑制增强后的噪声。这些方法具有一定的效果,但是增强和去噪被视为两个较为独立的过程,增加了步骤的繁琐性。此外,增强与去噪的先后顺序成为关键问题,先增强会导致噪声被放大,降低了去噪方法的有效性,先去噪会导致大量细节被抹去,增强后的结果变得模糊。
近年来,Retinex(视网膜大脑皮层理论)模型被大量研究。Retinex模型认为,人们所见的图像是由反射和亮度构成。该类方法将低光照图像分解为反射图像和亮度图像,再将其改善后生成增强的结果。分解过程中通过对数变换可以简化乘法运算,通过交替拉格朗日乘子法可以求解最优方程。然而,Fu等人发现,对数变换扭曲了图像的比例,为此,他们提出了一个加权变分模型。Guo等人通过在最优方程中添加一个系数矩阵来求解亮度图和反射图。以上方法虽然都取得了较好的结果,但是,也产生了噪声过大,明亮区域过度增强和丢失细节等问题。此外,它们都没有将噪声作为分解过程中的一个组成部分或影响因素。由于噪声更多在反射图中被观察到,交替迭代的求解方法会将反射图中的大量噪声引入到亮度图中。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个方面在于提出了一种低光照图像增强与去噪方法。
本发明的另一个方面在于提出了一种低光照图像增强与去噪系统。
本发明的再一个方面在于提出了一种计算机设备。
本发明的又一个方面在于提出了一种计算机可读存储介质。
有鉴于此,根据本发明的一个方面,提出了一种低光照图像增强与去噪方法,包括:提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量;根据亮度分量和反射分量得到处理后的图像。
本发明提供的低光照图像增强与去噪方法,首先将RGB格式的原始低光照图像转化为YUV格式的低光照图像,再从YUV格式的低光照图像中提取黑白灰度图像作为初始亮度图,即只提取Y信号分量而不提取U、V分量,进一步地,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量,再进一步地,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量,最后,根据亮度分量和反射分量得到经过增强和去噪处理的图像。本技术方案基于Retinex模型和采用贯序分解的方法对低光照图像进行增强和去噪处理,具体地,先使用近似求解的方法求解亮度分量以降低耗时,再根据亮度分量求解反射分量,所以不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题。
根据本发明的上述低光照图像增强与去噪方法,还可以具有以下技术特征:
在上述技术方案中,优选地,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量的步骤,具体包括:计算原始低光照图像的梯度及系数矩阵;根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,并求解反射分量;其中,系数矩阵为增强对比度和抑制噪声的系数矩阵。
在该技术方案中,通过采用贯序分解的方法,即先求解亮度分量,再根据原始低光照图像和亮度分量求解反射分量,能够避免交替分解导致的噪声污染问题,在分解的过程中引入系数矩阵来进一步增强对比和抑制噪声,即在增强图片亮度和对比度的同时有效地抑制了噪声。
在上述任一技术方案中,优选地,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量的步骤,具体包括:对求解亮度分量的目标函数进行求导,令其导数为0,以求解亮度分量;其中,求解亮度分量的目标函数为L为亮度分量,为初始亮度图,α为常数, 为L的梯度值,h为水平梯度分量,v为垂直梯度分量,ε为常数;求解得到的亮度分量为l为L的向量化,为的向量化,I为单位矩阵,Dd为d方向的离散梯度算子,ad为Ad的向量化。
在该技术方案中,通过初始亮度图建立求解亮度分量L的目标函数并求解亮度分量L,具体地,用于保证所得亮度分量L的精度,保证所得亮度分量L是平滑的,通过用替代即目标函数公式为由于此时的目标函数只含有平方项,可以通过对L求导,令其导数为0来求解亮度分量L,用小写字母代表对应矩阵向量化的结果,求解得到的亮度分量为本技术方案通过同时利用贯序分解和近似求解的方法降低了耗时,在约束亮度分量L的梯度时,使用了一范数,从而避免增强结果产生光晕。
其中,表示二范数,||||1表示一范数,α作为参数以平衡两项的权重,设置为0.007时实验效果最佳,表示Σ求和的运算项,分别为当d选取h时的计算结果和d选取v时的计算结果,表示对的d方向分量的每一个元素x进行计算。
在上述任一技术方案中,优选地,原始低光照图像的梯度的计算公式为系数矩阵的计算公式为其中,W为原始低光照图像的梯度,G为系数矩阵,S为原始低光照图像,为S的梯度值,μ、λ和σ均为常数。
在该技术方案中,根据原始低光照图像S能够计算出原始低光照图像S的梯度W和增强对比度和抑制噪声的系数矩阵G,通过在分解的过程中引入系数矩阵G来进一步增强对比和抑制噪声,以得到更高质量的图像。
其中,μ、λ和σ均为常数,通常λ取值为6,σ取值为10。
在上述任一技术方案中,优选地,根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,并求解反射分量的步骤,具体包括:对求解反射分量的目标函数进行求导,令其导数为0,以求解反射分量;其中,求解反射分量的目标函数为R为反射分量,为R的梯度值,β和ω为平衡权重的参数;求解得到的反射分量为r为R的向量化,w为W的向量化,g为G的向量化。
在该技术方案中,根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,求解反射分量的目标函数为由于此时目标函数只含有平方项,可以通过对R求导,令其导数为0来求解,用小写字母代表对应矩阵向量化的结果,得到的反射分量为本技术方案先求解亮度分量L,再根据原始低光照图像S、梯度W、系数矩阵G和亮度分量L建立求解反射分量R的目标函数,进而得到反射分量R,通过采用贯序分解的方法不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题,通过在求解反射分量R时引入梯度W和系数矩阵G能够进一步增强对比和抑制噪声,以使最终得到的图像效果得到保证。
其中,通常β取值为0.01,ω取值为0.016。
在上述任一技术方案中,优选地,根据亮度分量和反射分量得到处理后的图像的步骤,具体包括:调整亮度分量;将调整后的亮度分量与反射分量相乘得到处理后的图像;其中,处理后的图像的计算公式为 为处理后的图像,γ为常数。
在该技术方案中,首先调整亮度分量L,即对亮度分量L进行γ变换,以提升亮度,再将调整后的亮度分量与反射分量R相乘得到处理后的图像本技术方案能够在增强图片亮度和对比度的同时有效地抑制噪声,通过这种处理方式能够得到增强和去噪后的图像,能够满足用户对低光照图像的处理要求。
根据本发明的另一个方面,提出了一种低光照图像增强与去噪系统,包括:提取单元,用于提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;第一求解单元,用于根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;第二求解单元,用于根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量;获取单元,用于根据亮度分量和反射分量得到处理后的图像。
本发明提供的低光照图像增强与去噪系统,首先将RGB格式的原始低光照图像转化为YUV格式的低光照图像,再通过提取单元从YUV格式的低光照图像中提取黑白灰度图像作为初始亮度图,即只提取Y信号分量而不提取U、V分量,进一步地,根据初始亮度图建立求解亮度分量的目标函数,并通过第一求解单元求解亮度分量,再进一步地,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并通过第二求解单元求解反射分量,最后,根据亮度分量和反射分量得到经过增强和去噪处理的图像。本技术方案基于Retinex模型和采用贯序分解的方法对低光照图像进行增强和去噪处理,具体地,先使用近似求解的方法求解亮度分量以降低耗时,再根据亮度分量求解反射分量,所以不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题。
根据本发明的上述低光照图像增强与去噪系统,还可以具有以下技术特征:
在上述技术方案中,优选地,第二求解单元,具体用于:计算原始低光照图像的梯度及系数矩阵;根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,并求解反射分量;其中,系数矩阵为增强对比度和抑制噪声的系数矩阵。
在该技术方案中,通过采用贯序分解的方法,即先求解亮度分量,再根据原始低光照图像和亮度分量求解反射分量,能够避免交替分解导致的噪声污染问题,在分解的过程中引入系数矩阵来进一步增强对比和抑制噪声,即在增强图片亮度和对比度的同时有效地抑制了噪声。
在上述任一技术方案中,优选地,第一求解单元,具体用于:对求解亮度分量的目标函数进行求导,令其导数为0,以求解亮度分量;其中,求解亮度分量的目标函数为L为亮度分量,为初始亮度图,α为常数, 为L的梯度值,h为水平梯度分量,v为垂直梯度分量,ε为常数;求解得到的亮度分量为l为L的向量化,为的向量化,I为单位矩阵,Dd为d方向的离散梯度算子,ad为Ad的向量化。
在该技术方案中,通过初始亮度图建立求解亮度分量L的目标函数并求解亮度分量L,具体地,用于保证所得亮度分量L的精度,保证所得亮度分量L是平滑的,通过用替代即目标函数公式为由于此时的目标函数只含有平方项,可以通过对L求导,令其导数为0来求解亮度分量L,用小写字母代表对应矩阵向量化的结果,求解得到的亮度分量为本技术方案通过同时利用贯序分解和近似求解的方法降低了耗时,在约束亮度分量L的梯度时,使用了一范数,从而避免增强结果产生光晕。
其中,表示二范数,||||1表示一范数,α作为参数以平衡两项的权重,设置为0.007时实验效果最佳,表示Σ求和的运算项,分别为当d选取h时的计算结果和d选取v时的计算结果,表示对的d方向分量的每一个元素x进行计算。
在上述任一技术方案中,优选地,原始低光照图像的梯度的计算公式为系数矩阵的计算公式为其中,W为原始低光照图像的梯度,G为系数矩阵,S为原始低光照图像,为S的梯度值,μ、λ和σ均为常数。
在该技术方案中,根据原始低光照图像S能够计算出原始低光照图像S的梯度W和增强对比度和抑制噪声的系数矩阵G,通过在分解的过程中引入系数矩阵G来进一步增强对比和抑制噪声,以得到更高质量的图像。
其中,μ、λ和σ均为常数,通常λ取值为6,σ取值为10。
在上述任一技术方案中,优选地,第二求解单元,还具体用于:对求解反射分量的目标函数进行求导,令其导数为0,以求解反射分量;其中,求解反射分量的目标函数为R为反射分量,为R的梯度值,β和ω为平衡权重的参数;求解得到的反射分量为r为R的向量化,w为W的向量化,g为G的向量化。
在该技术方案中,根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,求解反射分量的目标函数为由于此时目标函数只含有平方项,可以通过对R求导,令其导数为0来求解,用小写字母代表对应矩阵向量化的结果,得到的反射分量为本技术方案先求解亮度分量L,再根据原始低光照图像S、梯度W、系数矩阵G和亮度分量L建立求解反射分量R的目标函数,进而得到反射分量R,通过采用贯序分解的方法不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题,通过在求解反射分量R时引入梯度W和系数矩阵G能够进一步增强对比和抑制噪声,以使最终得到的图像效果得到保证。
其中,通常β取值为0.01,ω取值为0.016。
在上述任一技术方案中,优选地,获取单元,包括:调整单元,用于调整亮度分量;计算单元,用于将调整后的亮度分量与反射分量相乘得到处理后的图像;其中,处理后的图像的计算公式为 为处理后的图像,γ为常数。
在该技术方案中,首先通过调整单元调整亮度分量L,即对亮度分量L进行γ变换,以提升亮度,再通过计算单元将调整后的亮度分量与反射分量R相乘得到处理后的图像本技术方案能够在增强图片亮度和对比度的同时有效地抑制噪声,通过这种处理方式能够得到增强和去噪后的图像,能够满足用户对低光照图像的处理要求。
根据本发明的再一个方面,提出了一种计算机设备,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,处理器执行计算机程序时实现如上述任一项的低光照图像增强与去噪方法的步骤。
本发明提供的计算机设备,通过处理器执行提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量,根据亮度分量和反射分量得到处理后的图像的步骤。
根据本发明的又一个方面,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的低光照图像增强与去噪方法的步骤。
本发明提供的计算机可读存储介质,通过处理器执行提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量,根据亮度分量和反射分量得到处理后的图像的步骤。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的一个实施例的低光照图像增强与去噪方法的流程示意图;
图2示出了本发明的另一个实施例的低光照图像增强与去噪方法的流程示意图;
图3示出了本发明的再一个实施例的低光照图像增强与去噪方法的流程示意图;
图4示出了本发明的一个实施例的低光照图像增强与去噪系统的示意框图;
图5示出了本发明的另一个实施例的低光照图像增强与去噪系统的示意框图;
图6示出了本发明的一个具体实施例的低光照图像增强与去噪方法的工作过程示意图;
图7a示出了本发明与LIME方法相比,一个图像的效果对比图;
图7b示出了本发明与LIME方法相比,另一个图像的效果对比图;
图8a示出了本发明与现有技术相比,一个图像的效果对比图;
图8b示出了本发明与现有技术相比,另一个图像的效果对比图;
图8c示出了本发明与现有技术相比,再一个图像的效果对比图;
图9示出了本发明的一个实施例的计算机设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
本发明第一方面的实施例,提出一种低光照图像增强与去噪方法,图1示出了本发明的一个实施例的低光照图像增强与去噪方法的流程示意图。其中,该方法包括:
步骤102,提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
步骤104,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;
步骤106,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量;
步骤108,根据亮度分量和反射分量得到处理后的图像。
本发明提供的低光照图像增强与去噪方法,首先将RGB格式的原始低光照图像转化为YUV格式的低光照图像,再从YUV格式的低光照图像中提取黑白灰度图像作为初始亮度图,即只提取Y信号分量而不提取U、V分量,进一步地,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量,再进一步地,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量,最后,根据亮度分量和反射分量得到经过增强和去噪处理的图像。通过基于Retinex模型和采用贯序分解的方法对低光照图像进行增强和去噪处理,具体地,先使用近似求解的方法求解亮度分量以降低耗时,再根据亮度分量求解反射分量,所以不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题。
在本发明的一个实施例中,优选地,图2示出了本发明的另一个实施例的低光照图像增强与去噪方法的流程示意图。其中,该方法包括:
步骤202,提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
步骤204,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;
步骤206,计算原始低光照图像的梯度及系数矩阵;根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,并求解反射分量;其中,系数矩阵为增强对比度和抑制噪声的系数矩阵;
步骤208,根据亮度分量和反射分量得到处理后的图像。
在该实施例中,通过采用贯序分解的方法,即先求解亮度分量,再根据原始低光照图像和亮度分量求解反射分量,能够避免交替分解导致的噪声污染问题,在分解的过程中引入系数矩阵来进一步增强对比和抑制噪声,即在增强图片亮度和对比度的同时有效地抑制了噪声。
在本发明的一个实施例中,优选地,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量的步骤,具体包括:对求解亮度分量的目标函数进行求导,令其导数为0,以求解亮度分量;其中,求解亮度分量的目标函数为L为亮度分量,为初始亮度图,α为常数, 为L的梯度值,h为水平梯度分量,v为垂直梯度分量,ε为常数;求解得到的亮度分量为l为L的向量化,为的向量化,I为单位矩阵,Dd为d方向的离散梯度算子,ad为Ad的向量化。
在该实施例中,通过初始亮度图建立求解亮度分量L的目标函数并求解亮度分量L,具体地,用于保证所得亮度分量L的精度,保证所得亮度分量L是平滑的,通过用替代即目标函数公式为由于此时的目标函数只含有平方项,可以通过对L求导,令其导数为0来求解亮度分量L,用小写字母代表对应矩阵向量化的结果,求解得到的亮度分量为通过同时利用贯序分解和近似求解的方法降低了耗时,在约束亮度分量L的梯度时,使用了一范数,从而避免增强结果产生光晕。
其中,表示二范数,||||1表示一范数,α作为参数以平衡两项的权重,设置为0.007时实验效果最佳,表示Σ求和的运算项,分别为当d选取h时的计算结果和d选取v时的计算结果,表示对的d方向分量的每一个元素x进行计算。
在本发明的一个实施例中,优选地,原始低光照图像的梯度的计算公式为系数矩阵的计算公式为其中,W为原始低光照图像的梯度,G为系数矩阵,S为原始低光照图像,为S的梯度值,μ、λ和σ均为常数。
在该实施例中,根据原始低光照图像S能够计算出原始低光照图像S的梯度W和增强对比度和抑制噪声的系数矩阵G,通过在分解的过程中引入系数矩阵G来进一步增强对比和抑制噪声,以得到更高质量的图像。
其中,μ、λ和σ均为常数,通常λ取值为6,σ取值为10。
在本发明的一个实施例中,优选地,根据原始低光照图像、梯度、系数矩阵和亮度分量建立反射分量的目标函数,并求解反射分量的步骤,具体包括:对求解反射分量的目标函数进行求导,令其导数为0,以求解反射分量;其中,求解反射分量的目标函数为R为反射分量,为R的梯度值,β和ω为平衡权重的参数;求解得到的反射分量为r为R的向量化,w为W的向量化,g为G的向量化。
在该实施例中,根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,求解反射分量的目标函数为由于此时目标函数只含有平方项,可以通过对R求导,令其导数为0来求解,用小写字母代表对应矩阵向量化的结果,得到的反射分量为通过先求解亮度分量L,再根据原始低光照图像S、梯度W、系数矩阵G和亮度分量L建立求解反射分量R的目标函数,进而得到反射分量R,通过采用贯序分解的方法不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题,通过在求解反射分量R时引入梯度W和系数矩阵G能够进一步增强对比和抑制噪声,以使最终得到的图像效果得到保证。
其中,通常β取值为0.01,ω取值为0.016。
在本发明的一个实施例中,优选地,图3示出了本发明的再一个实施例的低光照图像增强与去噪方法的流程示意图。其中,该方法包括:
步骤302,提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
步骤304,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;
步骤306,计算原始低光照图像的梯度及系数矩阵;根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,并求解反射分量;其中,系数矩阵为增强对比度和抑制噪声的系数矩阵;
步骤308,调整亮度分量;将调整后的亮度分量与反射分量相乘得到处理后的图像;其中,处理后的图像的计算公式为 为处理后的图像,γ为常数。
在该实施例中,首先调整亮度分量L,即对亮度分量L进行γ变换,以提升亮度,再将调整后的亮度分量与反射分量R相乘得到处理后的图像能够在增强图片亮度和对比度的同时有效地抑制噪声,通过这种处理方式能够得到增强和去噪后的图像,能够满足用户对低光照图像的处理要求。
本发明第二方面的实施例,提出一种低光照图像增强与去噪系统,图4示出了本发明的一个实施例的低光照图像增强与去噪系统400的示意框图。其中,该系统包括:
提取单元402,用于提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
第一求解单元404,用于根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;
第二求解单元406,用于根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量;
获取单元408,用于根据亮度分量和反射分量得到处理后的图像。
本发明提供的低光照图像增强与去噪系统400,首先将RGB格式的原始低光照图像转化为YUV格式的低光照图像,再通过提取单元402从YUV格式的低光照图像中提取黑白灰度图像作为初始亮度图,即只提取Y信号分量而不提取U、V分量,进一步地,根据初始亮度图建立求解亮度分量的目标函数,并通过第一求解单元404求解亮度分量,再进一步地,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并通过第二求解单元406求解反射分量,最后,根据亮度分量和反射分量得到经过增强和去噪处理的图像。通过基于Retinex模型和采用贯序分解的方法对低光照图像进行增强和去噪处理,具体地,先使用近似求解的方法求解亮度分量以降低耗时,再根据亮度分量求解反射分量,所以不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题。
在本发明的一个实施例中,优选地,第二求解单元406,具体用于:计算原始低光照图像的梯度及系数矩阵;根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,并求解反射分量;其中,系数矩阵为增强对比度和抑制噪声的系数矩阵。
在该实施例中,通过采用贯序分解的方法,即先求解亮度分量,再根据原始低光照图像和亮度分量求解反射分量,能够避免交替分解导致的噪声污染问题,在分解的过程中引入系数矩阵来进一步增强对比和抑制噪声,即在增强图片亮度和对比度的同时有效地抑制了噪声。
在本发明的一个实施例中,优选地,第一求解单元404,具体用于:对求解亮度分量的目标函数进行求导,令其导数为0,以求解亮度分量;其中,求解亮度分量的目标函数为L为亮度分量,为初始亮度图,α为常数, 为L的梯度值,h为水平梯度分量,v为垂直梯度分量,ε为常数;求解得到的亮度分量为l为L的向量化,为的向量化,I为单位矩阵,Dd为d方向的离散梯度算子,ad为Ad的向量化。
在该实施例中,通过初始亮度图建立求解亮度分量L的目标函数并求解亮度分量L,具体地,用于保证所得亮度分量L的精度,保证所得亮度分量L是平滑的,通过用替代即目标函数公式为由于此时的目标函数只含有平方项,可以通过对L求导,令其导数为0来求解亮度分量L,用小写字母代表对应矩阵向量化的结果,求解得到的亮度分量为通过同时利用贯序分解和近似求解的方法降低了耗时,在约束亮度分量L的梯度时,使用了一范数,从而避免增强结果产生光晕。
其中,表示二范数,||||1表示一范数,α作为参数以平衡两项的权重,设置为0.007时实验效果最佳,表示Σ求和的运算项,分别为当d选取h时的计算结果和d选取v时的计算结果,表示对的d方向分量的每一个元素x进行计算。
在本发明的一个实施例中,优选地,原始低光照图像的梯度的计算公式为系数矩阵的计算公式为其中,W为原始低光照图像的梯度,G为系数矩阵,S为原始低光照图像,为S的梯度值,μ、λ和σ均为常数。
在该实施例中,根据原始低光照图像S能够计算出原始低光照图像S的梯度W和增强对比度和抑制噪声的系数矩阵G,通过在分解的过程中引入系数矩阵G来进一步增强对比和抑制噪声,以得到更高质量的图像。
其中,μ、λ和σ均为常数,通常λ取值为6,σ取值为10。
在本发明的一个实施例中,优选地,第二求解单元406,还具体用于:对求解反射分量的目标函数进行求导,令其导数为0,以求解反射分量;其中,求解反射分量的目标函数为R为反射分量,为R的梯度值,β和ω为平衡权重的参数;求解得到的反射分量为r为R的向量化,w为W的向量化,g为G的向量化。
在该实施例中,根据原始低光照图像、梯度、系数矩阵和亮度分量建立求解反射分量的目标函数,求解反射分量的目标函数为由于此时目标函数只含有平方项,可以通过对R求导,令其导数为0来求解,用小写字母代表对应矩阵向量化的结果,得到的反射分量为通过先求解亮度分量L,再根据原始低光照图像S、梯度W、系数矩阵G和亮度分量L建立求解反射分量R的目标函数,进而得到反射分量R,通过采用贯序分解的方法不会将反射图中的大量噪声引入到亮度图中,能够避免交替分解导致的噪声污染问题,通过在求解反射分量R时引入梯度W和系数矩阵G能够进一步增强对比和抑制噪声,以使最终得到的图像效果得到保证。
其中,通常β取值为0.01,ω取值为0.016。
在本发明的一个实施例中,优选地,图5示出了本发明的另一个实施例的低光照图像增强与去噪系统500的示意框图。其中,该系统包括:
提取单元502,用于提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
第一求解单元504,用于根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量;
第二求解单元506,用于根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量;
获取单元508,包括调整单元510和计算单元512;获取单元508用于根据亮度分量和反射分量得到处理后的图像;调整单元510用于调整亮度分量;计算单元512用于将调整后的亮度分量与反射分量相乘得到处理后的图像;其中,处理后的图像的计算公式为 为处理后的图像,γ为常数。
在该实施例中,首先通过调整单元调整亮度分量L,即对亮度分量L进行γ变换,以提升亮度,再通过计算单元将调整后的亮度分量与反射分量R相乘得到处理后的图像能够在增强图片亮度和对比度的同时有效地抑制噪声,通过这种处理方式能够得到增强和去噪后的图像,能够满足用户对低光照图像的处理要求。
在本发明的一个具体实施例中,图6示出了本发明的低光照图像增强与去噪方法的工作过程示意图,其中,该工作过程包括:
提取原始低光照图像S的YUV格式中的黑白灰度图像作为初始亮度图根据初始亮度图得到亮度分量L,根据原始低光照图像S得到原始低光照图像S的梯度W和增强对比度和抑制噪声的系数矩阵G,根据原始低光照图像S、梯度W、系数矩阵G和亮度分量L得到反射分量R,根据亮度分量L和反射分量R得到处理后的图像
图7a至图7b示出了本发明与LIME方法相比,图像的效果对比图,其中,第一行图像依次为原始低光照图像、本发明得到的亮度图、本发明得到的反射图和本发明处理后得到的最终图像;第二行图像依次为原始低光照图像、LIME方法得到的亮度图、LIME方法得到的反射图和LIME方法处理后得到的最终图像。通过观察可知,LIME方法虽然可以增强图像亮度,但因为采用交替求解的方法,存在噪声污染问题。
图8a至图8c示出了本发明与现有技术相比,图像的效果对比图。其中,图8a和图8b中,(1)为原始低光照图像,(2)为HE方法处理得到的图像,(3)为SRIE方法处理得到的图像,(4)为NPEA方法处理得到的图像,(5)为LIME方法处理得到的图像,(6)为本发明处理得到的图像;图8c中,(1)为原始低光照图像,(2)为PIE方法处理得到的图像,(3)为HE方法处理得到的图像,(4)为LIME方法处理得到的图像,(5)为NPEA方法处理得到的图像,(6)为本发明处理得到的图像。通过观察可知,HE方法通过对图像直方图的动态范围进行拉伸,使直方图趋于平滑,但会出现过度增强或者增强不够的结果,并且图像中原有的噪声往往也会被增强;SRIE方法、NPEA方法和PIE方法,都是基于Retinex模型,以上方法虽然都取得了较好的结果,但也产生了噪声过大,明亮区域过度增强和丢失细节等问题。
本发明第三方面的实施例,提出一种计算机设备,图9示出了本发明的一个实施例的计算机设备900的示意框图。其中,计算机设备900包括:
存储器902、处理器904及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如上述任一项的低光照图像增强与去噪方法的步骤。
本发明提供的计算机设备900,通过处理器904执行提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量,根据亮度分量和反射分量得到处理后的图像的步骤。本发明第四方面的实施例,提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的低光照图像增强与去噪方法的步骤。
本发明第四方面的实施例,提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的低光照图像增强与去噪方法的步骤。
本发明提供的计算机可读存储介质,通过处理器904执行提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图,根据初始亮度图建立求解亮度分量的目标函数,并求解亮度分量,根据原始低光照图像和亮度分量建立求解反射分量的目标函数,并求解反射分量,根据亮度分量和反射分量得到处理后的图像的步骤。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种低光照图像增强与去噪方法,其特征在于,包括:
提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
根据所述初始亮度图建立求解亮度分量的目标函数,并求解所述亮度分量;
根据所述原始低光照图像和所述亮度分量建立求解反射分量的目标函数,并求解所述反射分量;
根据所述亮度分量和所述反射分量得到处理后的图像。
2.根据权利要求1所述的低光照图像增强与去噪方法,其特征在于,所述根据所述原始低光照图像和所述亮度分量建立求解反射分量的目标函数,并求解所述反射分量的步骤,具体包括:
计算所述原始低光照图像的梯度及系数矩阵;
根据所述原始低光照图像、所述梯度、所述系数矩阵和所述亮度分量建立所述求解反射分量的目标函数,并求解所述反射分量;
其中,所述系数矩阵为增强对比度和抑制噪声的系数矩阵。
3.根据权利要求1或2所述的低光照图像增强与去噪方法,其特征在于,所述根据所述初始亮度图建立求解亮度分量的目标函数,并求解所述亮度分量的步骤,具体包括:
对所述求解亮度分量的目标函数进行求导,令其导数为0,以求解所述亮度分量;
其中,所述求解亮度分量的目标函数为L为所述亮度分量,为所述初始亮度图,α为常数, 为L的梯度值,h为水平梯度分量,v为垂直梯度分量,ε为常数;
求解得到的所述亮度分量为l为L的向量化,为的向量化,I为单位矩阵,Dd为d方向的离散梯度算子,ad为Ad的向量化。
4.根据权利要求2所述的低光照图像增强与去噪方法,其特征在于,所述原始低光照图像的梯度的计算公式为
所述系数矩阵的计算公式为
其中,W为所述原始低光照图像的梯度,G为所述系数矩阵,S为所述原始低光照图像,为S的梯度值,μ、λ和σ均为常数。
5.根据权利要求4所述的低光照图像增强与去噪方法,其特征在于,所述根据所述原始低光照图像、所述梯度、所述系数矩阵和所述亮度分量建立求解反射分量的目标函数,并求解所述反射分量的步骤,具体包括:
对所述求解反射分量的目标函数进行求导,令其导数为0,以求解所述反射分量;
其中,所述求解反射分量的目标函数为R为所述反射分量,为R的梯度值,β和ω为平衡权重的参数;
求解得到的所述反射分量为r为R的向量化,w为W的向量化,g为G的向量化。
6.根据权利要求2所述的低光照图像增强与去噪方法,其特征在于,所述根据所述亮度分量和所述反射分量得到处理后的图像的步骤,具体包括:
调整所述亮度分量;
将调整后的所述亮度分量与所述反射分量相乘得到所述处理后的图像;
其中,所述处理后的图像的计算公式为 为所述处理后的图像,γ为常数。
7.一种低光照图像增强与去噪系统,其特征在于,包括:
提取单元,用于提取原始低光照图像YUV格式中的黑白灰度图像作为初始亮度图;
第一求解单元,用于根据所述初始亮度图建立求解亮度分量的目标函数,并求解所述亮度分量;
第二求解单元,用于根据所述原始低光照图像和所述亮度分量建立求解反射分量的目标函数,并求解所述反射分量;
获取单元,用于根据所述亮度分量和所述反射分量得到处理后的图像。
8.根据权利要求7所述的低光照图像增强与去噪系统,其特征在于,所述第二求解单元,具体用于:
计算所述原始低光照图像的梯度及系数矩阵;
根据原始低光照图像、所述梯度、所述系数矩阵和所述亮度分量建立所述求解反射分量的目标函数,并求解所述反射分量;
其中,所述系数矩阵为增强对比度和抑制噪声的系数矩阵。
9.根据权利要求7或8所述的低光照图像增强与去噪系统,其特征在于,所述第一求解单元,具体用于:
对所述求解亮度分量的目标函数进行求导,令其导数为0,以求解所述亮度分量;
其中,所述求解亮度分量的目标函数为L为所述亮度分量,为所述初始亮度图,α为常数, 为L的梯度值,h为水平梯度分量,v为垂直梯度分量,ε为常数;
求解得到的所述亮度分量为l为L的向量化,为的向量化,I为单位矩阵,Dd为d方向的离散梯度算子,ad为Ad的向量化。
10.根据权利要求8所述的低光照图像增强与去噪系统,其特征在于,所述原始低光照图像的梯度的计算公式为
所述系数矩阵的计算公式为
其中,W为所述原始低光照图像的梯度,G为所述系数矩阵,S为所述原始低光照图像,为S的梯度值,μ、λ和σ均为常数。
11.根据权利要求10所述的低光照图像增强与去噪系统,其特征在于,所述第二求解单元,还具体用于:
对所述求解反射分量的目标函数进行求导,令其导数为0,以求解所述反射分量;
其中,所述求解反射分量的目标函数为R为所述反射分量,为R的梯度值,β和ω为平衡权重的参数;
求解得到的所述反射分量为r为R的向量化,w为W的向量化,g为G的向量化。
12.根据权利要求8所述的低光照图像增强与去噪系统,其特征在于,所述获取单元,包括:
调整单元,用于调整所述亮度分量;
计算单元,用于将调整后的所述亮度分量与所述反射分量相乘得到所述处理后的图像;
其中,所述处理后的图像的计算公式为 为所述处理后的图像,γ为常数。
13.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的低光照图像增强与去噪方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的低光照图像增强与去噪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810243551.9A CN110298792B (zh) | 2018-03-23 | 2018-03-23 | 低光照图像增强与去噪方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810243551.9A CN110298792B (zh) | 2018-03-23 | 2018-03-23 | 低光照图像增强与去噪方法、系统及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298792A true CN110298792A (zh) | 2019-10-01 |
CN110298792B CN110298792B (zh) | 2021-08-17 |
Family
ID=68025775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810243551.9A Expired - Fee Related CN110298792B (zh) | 2018-03-23 | 2018-03-23 | 低光照图像增强与去噪方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298792B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724332A (zh) * | 2020-06-09 | 2020-09-29 | 四川大学 | 一种适用于密闭腔体检测的图像增强方法及系统 |
CN111899197A (zh) * | 2020-08-05 | 2020-11-06 | 广州市百果园信息技术有限公司 | 一种图像增亮去噪方法、装置、移动终端和存储介质 |
CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
CN112686804A (zh) * | 2020-12-29 | 2021-04-20 | 中国矿业大学 | 面向矿井低光照环境的图像超分辨率重建方法及装置 |
CN114331937A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 基于反馈迭代调节的低光照条件下多源图像融合方法 |
CN114723638A (zh) * | 2022-04-29 | 2022-07-08 | 西安理工大学 | 基于Retinex模型的极低照度图像增强方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916936B2 (en) * | 2005-08-30 | 2011-03-29 | Brother Kogyo Kabushiki Kaisha | Image-processing method |
CN102231206A (zh) * | 2011-07-14 | 2011-11-02 | 浙江理工大学 | 适用于汽车辅助驾驶系统的彩色夜视图像亮度增强方法 |
CN103177424A (zh) * | 2012-12-07 | 2013-06-26 | 西安电子科技大学 | 一种低照度图像的增强和去噪方法 |
US20150063718A1 (en) * | 2013-08-30 | 2015-03-05 | Qualcomm Incorported | Techniques for enhancing low-light images |
CN107507138A (zh) * | 2017-07-27 | 2017-12-22 | 北京大学深圳研究生院 | 一种基于Retinex模型的水下图像增强方法 |
CN107527332A (zh) * | 2017-10-12 | 2017-12-29 | 长春理工大学 | 基于改进Retinex的低照度图像色彩保持增强方法 |
CN108447036A (zh) * | 2018-03-23 | 2018-08-24 | 北京大学 | 一种基于卷积神经网络的低光照图像增强方法 |
-
2018
- 2018-03-23 CN CN201810243551.9A patent/CN110298792B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916936B2 (en) * | 2005-08-30 | 2011-03-29 | Brother Kogyo Kabushiki Kaisha | Image-processing method |
CN102231206A (zh) * | 2011-07-14 | 2011-11-02 | 浙江理工大学 | 适用于汽车辅助驾驶系统的彩色夜视图像亮度增强方法 |
CN103177424A (zh) * | 2012-12-07 | 2013-06-26 | 西安电子科技大学 | 一种低照度图像的增强和去噪方法 |
US20150063718A1 (en) * | 2013-08-30 | 2015-03-05 | Qualcomm Incorported | Techniques for enhancing low-light images |
CN107507138A (zh) * | 2017-07-27 | 2017-12-22 | 北京大学深圳研究生院 | 一种基于Retinex模型的水下图像增强方法 |
CN107527332A (zh) * | 2017-10-12 | 2017-12-29 | 长春理工大学 | 基于改进Retinex的低照度图像色彩保持增强方法 |
CN108447036A (zh) * | 2018-03-23 | 2018-08-24 | 北京大学 | 一种基于卷积神经网络的低光照图像增强方法 |
Non-Patent Citations (2)
Title |
---|
MADING LI 等: "Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model", 《 IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
SEONHEE PARK 等: "Dual Autoencoder Network for Retinex-Based Low-Light Image Enhancement", 《IEEE ACCESS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724332A (zh) * | 2020-06-09 | 2020-09-29 | 四川大学 | 一种适用于密闭腔体检测的图像增强方法及系统 |
CN111724332B (zh) * | 2020-06-09 | 2023-10-31 | 四川大学 | 一种适用于密闭腔体检测的图像增强方法及系统 |
CN111899197A (zh) * | 2020-08-05 | 2020-11-06 | 广州市百果园信息技术有限公司 | 一种图像增亮去噪方法、装置、移动终端和存储介质 |
CN111899197B (zh) * | 2020-08-05 | 2024-04-30 | 广州市百果园信息技术有限公司 | 一种图像增亮去噪方法、装置、移动终端和存储介质 |
CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
CN112686804A (zh) * | 2020-12-29 | 2021-04-20 | 中国矿业大学 | 面向矿井低光照环境的图像超分辨率重建方法及装置 |
CN112686804B (zh) * | 2020-12-29 | 2024-08-27 | 中国矿业大学 | 面向矿井低光照环境的图像超分辨率重建方法及装置 |
CN114331937A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 基于反馈迭代调节的低光照条件下多源图像融合方法 |
CN114723638A (zh) * | 2022-04-29 | 2022-07-08 | 西安理工大学 | 基于Retinex模型的极低照度图像增强方法 |
CN114723638B (zh) * | 2022-04-29 | 2023-03-10 | 西安理工大学 | 基于Retinex模型的极低照度图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298792B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298792B (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
US11127122B2 (en) | Image enhancement method and system | |
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
CN105931201B (zh) | 一种基于小波变换的图像主观视觉效果增强方法 | |
Lai et al. | Improved local histogram equalization with gradient-based weighting process for edge preservation | |
CN102509272A (zh) | 一种基于颜色恒常性的彩色图像增强方法 | |
CN106651818A (zh) | 基于改进的直方图均衡化低照度图像增强算法 | |
CN105654433A (zh) | 基于改进多尺度Retinex的彩色图像增强方法 | |
CN111968041A (zh) | 一种自适应图像增强方法 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
CN106780417A (zh) | 一种光照不均图像的增强方法及系统 | |
CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
CN109272470B (zh) | 一种图像增强方法及装置 | |
CN105205794A (zh) | 一种低照度图像的同步增强去噪方法 | |
Peng et al. | Multi-algorithm fusion of RGB and HSV color spaces for image enhancement | |
CN111968065A (zh) | 一种亮度不均匀图像的自适应增强方法 | |
Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
CN107644409A (zh) | 图像增强方法、显示装置及计算机可读存储介质 | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及系统 | |
CN107358578B (zh) | 一种阴阳脸处理方法和装置 | |
CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
CN114140344A (zh) | 一种低照度图像的图像增强方法及系统 | |
CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230410 Address after: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee after: Peking University Address before: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee before: Peking University Patentee before: PEKING UNIVERSITY FOUNDER GROUP Co.,Ltd. Patentee before: BEIJING FOUNDER ELECTRONICS Co.,Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210817 |