CN110675336A - 一种低照度图像增强方法及装置 - Google Patents
一种低照度图像增强方法及装置 Download PDFInfo
- Publication number
- CN110675336A CN110675336A CN201910837083.2A CN201910837083A CN110675336A CN 110675336 A CN110675336 A CN 110675336A CN 201910837083 A CN201910837083 A CN 201910837083A CN 110675336 A CN110675336 A CN 110675336A
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- neural network
- low
- convolutional neural
- 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.)
- Pending
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 272
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 129
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims description 102
- 238000004590 computer program Methods 0.000 claims description 19
- 238000002310 reflectometry Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
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 Analysis (AREA)
Abstract
本发明提供了低照度图像增强方法及装置,包括:获取n个样本对;将n个样本对输入第一卷积神经网络,使第一卷积神经网络输出正常图像的光照图像和反射图像,以及输出低照度图像的光照图像和反射图像,并以第一卷积神经网络的损失函数对第一卷积神经网络进行训练;将低照度图像的光照图像和反射图像输入第二卷积神经网络,使第二卷积神经网络输出增强后的光照图像,以及将增强后的光照图像与低照度图像的反射图像重构,得到重构后的增强图像,并以第二卷积神经网络的损失函数对第二卷积神经网络训练;将待增强的低照度图像依次输入训练好的第一、第二卷积神经网络中,得到增强后的图像,从而可提高图像增强的处理效率,获得更清晰的增强图像。
Description
技术领域
本发明属于计算机视觉与智慧交通技术领域,具体是涉及到一种低照度图像增强方法、装置、终端设备及计算机可读介质。
背景技术
低照度环境下拍摄的图像常存在曝光不足致使图像整体偏暗,视觉效果模糊,很大程度上影响了对图像信息的提取和分析。图像增强是一种常用的图像处理技术,可提高图像的对比度,从而改善图像视觉效果。
Retinex理论认为色彩恒常性是由视网膜与大脑皮层共同作用的结果,将待增强图像看做是由反射光分量和入射光分量两部分组成,通过像素之间的像素值比较得到入射光分量估计,称为光照估计,然后从原始图像中去除或校正光照分量,从而实现对原始图像的增强。Retinex理论是一种颜色恒常知觉的计算理论,Retinex是一个合成词,它的构成是retina(视网膜)+cortex(皮层)→Retinex。目前基于Retinex理论处理低照度图像大部分都采用传统算法,例如基于Retinex理论的非线性图像增强方法及其系统(CN104346776B)公开了一种通过梯度域变换的保边滤波方式获取图像的光照分量,然后对图像的光照分量进行动态范围调整,最后根据调整后的光照分量生成增强图像的方法。这些方法虽然能提升增强效果,但对图像还原不够真实,且处理效率低。
发明内容
有鉴于此,本发明实施例提供一种低照度图像增强方法、装置、终端设备及计算机可读介质,能够提高图像增强的处理效率,获得更清晰的增强图像。
本发明实施例的第一方面提供了一种低照度图像增强方法,包括:
获取n个样本对;所述样本对包括低照度图像和正常图像;
将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;其中,所述第一卷积神经网络的损失函数包括所述正常图像的光照图像I1和反射图像R1,以及所述低照度图像的光照图像I2和反射图像R2;
将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练;其中,所述第二卷积神经网络的损失函数包括所述增强后的光照图像以及所述重构后的增强图像;
将待增强的低照度图像依次输入训练好的第一神经网络、第二卷积神经网络中,得到增强后的图像。
本发明实施例的第二方面提供了一种低照度图像增强装置,包括:
获取模块,用于获取n个样本对;所述样本对包括低照度图像和正常图像;
第一训练模块,用于将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;其中,所述第一卷积神经网络的损失函数包括所述正常图像的光照图像I1和反射图像R1,以及所述低照度图像的光照图像I2和反射图像R2;
第二训练模块,用于将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练;其中,所述第二卷积神经网络的损失函数包括所述增强后的光照图像以及所述重构后的增强图像;
增强模块,用于将待增强的低照度图像依次输入训练好的第一卷积神经网络、第二卷积神经网络中,得到增强后的图像。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述低照度图像增强方法的步骤。
本发明实施例的第六方面提供了一种计算机可读介质,所述计算机可读介质存储有计算机程序,所述计算机程序被处理执行时实现上述低照度图像增强方法的步骤。
本发明实施例提供的低照度图像增强方法中,可获取n个样本对,将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练,还将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练,最后可将待增强的低照度图像依次输入训练好的第一神经网络、第二卷积神经网络中,得到增强后的图像,从而可提高图像增强的处理效率,获得更清晰的增强图像。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种低照度图像增强方法的流程图;
图2是本发明实施例提供的第一卷积神经网络的结构示意图;
图3是本发明实施例提供的第二卷积神经网络的结构示意图;
图4是本发明实施例提供的一种低照度图像增强装置的结构示意图;
图5是图4中的第一训练模块的细化结构示意图;
图6是图4中的第二训练模块的细化结构示意图;
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
请参阅图1,图1是本发明实施例提供的一种低照度图像增强方法。如图1所示,本实施例的图像增强方法包括以下步骤:
S101:获取n个样本对。
在本发明实施例中,可利用图像采集设备(例如,单反相机)的不同的光圈值和感光度拍摄第一场景,获得所述第一场景的一个低照度图像和一个正常图像,作为第一样本对,利用图像采集设备的不同的光圈值和感光度拍摄第二场景,获得所述第二场景的一个低照度图像和一个正常图像,作为第二样本对,以此类推,从而获取n个样本对。需要指出的是,所述正常图像的照度大于所述低照度图像的照度。
S102:将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练。
具体地,根据Retinex理论,任何一幅图像都可以分解为光照图像和反射图像,且反射图像由物体本身性质决定,光照图像则受外界环境影响,因此,同一场景的低照度图像和正常图像有相同的反射图像。根据这一理论,可在将所述n个样本对输入第一卷积神经网络中之后,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使第一卷积神经网络学习自动分解,输出正常图像的光照图像I1和反射图像R1,以及低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练,以得到训练好的第一卷积神经网络。
第一卷积神经网络如图2所述,包括5层卷积层和1个sigmoid(S形)层,卷积层用于提取图像特征,利用relu函数(线性整流函数)激活可将特征映射到光照图像和反射图像,sigmoid层将特征约束至[0,1]。所述第一卷积神经网络的损失函数可包括重构损失、光照平滑度损失和反射损失,其表达式如下:
L=λ1L1+λ2L2+λ3L3
其中,L1为重构损失函数,L2为光照平滑度损失函数,L3为反射损失函数,λ1表示重构损失系数,λ2表示平衡光照平滑性系数,λ3表示反射损失系数;重构损失函数L1表示任一光照图像和反射图像融合重构图像与原图像的差异,重构损失函数L1表达式为:
其中,λij为相关系数;
光照平滑度损失函数L2的表达式为:
反射损失函数L3的表达式为:
L3=||R2-R1||
其中,R1为正常图像的反射图像,R2为低照度图像的反射图像。
S103:将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练。
在本发明实施例中,第二卷积神经网络的结构如图3所示,前1层为并行卷积层,第2层为1x1卷积层,第3层为子像素卷积层,最后两层为卷积层。第二卷积神经网络通过在网络中引入跳跃结构连接具有相同空间分辨率的并行卷积层和子像素卷积层,并行卷积层和子像素卷积层采用编码-解码模式进行连接,能够加快网络训练速度,防止网络陷入局部最优。并行卷积层采用包含不同滤波器大小的并行卷积结构提取不同尺度目标的图像特征,主要用来进行特征提取和增强,实现对比度提升。第2层卷积层采用1×1卷积核,用于压缩并行卷积层提取的特征的维度。第3层子像素卷积层是反卷积网络结构,通过最近邻插值法将尺寸调整到与输入图像一致。第4层卷积层对卷积层和子像素卷积层的输出特征图进行综合处理,逐个元素求和,进一步提高对比度。第5层卷积层用来输出增强后的光照图像具体地,可用所述低照度图像的光照图像I2和反射图像R2作为训练集输入第二卷积神经网络,根据光照平滑度对所述第二卷积神经网络进行约束,使第二卷积神经网络自动学习输出增强后的光照图像并将增强后的光照图像和低照度图像的反射图像R2进行重构,得得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练,以得到训练好的第二卷积神经网络。
所述第二卷积神经网络的损失函数L′包括重构损失和光照平滑损失,其表达式如下:
L′=L1′+λ′L2′
其中,L1′表示重构损失函数,L2′表示光照平滑损失函数,λ′表示平衡光照平滑性系数;重构损失函数L1′表示增强后的光照图像和低照度图像的反射图像R2重构增强后的图像与原正常图像S1的差异,重构损失函数L1′表示为:
其中,光照平滑损失函数L2′的表达式为:
最近邻插值法可以用线性插值法或双线性插值法替代,最近邻插值法、线性插值法和双线性插值法都为现有方法,在此不再赘述。
优选的,将所述增强后的光照图像与低照度图像的反射图像R2重构得到所述增强图像之前,可对低照图像的反射图像R2做去噪操作:任意选取低照图像的反射图像R2的一个像素,计算该像素上下左右邻近像素的平均灰度;当该像素的灰度低于它周围像素的平均灰度时,进一步降低该像素灰度;当该像素的灰度高于它周围像素的平均灰度时,进一步提高该像的素灰度。进一步降低或提高像素灰度值的调整值如下:
其中,(x,y)表示该像素点的位置,f(x,y)为该像素点调整前的灰度值,则替换后的像素灰度值g(x,y)表示如下:
对低照度图像的反射图像R2的所有像素点都做如上运算,可锐化图像,提高对比度,消除噪声干扰。
S104:将待增强的低照度图像依次输入训练好的第一神经网络、第二卷积神经网络中,得到增强后的图像。
在本发明实施例中,在训练好第一神经网络和第二神经网络之后,可将待增强的低照度图像依次输入训练好的第一神经网络、第二卷积神经网络中,以对所述待增强的低照度图像进行增强,得到增强后的图像。
在图1提供的低照度图像增强方法中,可通过两个卷积神经网络,实现对低照度图像端到端的增强处理,提高了处理效率,改善了现有方法造成的图像失真问题,获得的输出图像更清晰,展示效果更好。
请参阅图4,图4是本发明实施例提供的一种低照度图像增强装置的结构框图。如图2所示,本实施例的低照度图像增强装置40包括获取模块401、第一训练模块402、第二训练模块403和增强404。获取模块401、第一训练模块402、第二训练模块403和增强404分别用于执行图1中的S101、S102、S103和S104中的具体方法,详情可参见图1的相关介绍,在此仅作简单描述:
获取模块401,用于获取n个样本对;所述样本对包括低照度图像和正常图像。
第一训练模块402,用于将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;其中,所述第一卷积神经网络的损失函数包括所述正常图像的光照图像I1和反射图像R1,以及所述低照度图像的光照图像I2和反射图像R2。
第二训练模块403,用于将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练;其中,所述第二卷积神经网络的损失函数包括所述增强后的光照图像以及所述重构后的增强图像。
增强模块404,用于将待增强的低照度图像依次输入训练好的第一、第二卷积神经网络中,得到增强后的图像。
进一步地,可参见图5,第一训练模块402可具体包括第一约束单元4021和第一训练单元4022:
第一约束单元402,用于将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2。
第一训练单元403,用于以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;所述第一卷积神经网络的损失函数L为:
L=λ1L1+λ2L2+λ3L3
其中,L1为重构损失函数,L2为光照平滑度损失函数,L3为反射损失函数,λ1表示重构损失系数,λ2表示平衡光照平滑性系数,λ3表示反射损失系数;重构损失函数L1表示任一光照图像和反射图像融合重构图像与原图像的差异,重构损失函数L1表达式为:
光照平滑度损失函数L2的表达式为:
反射损失函数L3的表达式为:
L3=||R2-R1||
其中,R1为正常图像的反射图像,R2为低照度图像的反射图像。
进一步地,可参见图6,第二训练模块403可具体包括第一约束单元4031和第一训练单元4032:
第二约束单元4031,用于将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像。
第二训练单元4032,用于以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练,所述第二卷积神经网络的损失函数L′为:
L′=L1′+λ′L2′
其中,L1′表示重构损失函数,L2′表示光照平滑损失函数,λ′表示平衡光照平滑性系数;重构损失函数L1′表示增强后的光照图像和低照度图像的反射图像R2重构增强后的图像与原正常图像S1的差异,重构损失函数L1′表示为:
其中,光照平滑损失函数L2′的表达式为:
在图4提供的低照度图像增强装置,可通过两个卷积神经网络模型,实现对低照度图像端到端的增强处理,提高了处理效率,改善了现有方法造成的图像失真问题,获得的输出图像更清晰,展示效果更好。
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如进行低照度图像增强的程序。所述处理器70执行所述计算机程序72时实现上述方法实施例中的步骤,例如,图1所示的S101至S104。或者,所述处理器30执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至404的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在终端设备7中的执行过程。例如,所述计算机程序72可以被分割成获取模块401、第一训练模块402、第二训练模块403和增强404。(虚拟装置中的模块),各模块具体功能如下:
获取模块401,用于获取n个样本对;所述样本对包括低照度图像和正常图像。
第一训练模块402,用于将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;其中,所述第一卷积神经网络的损失函数包括所述正常图像的光照图像I1和反射图像R1,以及所述低照度图像的光照图像I2和反射图像R2。
第二训练模块403,用于将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练;其中,所述第二卷积神经网络的损失函数包括所述增强后的光照图像以及所述重构后的增强图像。
增强模块404,用于将待增强的低照度图像依次输入训练好的第一、第二卷积神经网络中,得到增强后的图像。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备7可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及终端设备7所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种低照度图像增强方法,其特征在于,包括:
获取n个样本对;所述样本对包括低照度图像和正常图像;
将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;其中,所述第一卷积神经网络的损失函数包括所述正常图像的光照图像I1和反射图像R1,以及所述低照度图像的光照图像I2和反射图像R2;
将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练;其中,所述第二卷积神经网络的损失函数包括所述增强后的光照图像以及所述重构后的增强图像;
将待增强的低照度图像依次输入训练好的第一神经网络、第二卷积神经网络中,得到增强后的图像。
2.根据权利要求1所述的低照度图像增强方法,其特征在于,所述获取n个样本对,包括:
利用图像采集设备的不同的光圈值和感光度拍摄第一场景,获得所述第一场景的一个低照度图像和一个正常图像,作为第一样本对;
利用图像采集设备的不同的光圈值和感光度拍摄第二场景,获得所述第二场景的一个低照度图像和一个正常图像,作为第二样本对;
以此类推,获取n个样本对。
3.根据权利要求1所述的低照度图像增强方法,其特征在于,所述将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练,包括:
将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2;
以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;所述第一卷积神经网络的损失函数L为:
L=λ1L1+λ2L2+λ3L3
其中,L1为重构损失函数,L2为光照平滑度损失函数,L3为反射损失函数,λ1表示重构损失系数,λ2表示平衡光照平滑性系数,λ3表示反射损失系数;重构损失函数L1表示任一光照图像和反射图像融合重构图像与原图像的差异,重构损失函数L1表达式为:
光照平滑度损失函数L2的表达式为:
反射损失函数L3的表达式为:
L3=||R2-R1||
其中,R1为正常图像的反射图像,R2为低照度图像的反射图像。
4.根据权利要求3所述的低照度图像增强方法,其特征在于,所述将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练,包括:
将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像;
以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练,所述第二卷积神经网络的损失函数L′为:
L′=L1′+λ′L2′
其中,L1′表示重构损失函数,L2′表示光照平滑损失函数,λ′表示平衡光照平滑性系数;重构损失函数L1′表示增强后的光照图像和低照度图像的反射图像R2重构增强后的图像与原正常图像S1的差异,重构损失函数L1′表示为:
其中,光照平滑损失函数L2′的表达式为:
6.一种低照度图像增强装置,其特征在于,包括:
获取模块,用于获取n个样本对;所述样本对包括低照度图像和正常图像;
第一训练模块,用于将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2,并以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;其中,所述第一卷积神经网络的损失函数包括所述正常图像的光照图像I1和反射图像R1,以及所述低照度图像的光照图像I2和反射图像R2;
第二训练模块,用于将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像,并以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练;其中,所述第二卷积神经网络的损失函数包括所述增强后的光照图像以及所述重构后的增强图像;
增强模块,用于将待增强的低照度图像依次输入训练好的第一卷积神经网络、第二卷积神经网络中,得到增强后的图像。
7.根据权利要求6所述的低照度图像增强装置,其特征在于,所述第一训练模块包括:
第一约束单元,用于将所述n个样本对输入第一卷积神经网络中,以低照度图像和正常图像共享一致的反射率和光照平滑度对所述第一卷积神经网络进行约束,使所述第一卷积神经网络输出正常图像的光照图像I1和反射图像R1,以及输出低照度图像的光照图像I2和反射图像R2;
第一训练单元,用于以所述第一卷积神经网络的损失函数对所述第一卷积神经网络进行训练;所述第一卷积神经网络的损失函数L为:
L=λ1L1+λ2L2+λ3L3
其中,L1为重构损失函数,L2为光照平滑度损失函数,L3为反射损失函数,λ1表示重构损失系数,λ2表示平衡光照平滑性系数,λ3表示反射损失系数;重构损失函数L1表示任一光照图像和反射图像融合重构图像与原图像的差异,重构损失函数L1表达式为:
其中,λij为相关系数;
光照平滑度损失函数L2的表达式为:
反射损失函数L3的表达式为:
L3=||R2-R1||
其中,R1为正常图像的反射图像,R2为低照度图像的反射图像。
8.根据权利要求7所述的低照度图像增强装置,其特征在于,所述第二训练模块包括:
第二约束单元,用于将所述低照度图像的光照图像I2和反射图像R2输入第二卷积神经网络中,根据光照平滑度对所述第二卷积神经网络进行约束,使所述第二卷积神经网络输出增强后的光照图像以及将所述增强后的光照图像与低照度图像的反射图像R2重构,得到重构后的增强图像;
第二训练单元,用于以所述第二卷积神经网络的损失函数对所述第二卷积神经网络进行训练,所述第二卷积神经网络的损失函数L′为:
L′=L1′+λ′L2′
其中,L1′表示重构损失函数,L2′表示光照平滑损失函数,λ′表示平衡光照平滑性系数;重构损失函数L1′表示增强后的光照图像和低照度图像的反射图像R2重构增强后的图像与原正常图像S1的差异,重构损失函数L1′表示为:
其中,光照平滑损失函数L2′的表达式为:
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中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1-5中任一项所述方法的步骤。
10.一种计算机可读介质,所述计算机可读介质存储有计算机程序,其特征在于,所述计算机程序被处理执行时实现如权利要求1-5中任一项所述方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019108056510 | 2019-08-29 | ||
CN201910805651 | 2019-08-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675336A true CN110675336A (zh) | 2020-01-10 |
Family
ID=69076540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910837083.2A Pending CN110675336A (zh) | 2019-08-29 | 2019-09-05 | 一种低照度图像增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675336A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192224A (zh) * | 2020-01-13 | 2020-05-22 | 北京联合大学 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
CN111242868A (zh) * | 2020-01-16 | 2020-06-05 | 重庆邮电大学 | 暗视觉环境下基于卷积神经网络的图像增强方法 |
CN111402145A (zh) * | 2020-02-17 | 2020-07-10 | 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方法 |
CN111507910A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种单图像去反光的方法、装置及存储介质 |
CN112053293A (zh) * | 2020-08-10 | 2020-12-08 | 广州工程技术职业学院 | 生成对抗网络训练方法、图像亮度增强方法、装置和介质 |
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 |
CN112381897A (zh) * | 2020-11-16 | 2021-02-19 | 西安电子科技大学 | 基于自编码网络结构的低照度图像增强方法 |
CN112507965A (zh) * | 2020-12-23 | 2021-03-16 | 北京海兰信数据科技股份有限公司 | 一种电子瞭望系统的目标识别方法及系统 |
CN112598598A (zh) * | 2020-12-25 | 2021-04-02 | 南京信息工程大学滨江学院 | 一种基于两级反射光消除网络的图像反射光去除方法 |
CN112614063A (zh) * | 2020-12-18 | 2021-04-06 | 武汉科技大学 | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 |
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 |
CN112802137A (zh) * | 2021-01-28 | 2021-05-14 | 四川大学 | 一种基于卷积自编码器的颜色恒常性方法 |
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 |
CN113034353A (zh) * | 2021-04-09 | 2021-06-25 | 西安建筑科技大学 | 一种基于交叉卷积神经网络的本质图像分解方法及系统 |
WO2021232323A1 (zh) * | 2020-05-20 | 2021-11-25 | 华为技术有限公司 | 基于神经网络的区域背光调光方法及装置 |
WO2022052445A1 (zh) * | 2020-09-09 | 2022-03-17 | 苏州科达科技股份有限公司 | 基于深度学习的图像增强方法、系统、设备及存储介质 |
CN114463228A (zh) * | 2021-12-30 | 2022-05-10 | 济南超级计算技术研究院 | 一种基于深度学习的医学图像增强方法及系统 |
WO2022110027A1 (en) * | 2020-11-27 | 2022-06-02 | Boe Technology Group Co., Ltd. | Computer-implemented image-processing method, image-enhancing convolutional neural network, and computer product |
CN114596236A (zh) * | 2020-12-04 | 2022-06-07 | 国网智能科技股份有限公司 | 一种密闭腔体低照度图像增强方法及系统 |
WO2022165705A1 (zh) * | 2021-02-04 | 2022-08-11 | 深圳市大疆创新科技有限公司 | 低光环境检测方法及自动驾驶方法 |
WO2023019681A1 (zh) * | 2021-08-16 | 2023-02-23 | 广东艾檬电子科技有限公司 | 一种图像内容的提取方法、装置、终端和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897673A (zh) * | 2017-01-20 | 2017-06-27 | 南京邮电大学 | 一种基于retinex算法和卷积神经网络的行人再识别方法 |
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 |
CN110097106A (zh) * | 2019-04-22 | 2019-08-06 | 苏州千视通视觉科技股份有限公司 | 基于深度学习的U-net网络的低照度成像算法及装置 |
-
2019
- 2019-09-05 CN CN201910837083.2A patent/CN110675336A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897673A (zh) * | 2017-01-20 | 2017-06-27 | 南京邮电大学 | 一种基于retinex算法和卷积神经网络的行人再识别方法 |
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 |
CN110097106A (zh) * | 2019-04-22 | 2019-08-06 | 苏州千视通视觉科技股份有限公司 | 基于深度学习的U-net网络的低照度成像算法及装置 |
Non-Patent Citations (2)
Title |
---|
徐岩等: "基于卷积神经网络的水下图像增强方法", 《吉林大学学报(工学版)》 * |
蘇丶: "低照度图像增强之卷积神经网络RetinexNet", 《CSDN,HTTPS://BLOG.CSDN.NET/WEIXIN_38285131/ARTICLE/DETAILS/88287131/》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192224A (zh) * | 2020-01-13 | 2020-05-22 | 北京联合大学 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
CN111192224B (zh) * | 2020-01-13 | 2024-03-19 | 北京联合大学 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
CN111242868A (zh) * | 2020-01-16 | 2020-06-05 | 重庆邮电大学 | 暗视觉环境下基于卷积神经网络的图像增强方法 |
CN111402145B (zh) * | 2020-02-17 | 2022-06-07 | 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方法 |
CN111402145A (zh) * | 2020-02-17 | 2020-07-10 | 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方法 |
CN111507910A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种单图像去反光的方法、装置及存储介质 |
WO2021232323A1 (zh) * | 2020-05-20 | 2021-11-25 | 华为技术有限公司 | 基于神经网络的区域背光调光方法及装置 |
CN112053293A (zh) * | 2020-08-10 | 2020-12-08 | 广州工程技术职业学院 | 生成对抗网络训练方法、图像亮度增强方法、装置和介质 |
WO2022052445A1 (zh) * | 2020-09-09 | 2022-03-17 | 苏州科达科技股份有限公司 | 基于深度学习的图像增强方法、系统、设备及存储介质 |
CN112381897B (zh) * | 2020-11-16 | 2023-04-07 | 西安电子科技大学 | 基于自编码网络结构的低照度图像增强方法 |
CN112381897A (zh) * | 2020-11-16 | 2021-02-19 | 西安电子科技大学 | 基于自编码网络结构的低照度图像增强方法 |
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 |
WO2022110027A1 (en) * | 2020-11-27 | 2022-06-02 | Boe Technology Group Co., Ltd. | Computer-implemented image-processing method, image-enhancing convolutional neural network, and computer product |
CN114596236A (zh) * | 2020-12-04 | 2022-06-07 | 国网智能科技股份有限公司 | 一种密闭腔体低照度图像增强方法及系统 |
CN112614063A (zh) * | 2020-12-18 | 2021-04-06 | 武汉科技大学 | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 |
CN112614063B (zh) * | 2020-12-18 | 2022-07-01 | 武汉科技大学 | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 |
CN112507965A (zh) * | 2020-12-23 | 2021-03-16 | 北京海兰信数据科技股份有限公司 | 一种电子瞭望系统的目标识别方法及系统 |
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 |
CN112598598B (zh) * | 2020-12-25 | 2023-11-28 | 南京信息工程大学滨江学院 | 一种基于两级反射光消除网络的图像反射光去除方法 |
CN112598598A (zh) * | 2020-12-25 | 2021-04-02 | 南京信息工程大学滨江学院 | 一种基于两级反射光消除网络的图像反射光去除方法 |
CN112802137B (zh) * | 2021-01-28 | 2022-06-21 | 四川大学 | 一种基于卷积自编码器的颜色恒常性方法 |
CN112802137A (zh) * | 2021-01-28 | 2021-05-14 | 四川大学 | 一种基于卷积自编码器的颜色恒常性方法 |
WO2022165705A1 (zh) * | 2021-02-04 | 2022-08-11 | 深圳市大疆创新科技有限公司 | 低光环境检测方法及自动驾驶方法 |
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 |
CN113034353A (zh) * | 2021-04-09 | 2021-06-25 | 西安建筑科技大学 | 一种基于交叉卷积神经网络的本质图像分解方法及系统 |
WO2023019681A1 (zh) * | 2021-08-16 | 2023-02-23 | 广东艾檬电子科技有限公司 | 一种图像内容的提取方法、装置、终端和存储介质 |
CN114463228A (zh) * | 2021-12-30 | 2022-05-10 | 济南超级计算技术研究院 | 一种基于深度学习的医学图像增强方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
Yang et al. | Sparse gradient regularized deep retinex network for robust low-light image enhancement | |
Zhang et al. | Single image defogging based on multi-channel convolutional MSRCR | |
Zhou et al. | Lednet: Joint low-light enhancement and deblurring in the dark | |
Lore et al. | LLNet: A deep autoencoder approach to natural low-light image enhancement | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN107358586B (zh) | 一种图像增强方法、装置及设备 | |
CN111275626A (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
WO2022134971A1 (zh) | 一种降噪模型的训练方法及相关装置 | |
KR102095443B1 (ko) | 구조텐서를 이용한 딥러닝 기반의 영상 개선 방법 및 장치 | |
CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
AU2013258866A1 (en) | Reducing the dynamic range of image data | |
Li et al. | Hdrnet: Single-image-based hdr reconstruction using channel attention cnn | |
Chen et al. | Blind de-convolution of images degraded by atmospheric turbulence | |
Rasheed et al. | LSR: Lightening super-resolution deep network for low-light image enhancement | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
Shi et al. | A joint deep neural networks-based method for single nighttime rainy image enhancement | |
CN116362998A (zh) | 图像增强装置、方法、电子设备和存储介质 | |
Yang et al. | A model-driven deep dehazing approach by learning deep priors | |
CN113096023A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
Zhu et al. | Low-light image enhancement network with decomposition and adaptive information fusion | |
CN113298740A (zh) | 一种图像增强方法、装置、终端设备及存储介质 | |
CN117078574A (zh) | 一种图像去雨方法及装置 | |
Liu et al. | Dual UNet low-light image enhancement network based on attention mechanism |
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 |