CN110807742A - 一种基于一体式网络的微光图像增强方法 - Google Patents
一种基于一体式网络的微光图像增强方法 Download PDFInfo
- Publication number
- CN110807742A CN110807742A CN201911003520.7A CN201911003520A CN110807742A CN 110807742 A CN110807742 A CN 110807742A CN 201911003520 A CN201911003520 A CN 201911003520A CN 110807742 A CN110807742 A CN 110807742A
- Authority
- CN
- China
- Prior art keywords
- image
- light
- low
- level
- noise
- 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 60
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000005286 illumination Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 208000037516 chromosome inversion disease Diseases 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000016776 visual perception Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 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
- 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
- G06T5/73—Deblurring; Sharpening
- G06T5/75—Unsharp masking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
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一体式网络的微光图像增强方法。本发明提供的方法是：首先运用计算机读取低光照条件下拍摄的微光图像，通过将微光图像分割为若干超像素，利用局部标准差与局部梯度的比值估计每个超像素的噪声电平；然后，将图像反转，采用BM3D滤波器与结构滤波器自适应方法进行平滑处理，以获得无噪声和纹理完整图像；最后，将无噪声和纹理完整图像输入微光一体式网络中，以增强对比度，防止对比度过度增强。本方法可以对微光图像进行有效的增强处理，在主观评价和客观评价方面均优于传统方法，且图像质量评价指标峰值信噪比和结构相似性指数分别达到31.64dB，91.2％。相对其他基于深度学习进行微光图像增强方法，有效地提高了增强图像的处理速度和鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种基于一体式网络的微光图像增强方法。
背景技术
在图像采集过程中，由于光照过暗导致拍摄的图像整体灰度值偏低，对比度低，如夜间图像，局部信息无法辨认，难以进行特征提取，甚至特征信息丢失，增加了进一步处理的困难程度，如目标识别、目标检测与跟踪任务难以进行。因此，如何针对低光照问题有效地对微光图像进行前期增强处理，是图像增强技术研究的热点问题。
图像增强是指利用各种优异的数学模型和变换方法与手段提高图像中感兴趣目标的对比度和清晰度，以满足不同领域的特定应用场景的图像处理技术。现有的微光图像增强技术主要分为空间统一方法和空间非统一方法两类。如：基于直方图均衡化(HE)的方法，对数压缩，伽玛校正，基于人眼对比敏感度的方法，以及基于Retinex理论的方法等。然而，这些算法在实际应用中突显出明显的不足之处，如下：1、对图像进行了全局的图像对比度增强与拉伸，在一定程度上，容易出现对比度过增强问题，出现图像失真，不符合人肉眼视觉感知。2、由于其在多个尺度上分别做耗时的卷积运算，因此，计算量较大。3、由于不同图像的应用环境不同、拍摄的光照强度不同，存在较差的鲁棒性。
发明内容
本发明提供一种基于一体式网络的微光图像增强方法，以克服现有图像增强技术存在的微光图像增强的过增强，计算量大，鲁棒性差的问题。
为了达到本发明的目的，本发明提出的方案如下：复制
与现有技术相比，本发明的有益效果是：
1)本发明充分考虑非局部均值去噪算法中相似性对噪声去除的影响，利用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点，在超像素分割块基础上优化纹理区域相似窗口的选择策略，提高图像块与中心像素块之间的相似性，从而达到提升非局部均值算法的去噪纹理级别、防止图像过度增强，边缘纹理不被模糊的目的。
2)本发明使用一个一体式网络集成了K估计模块与对比度光值估计模块，学习去噪后的微光图像特征，减少了参数与计算量，从而提升图像处理速度，并提高了微光图像增强的处理效率与视觉效果，图像质量评价指标峰值信噪比和结构相似性指数分别达到了31.64dB，91.2％。
3)本发明通过一体式网络的增强方法，训练的模型结果可处理出不同光照程度的微光图像，有效地提升了鲁棒性。
附图说明
图1为本发明实施例的方法流程图；
图2基于一体式网络的微光图像增强结构图；
图3为一体式网络模型图；
图4为部分数据集图；
图5为不同算法时间消耗成本图；
图6几种不同微光图像对比度增强算法比较图；
图7为32幅真实测试图像与增强结果图；
图8为不同算法的32幅图的平均LOE比较图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
本发明提供一种基于一体式网络的微光图像增强方法，包括如下步骤：
步骤1、准备阶段：运用计算机读取低光照条件下拍摄的微光图像，详细说明如下：
运用摄像头终端进行图像采集，不仅运用最简单的方法获得了微光图像，而且可以达到有效扩大数据集的数量，降低数据获取成本的目的；其具体包括如下步骤：步骤101、数据集的获取，选择用图像采集终端获得微光图像，这种获取数据集的方法简单且方便，而且可以有效的扩充数据集；步骤102、将获取的数据集进行分类，划分为训练集、验证集及测试集；步骤103、读取预训练模型，并读入微光图像目录；
步骤2、图像预处理阶段：通过将微光图像输入计算机，运用分割算法将微光图像分割为若干超像素，利用局部标准差与局部梯度的比值来估计每个超像素的噪声电平；
步骤3、基于滤波器的去噪处理阶段：将图像反转，采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像，详细说明如下：
将低照度条件下拍摄的图像先进行反转操作，用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点，在超像素分割块基础上优化纹理区域相似窗口的选择策略，提高图像块与中心像素块之间的相似性，然后根据每个超级像素的噪声纹理级别，采用BM3D滤波器自适应提取平滑的基础层，通过反转图像的一阶微分提取另一个细节层，并采用结构滤波器进行平滑，去除图像中的噪声，以获得无噪声和纹理完整图像；
步骤4、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取微光图像的关键点信息；然后构建用于提高局部对比度的一体式网络，将无噪声和纹理完整图像应用于微光一体式网络中，实现整体微光图像增强，详细说明如下：
首先采用基于滤波器平滑出来的无噪声和纹理完整的微光图像，运用骨干网络VGG16进行特征提取，根据所述骨干网络VGG16得到提取微光图像的特征信息，以获得微光图像特征，将获取微光特征后的特征向量发送到一体式网络的K模块估计单元。
然后将提取的微光图像特征送入一体式网络模型中的K估计模块，先进行K估计模块进行卷积、池化等操作，估计新变量K(x)，再通过由乘法层与若干加法层构成的清晰图像生成模块，进行计算得到对比度光照值，并进行参数更新，减少了计算参数，加快了处理速度；
步骤5、图像反转阶段：将提高对比度之后的图像进行反转操作，输出增强后的优化图像，即可得到与原微光图像相匹配的增强图像，以提高微光图像的整体视觉感知。
实施例：
如图1所示，该方法通过以下步骤实现：
s1：准备阶段：运用计算机读取低光照条件下拍摄的微光图像
具体的，将摄像头对准不同光照强度的场景，获取不同对比度的微光图像，进行数据集获取。主要包括步骤如下：
步骤101、数据集的获取，选择用图像采集终端获得低光照条件下拍摄的微光图像；
步骤102、将获取的数据集进行分类，划分为训练集、验证集及测试集；
步骤103、读取预训练模型，并读入微光图像目录。
s2：通过图像采集终端得到微光图像，计算机读入微光图像，采用基于图像采集终端检测出来的微光图像，将其分割为若干超像素，利用局部标准差与局部梯度的比值来估计每个超像素的噪声电平。
具体的，利用超像素方法将微光图像I分割成多个子区域。对于每个子区域，使用以下方法来确定平滑度，假设噪声是加性高斯白噪声i(AWGN)。用δi表示超像素i标准差，
表示超像素的局部梯度。考虑到δi和
之间的归一化比值λi来测量子区域噪声电平：
s3：将低照度条件下拍摄的图像先进行反转操作，用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点，在超像素分割块基础上优化纹理区域相似窗口的选择策略，提高图像块与中心像素块之间的相似性，然后根据每个超级像素的噪声纹理级别，采用BM3D滤波器自适应提取平滑的基础层，通过反转图像的一阶微分提取另一个细节层，并采用结构滤波器进行平滑，去除图像中的噪声，以获得无噪声和纹理完整图像。
具体的，使用L＝255-I将输入图像I反转。在非锐化掩模滤波器的启发下，将去噪后的L定义为L'。，L'由L的基层和无噪细节层的加权组合得到。
L'＝λ·d(L)+b(L)
式中d(L)和b(L)分别表示L的无噪声细节层和基层。对于具有小λ的子区域，添加一些细节来约束噪声程度。而对于具有大λ的子区域，会向基础层添加更多细节。使用BM3D滤波器对图像进行平滑处理可获得图像基层，该方法可以有效地衰减AWGN。利用噪声纹理水平系数λ作为权重来生成基层。
b(L)＝λ·bfine(L)+(1-λ)·bcoarse(L)
式中，bfine(L)和bcoarse(L)分别表示BM3D滤波器的平滑结果，使用比微光图像I的局部标准偏差δi平均值小一半和大两倍的参数。为了得到细节层d1(L)，选择计算反转图像L的一阶微分，发现细节层d1(L)中随机噪声倾向于与纹理融合，因此选择结构滤波器平滑细节层，同时保留有用的纹理，以获得平滑和纹理保留的结果d(L)。
s4：首先采用基于滤波器平滑出来的无噪声和纹理完整的微光图像，根据骨干网络VGG16通过池化、直接映射、反卷积的操作进行特征提取，得到提取微光图像的特征信息，以获得微光图像特征，将获取微光特征后的特征向量发送到一体式网络的K模块估计单元。
具体的，本发明以VGG16结构作为骨干网络进行对人脸表情特征的提取，VGG16由13个卷积层和3个全连接层，共有16层构成，过程为：经过的卷积核大小为3*3*3，stride＝1，padding＝1，pooling为采用2x2的max pooling方式。
然后将提取的微光图像特征送入一体式网络模型中的K估计模块，先进行K估计模块进行卷积、池化等操作，估计新变量K(x)，再通过由乘法层与若干加法层构成的清晰图像生成模块，进行计算得到对比度光照值，并进行参数更新。
具体的，采用了有效的一体式网络增强对比度。其中一个大气散射模型定义重新表示为下面的转换公式：
J(x)＝K(x)L'-K(x)+m
其中，
以这种方式，t(x)和A都被集成到新变量K(x)中。m是默认值为1的恒定偏差。由于K(x)依赖于L'。因此目标是构建输入自适应深度模型，其参数将随输入微光图像而变化，从而最小化输出J(x)和地面实际清晰图像之间的重建误差。
K估计模块使用五个卷积层，并通过融合不同大小的卷积核形成多尺度特征。一体式网络的“concat1”层连接层“conv1”和“conv2”的特征。类似地，“concat2”连接来自“conv2”和“conv3”的特征；“concat3”连接来自“conv1”，“conv2”，“conv3”和“conv4”的特征。这种多尺度设计捕获不同尺度的特征，并且中间连接还补偿卷积期间的信息损失。一体式网络的每个卷积层仅使用三个卷积核。因此，与现有的深层方法相比，一体式网络重量轻。在K估计模块之后，清晰图像生成模块由逐元素乘法层和若干元素加法层组成。
S5：将清晰图像生成模块得出的清晰图像再次进行反转操作，即可得到与原微光图像相匹配的增强图像。
具体的，由于步骤3中对图像进行了一次反转，最终输出的图像也要进行一次反转图像J(x)，得到最终输出增强图像E，反转的方法：E＝255-J(x)。
本发明实施例能够对微光图像进行有效的对比度增强，通过对32张不同类型的微光图像进行增强处理，图像质量评价指标峰值信噪比和结构相似性指数分别达到了31.64dB，91.2％，统计结果如表1所示。本发明可以提升处理速度，提高图像结构视觉效果，具有较强的鲁班性，因此能够广泛应用于人机交互中的微光图像增强中。
表1
在表2中，在相同的测试环境下，选取了六种不同的增强方法产生的实验结果进行对比，其中，HE—经典的直方图均衡、DHE—动态直方图均衡方法、Dong的基于去雾模型的图像增强方法、LIME—一种微光图像增强算法、基于深度学习的方法CNN、LLCNN—基于卷积神经网络的低光照图像增强。由表2可以看出:本文所提算法除了SSIM略低于LIME算法外，PSNR、MSE和LOE三个评价指标均优于其他算法，说明本文所提算法失真程度低，可以很好的纹理细节部分，更接近原始图像，同时增强后的图像更加真实自然，验证了所提算法的有效性与优化性。本申请方法相比前几种种方法不论在整体对比度还是局部对比度上都有所提升。可见在微光图像增强任务中，使用了一体式网络的本文方法增强效果更好，鲁棒性更好。
表2
在时间成本方面对不同方法进行了比较，实验结果如图。虽然LIME产生的失真很小，但它们相当耗时。本论文方法以可接受的时间成本实现了比其他方法更小的失真。
图3所示本文设计的一个用于图像增强的一体式网络，网络有5个卷积层，并通过融合不同大小的卷积核形成多尺度特征，其网络框架中特征提取部分卷积核的个数为64，尺寸为3*3*64pixel；非线性映射部分中所有卷积核的个数均为64，尺寸为5*5*64pixel；网络所有层的卷积核均采用文献[25]中的初始化方法，在训练过程中，使用高斯随机变量初始化权重，偏置项初始化为0，动量和衰减参数分别设置为0.9和0.0001，学习率为0.01，训练期间学习率会发生变化，SSIM Loss内核大小、参数分别设置为：8、0.001、0.0001，进行了10000次迭代，并采用简单的均方误差(MSE)损失函数。
图4为部分数据集图，从计算机视觉领域的公开数据集Berkeley SegmentationDataset(BSD)中提取出500幅光照条件较差的图像，通过处理以及尺度变换等方法进行扩充后达到26000张尺寸为480*640的微光图像，经过扩充的原始资料以及网络上的图像，数据集一共30000张图片。
图5为不同算法时间消耗成本图，由于本文所提的一体式网络参数较少，网络层数较低，相对其它基于卷积神经网络的增强算法，本文算法更为轻量级，时间消耗少，图像处理速度较快。
图6为几种不同微光图像对比度增强算法比较图，从图中可以看出，所提算法可以很好地保持色彩并改善过增强现像，对黑暗区域亮度进行提升，表现出较好的视觉感受。
图7为32幅真实测试图像与增强结果图，选取了不同程度与不同环境下的微光图像进行测试，从增强效果可以看出具有较好的视觉效果，体现了较强的鲁棒性。
图8为不同算法的32幅图的平均LOE比较图，计算出七种不同方法用于微光图像增强的平均LOE，结果表明，由于本方法通过保持了细节纹理方面，本文所提算法体现了较好的自然度保持能力。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。
Claims (5)
1.一种基于一体式网络的微光图像增强方法，包括如下步骤：
步骤1、准备阶段：运用计算机读取低光照条件下拍摄的微光图像；
步骤2、图像预处理阶段：应用分割算法将微光图像分割为若干超像素，估计噪声电平。
步骤3、基于滤波器的去噪处理阶段：将图像反转，采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像，防止了过增强；
步骤4、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取微光图像的关键点信息；然后，构建用于提高局部对比度的一体式网络，将无噪声和纹理完整图像应用于微光一体式网络中，实现整体微光图像增强，有效地减少计算量，提升处理速度；
步骤5、图像反转阶段：将提高对比度之后的图像进行反转操作，输出增强后的优化图像，以提高微光图像的整体视觉感知，并提高鲁棒性。
2.根据权利要求1所述的一种基于一体式网络的微光图像增强方法，其特征在于，步骤1具体包括如下步骤：
步骤101、数据集的获取，选择用图像采集终端获得低光照条件下拍摄的微光图像；
步骤102、将获取的数据集进行分类，划分为训练集、验证集及测试集；
步骤103、读取预训练模型，并读入微光图像目录。
3.根据权利要求1或2所述基于一体式网络的微光图像增强方法，其特征在于，步骤2中，通过将微光图像输入计算机，运用分割算法将微光图像分割为若干超像素，利用局部标准差与局部梯度的比值来估计每个超像素的噪声纹理级别；
4.根据权利要求3所述基于一体式网络的微光图像增强方法，其特征在于，步骤3具体为，将低照度条件下拍摄的图像先进行反转操作，根据每个超级像素的噪声纹理级别，采用BM3D滤波器自适应提取平滑的基础层，通过反转图像的一阶微分提取另一个细节层，并采用结构滤波器进行平滑，去除图像中的噪声，以获得无噪声和纹理完整图像。
5.根据权利要求4所述基于一体式网络的微光图像增强方法，其特征在于，步骤4具体为，骨干网络是VGG16，提取的微光图像特征送入一体式网络模型中，先进行K估计模块进行卷积、池化等操作，估计新变量K(x)，再通过乘法层与若干加法层进行计算得到对比度光照值，并进行参数更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911003520.7A CN110807742B (zh) | 2019-11-21 | 2019-11-21 | 一种基于一体式网络的微光图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911003520.7A CN110807742B (zh) | 2019-11-21 | 2019-11-21 | 一种基于一体式网络的微光图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807742A true CN110807742A (zh) | 2020-02-18 |
| CN110807742B CN110807742B (zh) | 2023-02-24 |
Family
ID=69488778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911003520.7A Active CN110807742B (zh) | 2019-11-21 | 2019-11-21 | 一种基于一体式网络的微光图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807742B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643202A (zh) * | 2021-07-29 | 2021-11-12 | 西安理工大学 | 一种基于噪声注意力图指导的微光图像增强方法 |
| CN113674158A (zh) * | 2020-05-13 | 2021-11-19 | 浙江宇视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN114629592A (zh) * | 2022-02-17 | 2022-06-14 | 深圳市前海新丝路科技有限公司 | 通信电子信号抗干扰优化方法、系统及装置 |
| CN115587950A (zh) * | 2022-11-03 | 2023-01-10 | 昆山腾云达信息咨询技术服务中心(有限合伙) | 一种微光增强色彩恢复方法 |
| CN117274316A (zh) * | 2023-10-31 | 2023-12-22 | 广东省水利水电科学研究院 | 一种河流表面流速的估计方法、装置、设备及存储介质 |
| CN117974651B (zh) * | 2024-03-29 | 2024-05-28 | 陕西彤山生物科技有限公司 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205794A (zh) * | 2015-10-27 | 2015-12-30 | 西安电子科技大学 | 一种低照度图像的同步增强去噪方法 |
| WO2016206087A1 (zh) * | 2015-06-26 | 2016-12-29 | 北京大学深圳研究生院 | 一种低照度图像处理方法和装置 |
| US20170278289A1 (en) * | 2016-03-22 | 2017-09-28 | Uru, Inc. | Apparatus, systems, and methods for integrating digital media content into other digital media content |
| CN107292830A (zh) * | 2016-12-28 | 2017-10-24 | 首都师范大学 | 低照度图像增强及评价方法 |
| CN108932700A (zh) * | 2018-05-17 | 2018-12-04 | 常州工学院 | 基于目标成像模型的自适应梯度增益水下图像增强方法 |
-
2019
- 2019-11-21 CN CN201911003520.7A patent/CN110807742B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016206087A1 (zh) * | 2015-06-26 | 2016-12-29 | 北京大学深圳研究生院 | 一种低照度图像处理方法和装置 |
| CN105205794A (zh) * | 2015-10-27 | 2015-12-30 | 西安电子科技大学 | 一种低照度图像的同步增强去噪方法 |
| US20170278289A1 (en) * | 2016-03-22 | 2017-09-28 | Uru, Inc. | Apparatus, systems, and methods for integrating digital media content into other digital media content |
| CN107292830A (zh) * | 2016-12-28 | 2017-10-24 | 首都师范大学 | 低照度图像增强及评价方法 |
| CN108932700A (zh) * | 2018-05-17 | 2018-12-04 | 常州工学院 | 基于目标成像模型的自适应梯度增益水下图像增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘超等: "超低照度下微光图像增强神经网络损失函数设计分析", 《国防科技大学学报》 * |
| 吴从中等: "结合深度残差学习和感知损失的图像去噪", 《中国图象图形学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674158A (zh) * | 2020-05-13 | 2021-11-19 | 浙江宇视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN113643202A (zh) * | 2021-07-29 | 2021-11-12 | 西安理工大学 | 一种基于噪声注意力图指导的微光图像增强方法 |
| CN114629592A (zh) * | 2022-02-17 | 2022-06-14 | 深圳市前海新丝路科技有限公司 | 通信电子信号抗干扰优化方法、系统及装置 |
| CN115587950A (zh) * | 2022-11-03 | 2023-01-10 | 昆山腾云达信息咨询技术服务中心(有限合伙) | 一种微光增强色彩恢复方法 |
| CN115587950B (zh) * | 2022-11-03 | 2023-09-26 | 昆山腾云达信息咨询技术服务中心(有限合伙) | 一种微光增强色彩恢复方法 |
| CN117274316A (zh) * | 2023-10-31 | 2023-12-22 | 广东省水利水电科学研究院 | 一种河流表面流速的估计方法、装置、设备及存储介质 |
| CN117274316B (zh) * | 2023-10-31 | 2024-05-03 | 广东省水利水电科学研究院 | 一种河流表面流速的估计方法、装置、设备及存储介质 |
| CN117974651B (zh) * | 2024-03-29 | 2024-05-28 | 陕西彤山生物科技有限公司 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807742B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
| CN110807742B (zh) | 一种基于一体式网络的微光图像增强方法 | |
| Ren et al. | Gated fusion network for single image dehazing | |
| CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
| CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
| CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
| Bhandari et al. | Optimal sub-band adaptive thresholding based edge preserved satellite image denoising using adaptive differential evolution algorithm | |
| Bhandari et al. | A novel fuzzy clustering-based histogram model for image contrast 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 | |
| Liu et al. | Survey of natural image enhancement techniques: Classification, evaluation, challenges, and perspectives | |
| CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
| CN111968062B (zh) | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 | |
| CN113313702A (zh) | 基于边界约束与颜色校正的航拍图像去雾方法 | |
| Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
| Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
| Han et al. | Low contrast image enhancement using convolutional neural network with simple reflection model | |
| Peng et al. | Real-time video dehazing via incremental transmission learning and spatial-temporally coherent regularization | |
| CN107292844B (zh) | 全变差正则化变分随机共振自适应暗图像滤波增强方法 | |
| Luo et al. | Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images | |
| CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
| CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
| CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
| CN115760630A (zh) | 一种低照度图像增强方法 | |
| Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
| CN112541859A (zh) | 一种光照自适应的人脸图像增强方法 |
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 |