CN110827241B - 基于颜色失真和对比度增强的低亮度增强图片全参考方法 - Google Patents

基于颜色失真和对比度增强的低亮度增强图片全参考方法 Download PDF

Info

Publication number
CN110827241B
CN110827241B CN201911000026.5A CN201911000026A CN110827241B CN 110827241 B CN110827241 B CN 110827241B CN 201911000026 A CN201911000026 A CN 201911000026A CN 110827241 B CN110827241 B CN 110827241B
Authority
CN
China
Prior art keywords
image
index
luminance
color
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.)
Active
Application number
CN201911000026.5A
Other languages
English (en)
Other versions
CN110827241A (zh
Inventor
邓向冬
宁金辉
王惠明
张乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Planning Institute Of Radio And Television Of State Administration Of Radio And Television
Original Assignee
Planning Institute Of Radio And Television Of State Administration Of Radio And Television
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Planning Institute Of Radio And Television Of State Administration Of Radio And Television filed Critical Planning Institute Of Radio And Television Of State Administration Of Radio And Television
Priority to CN201911000026.5A priority Critical patent/CN110827241B/zh
Publication of CN110827241A publication Critical patent/CN110827241A/zh
Application granted granted Critical
Publication of CN110827241B publication Critical patent/CN110827241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于颜色失真和对比度增强的低亮度增强图片的全参考方法，包括：计算用于衡量图像色彩失真的色彩相似度指标S(color)；计算用于衡量对比度增强的图像结构相似性指标S(contrast)；计算用于衡量亮度增强效果的指标S(luminance)；将指标S(color)、指标S(contrast)和指标S(luminance)的幂乘积作为低亮度增强图像的评价分数S。同时提供了一种用于执行上述方法的终端。本发明可以有效地评价低亮度增强算法对于在黑暗中或者低光拍摄下的图片增强效果的好坏，对于低亮度增强算法的发展有着重要的意义。

Description

基于颜色失真和对比度增强的低亮度增强图片全参考方法
技术领域
本发明涉及图像质量评价领域的方法，具体地，涉及一种基于颜色失真(色彩空间相似性)和对比度增强(结构相似性)的低亮度增强图片全参考图像质量评价方法(简称全参考方法)。
背景技术
低亮度图片的增强算法是一个广泛研究的领域，其应用领域从娱乐(手机等设备的夜间拍照)到安防(监控视频等)。低亮度图片的增强算法从最早的基于直方图的方法到基于视网膜皮层理论的方法再到现在深度学习的方法，虽然算法的整体增强效果越来越好，但是由于低亮度图片增强是一个非常复杂的任务，从低亮度图片中恢复原有场景的同时经常会引入新的失真，比如噪声、色彩失真、过度增强等，具体失真类型可见附图。因此，对于高效地低亮度增强图片质量评估的需求也越来越明显。尽管目前对传统自然图片的质量评价方面已经取得了相当大的成果，然而对于低亮度增强图片的评价上的进展屈指可数。并且，低亮度增强图片的失真类型与传统图片质量评价的失真类型相差很大，传统的质量评价算法在低亮度增强图片上并不适用。
由于目前并没有专门针对于低亮度增强图片的质量评价算法，在现有的文献中，评价低亮度图片质量主要由以下几种方法。第一种方法，利用现有的全参考质量评价算法或是无参考图像质量评价算法，典型的全参算法有Zhou等人在《IEEE Transactions onImage Processing》上发表的“Image quality assessment:From error visibility tostructural similarity”文章中提出的SSIM算法，典型的无参算法有Mittal等人在《IEEESignal Processing Letters》上发表的“Making a Completely Blind Image QualityAnalyzer”文章中提出的NIQE算法。但是传统的质量评价算法并不使用于低亮度图片增强过程中所引入的复杂失真类型。第二种方法是采用主观实验的方法，即把恢复出的低亮度增强图片给一群专业的人士来观察，由专业人士来给出图片的具体分数。这种方法虽然最符合人类对图片质量的认知，然而，进行主观实验是一件非常耗时耗力的工作，并不适合推广的实际的应用场景中。第三种方法是Shuhang等人在《IEEE Transactions on ImageProcessing》上发表的“Naturalness Preserved Enhancement Algorithm for Non-Uniform Illumination Images”中提出的亮度秩序误差算法(LOE)。但是亮度秩序误差算法仅仅是衡量亮度增强的效果，而对于增强后的图片中引入的其它失真并没有办法衡量。因此，对于低亮度图片增强算法研究领域，专门针对于低亮度增强图片的质量评价算法是极其重要的。
发明内容
针对目前图像质量评价领域缺乏对低亮度增强图片的有效算法的问题，本发明的目的是提供一种基于颜色失真和对比度增强的低亮度增强图片全参考图像质量评价方法(简称全参考方法)。该方法可以有效地评价低亮度增强算法对于在黑暗中或者低光拍摄下的图片增强效果的好坏，对于低亮度增强算法的发展有着重要的意义。
为了实现以上的目的，本发明提供的一种基于颜色失真和对比度增强的低亮度增强图片的全参考方法，包括：
S1，计算用于衡量图像色彩失真的色彩相似度指标S(color)；
S2，计算用于衡量对比度增强的图像结构相似性指标S(contrast)；
S3，计算用于衡量亮度增强效果的指标S(luminance)；
S4，将指标S(color)、指标S(contrast)和指标S(luminance)的幂乘积作为低亮度增强图像的评价分数S。
优选地，所述S1包括如下子步骤，
S11，将待评价的低亮度增强图片E和相对应的参考图片R从RGB色彩空间转换到HSV色彩空间；
S12，分别计算低亮度增强图片E和参考图片R在色调H和饱和度S上的相似度图M(H)和M(S)，然后将相似度图M(H)和M(S)进行点乘得到色彩失真的相似度图M(C)；
S13，将色彩失真的相似度图M(C)进行均值池化，并将得到的结果作为衡量图像色彩失真的色彩相似度指标S(color)。
优选地，所述S11中：
v＝max{R,G,B}
Figure BDA0002241009800000031
Figure BDA0002241009800000032
其中，v表示图像的亮度图；s表示图像的饱和度图；h表示图像的色度图；
所述S12中：
Figure BDA0002241009800000033
Figure BDA0002241009800000034
M(C)＝M(H).M(S)
其中，hE表示参考图像的色度图，hd表示失真图片的色度图，∈1表示数值很小的常量；sE表示参考图像的饱和度图，sd表示失真图片的饱和度图；
所述S13中：
Figure BDA0002241009800000035
其中，nwidth表示图像的宽度，nheig表示图像的长度，i和j表示图像像素的位置。
优选地，所述S2包括如下子步骤，
S21，计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的局部标准方差图σ(E)和σ(R)
S22，计算局部标准方差图σ(E)和σ(R)的相似度图M(contrast)；
S23，将相似度图M(contrast)进行均值池化，并将得到的结果作为衡量对比度增强的图像结构相似性指标S(contrast)。
优选地，所述S21中：
Figure BDA0002241009800000036
Figure BDA0002241009800000037
其中，μ(i,j)表示图像像素值(i,j)在领域(k,l)范围内亮度的局部均值，w(k,l)表示邻域内的权重，v(i+k,j+l)表示图像像素值(i+k,j+l)处的亮度值，σ(i,j)表示图像像素值(i,j)在领域(k,l)范围内的亮度局部方差值；k,l,i,j分别表示像素的位置；
所述S22中：
Figure BDA0002241009800000041
其中，σe表示参考图的亮度方差图，σd表示失真图的亮度方差图，∈2表示一个很小的常量；
所述S23中：
Figure BDA0002241009800000042
其中，nwidth表示图像的宽度，nheight表示图像的长度，i和j表示图像像素的位置。
优选地，所述S3包括如下子步骤：
S31，计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的图像直方图H(E)和H(R)；
S32，计算图像直方图H(E)和H(R)之间的地动距离D(EMD)，并将地动距离D(EMD)作为衡量亮度增强效果的指标S(luminance)。
优选地，所述S32中：
S(luminance)＝EMD(H(E),H(R))
其中，EMD(luminance)表示直方图H(E)和H(R)之间的地动距离。
优选地，所述S4包括如下步骤：采用图像质量融合方法，将指标S(color)、指标S(contrast)和指标S(luminance)的幂指数相乘，得到最终的衡量低亮度增强图像的评价分数S，评价分数S中对应的幂指数分别为各个指标的权重。
优选地，所述S4中：
S＝S(color)αS(contrast)βS(luminance)γ
其中，α、β、γ分别为指标S(color)、指标S(contrast)、指标S(luminance)对与分数S的权重。
本发明同时提供了一种终端，包括存储器、处理器及存储在存储器上并能够在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能够用于执行上述任一项所述的方法。
与现有的图像质量评价技术相比，本发明具有以下有益效果：
本发明从色彩失真、对比度增果以及亮度增强效果出发，可以准确的衡量低亮度增强图片的效果，从而评价相机或是低亮度增强算法的好坏，这对于指导低亮度增强算法的设计有着重要的意义，而且还可以应用到其他类似场景的应用中，比如去雾算法的评价、水下视频增强算法的评价、去雨算法评价等多种场景中。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例提供的基于颜色失真和对比度增强的低亮度增强图片的全参考方法流程图；
图2为采用本发明一实施例提供的基于颜色失真和对比度增强的低亮度增强图片的全参考方法评价图像示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于颜色失真和对比度增强的低亮度增强图片的全参考方法，包括：
计算用于衡量图像色彩失真的色彩相似度指标；
计算用于衡量对比度增强的图像结构相似性指标；
计算用于衡量亮度增强效果的图像直方图的地动距离指标；
结合色彩相似度指标、图像结构相似性指标和图像直方图的地动距离指标，得到作为低亮度增强图像的评价分数。
进一步地，所述的计算用于衡量图像色彩失真的色彩相似度指标，包括：首先将待评价的低亮度增强图片E和相对应的参考图片R从RGB色彩空间转换到HSV色彩空间，在分别计算低亮度增强图片E和相对应的参考图片R在色调H和饱和度S上的相似度图M(H)和M(S)，然后将相似度图M(H)和M(S)进行点乘得到色彩失真图M(C)，通过均值池化策略得到衡量图像色彩失真的色彩相似度指标S(color)。
进一步地，所述的计算用于衡量对比度增强的图像结构相似性指标，包括：首先计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的局部标准方差图σ(E)和σ(R)，然后计算局部标准方差图σ(E)和σ(R)的相似度图M(contrast)，通过均值池化策略得到衡量对比度增强的图像结构相似性指标S(contrast)。
进一步地，所述的计算用于衡量亮度增强效果的图像直方图的地动距离指标，包括：首先计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的图像直方图H(E)和H(R)，然后计算图像直方图H(E)和H(R)之间的地动距离D(EMD)作为衡量亮度增强效果的的指标S(luminance)。
进一步地，所述的图像质量融合方法，采用将色彩相似度指标S(color)、图像结构相似性指标S(contrast)和衡量亮度增强效果的的指标S(luminance)的幂指数相乘的方法，得到最终的衡量低亮度增强图像的评价分数S，评价分数S中对应的幂指数为各个指标的权重。
本发明实施例同时提供了一种终端，包括存储器、处理器及存储在存储器上并能够在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能够用于执行上述任一项所述的方法。
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例作进一步地描述。
本发明实施例提供的基于颜色失真和对比度增强的低亮度增强图片的全参考图像质量评价方法(简称全参考方法)，如图1所示，所述的方法包括了：1是计算用于衡量图像色彩失真的色彩相似度指标、2是计算用于衡量对比度增强的图像结构相似性指标、3是计算用于衡量亮度增强效果的图像直方图的地动距离指标、4是采用图像质量融合方法，结合色彩相似度指标、图像结构相似性指标和图像直方图的地动距离指标，得到作为低亮度增强图像的评价分数。所述的基于颜色失真和对比度增强的低亮度增强图片的全参考图像质量评价方法，通过衡量图像的色彩失真程度、对比度增强程度以及亮度增强程度来衡量低亮度增强图片的质量。
具体地，整个过程的流程如图1所示，包括：
步骤101，计算用于衡量图像色彩失真的色彩相似度指标：
先将待评价的低亮度增强图片E和相对应的参考图片R从RGB色彩空间转换到HSV色彩空间：
v＝max{R,G,B}
Figure BDA0002241009800000071
Figure BDA0002241009800000072
其中，v表示图像的亮度图；s表示图像的饱和度图；h表示图像的色度图；
然后在分别计算低亮度增强图片E和相对应的参考图片R在色调H和饱和度S上的相似度图M(H)和M(S)：
Figure BDA0002241009800000073
Figure BDA0002241009800000074
其中，hE表示参考图像的色度图，hd表示失真图片的色度图，∈1表示数值很小的常量；sE表示参考图像的饱和度图，sd表示失真图片的饱和度图；
然后将相似度图M(H)和M(S)进行点乘得到色彩失真图M(C)：
M(C)＝M(H).M(S)
最后通过均值池化策略得到衡量图像色彩失真的色彩相似度指标S(color)：
Figure BDA0002241009800000075
其中，nwidth表示图像的宽度，nheigh表示图像的长度,i,j分别表示像素的位置。
步骤102，计算用于衡量对比度增强的图像结构相似性指标：
首先计算图像的局部均值和标准差：
Figure BDA0002241009800000076
Figure BDA0002241009800000077
其中，μ(i,j)表示图像像素值(i,j)在领域(k,l)范围内亮度的局部均值，w(k,l)表示邻域内的权重，v(i+k,j+l)表示图像像素值(i+k,j+l)处的亮度值，σ(i,j)表示图像像素值(i,j)在领域(k,l)范围内的亮度局部方差值；k,l,i,j分别表示像素的位置；
计算局部标准方差图σ(E)和σ(R)的相似度图M(contrast):
Figure BDA0002241009800000081
其中，σe表示参考图的亮度方差图，σd表示失真图的亮度方差图，∈2表示一个很小的常量；
最后通过均值池化策略得到衡量图像色彩失真的色彩相似度指标S(contrast)：
Figure BDA0002241009800000082
其中，nwidth表示图像的宽度，nheight表示图像的长度，i和j表示图像像素的位置。
步骤103，计算用于衡量亮度增强效果的图像直方图的地动距离指标：
首先计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的图像直方图H(E)和H(R)，然后计算图像直方图H(E)和H(R)之间的地动距离D(EMD)作为衡量亮度增强效果的的指标S(luminance)：
S(luminance)＝EMD(H(E),H(R))
其中，EMD(luminance)表示直方图H(E)和H(R)之间的地动距离。
步骤104，采用将色彩相似度指标S(color)、图像结构相似性指标S(contrast)和衡量亮度增强效果的的指标S(luminance)的幂指数相乘的方法，得到最终的衡量低亮度增强图像的评价分数S：
S＝S(color)αS(contrast)βS(luminance)γ
其中，α、β、γ分别为指标S(color)、指标S(contrast)、指标S(luminance)对与分数S的权重。
本发明上述实施例提供的基于颜色失真和对比度增强的低亮度增强图片的全参考图像质量评价方法，将低亮度增强图片E和参考图片R从RGB色彩空间转换到HSV色彩空间，分别计算低亮度增强图片E和参考图片R在色调H和饱和度S上的相似度图M(H)和M(S)，然后将相似度图M(H)和M(S)的乘积作为色彩失真的相似度图M(C)，将色彩失真的相似度图M(C)进行均值池化，并将得到的结果作为衡量图像色彩失真的色彩相似度指标S(color)；计算低亮度增强图片E和参考图片R在对比度增强的图像结构相似度图M(contrast)，将相似度图M(contrast)进行均值池化，并将得到的结果作为衡量对比度增强的图像结构相似性指标S(contrast)；计算低亮度增强图片E和参考图片R的直方图H(E)和H(R)，然后计算H(E)和H(R)之间的地动距离D(EMD)，并将地动距离D(EMD)作为衡量亮度增强效果的指标S(luminance)，最后，将指标S(color)、指标S(contrast)和指标S(luminance)的幂乘积作为低亮度增强图片的评价分数。本发明上述实施例提供的方法，从色彩失真、对比度增果以及亮度增强效果出发，可以准确的衡量低亮度增强图片的效果，从而评价相机或是低亮度增强算法的好坏，这对于指导低亮度增强算法的设计有着重要的意义，而且还可以应用到其他类似场景的应用中，比如去雾算法的评价、水下视频增强算法的评价、去雨算法评价等多种场景中。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (7)

1.一种基于颜色失真和对比度增强的低亮度增强图片全参考方法，其特征在于，包括：
S1，计算用于衡量图像色彩失真的色彩相似度指标S(color)；
S2，计算用于衡量对比度增强的图像结构相似性指标S(contrast)；
S3，计算用于衡量亮度增强效果的指标S(luminance)；
S4，将指标S(color)、指标S(contrast)和指标S(luminance)的幂乘积作为低亮度增强图像的评价分数S；
所述S1包括，
S11，将待评价的低亮度增强图片E和相对应的参考图片R从RGB色彩空间转换到HSV色彩空间；
S12，分别计算低亮度增强图片E和参考图片R在色调H和饱和度S上的相似度图M(H)和M(S)，然后将相似度图M(H)和M(S)进行点乘得到色彩失真的相似度图M(C)；
S13，将色彩失真的相似度图M(C)进行均值池化，并将得到的结果作为衡量图像色彩失真的色彩相似度指标S(color)；
所述S2包括，
S21，计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的局部标准方差图σ(E)和σ(R)
S22，计算局部标准方差图σ(E)和σ(R)的相似度图M(contrast)；
S23，将相似度图M(contrast)进行均值池化，并将得到的结果作为衡量对比度增强的图像结构相似性指标S(contrast)；
所述S3包括如下子步骤：
S31，计算待评价的低亮度增强图片E和相对应的参考图片R在亮度分量上的图像直方图H(E)和H(R)；
S32，计算图像直方图H(E)和H(R)之间的地动距离D(EMD)，并将地动距离D(EMD)作为衡量亮度增强效果的指标S(luminance)。
2.根据权利要求1所述的基于颜色失真和对比度增强的低亮度增强图片全参考方法，其特征在于，所述S11中：
v＝max{R,G,B}
Figure FDA0003631360020000021
Figure FDA0003631360020000022
其中，v表示图像的亮度图；s表示图像的饱和度图；h表示图像的色度图；
所述S12中：
Figure FDA0003631360020000023
Figure FDA0003631360020000024
M(C)＝M(H).M(S)
其中，hE表示参考图像的色度图，hd表示失真图片的色度图，∈1表示数值很小的常量；sE表示参考图像的饱和度图，sd表示失真图片的饱和度图；
所述S13中：
Figure FDA0003631360020000025
其中，nwidth表示图像的宽度，nheight表示图像的长度，i和j表示图像像素的位置。
3.根据权利要求1所述的基于颜色失真和对比度增强的低亮度增强图片全参考方法，其特征在于，所述S21中：
Figure FDA0003631360020000026
Figure FDA0003631360020000027
其中，μ(i,j)表示图像像素值(i,j)在领域(k,l)范围内亮度的局部均值，w(k,l)表示邻域内的权重，v(i+k,j+l)表示图像像素值(i+k,j+l)处的亮度值，σ(i,j)表示图像亮度像素值(i,j)在领域(k,l)范围内的局部方差值；k,l,i,j分别表示像素的位置；
所述S22中：
Figure FDA0003631360020000028
其中，σe表示参考图的亮度方差图，σd表示失真图的亮度方差图，∈2表示一个很小的常量；
所述S23中：
Figure FDA0003631360020000031
其中，nwidth表示图像的宽度，nheigh表示图像的长度，i和j表示图像像素的位置。
4.根据权利要求1所述的基于颜色失真和对比度增强的低亮度增强图片全参考方法，其特征在于，所述S32中：
S(luminance)＝EMD(H(E),H(R))
其中，EMD(luminance)表示直方图H(E)和H(R)之间的地动距离。
5.根据权利要求1所述的基于颜色失真和对比度增强的低亮度增强图片全参考方法，其特征在于，所述S4包括如下步骤：采用图像质量融合方法，将指标S(color)、指标S(contrast)和指标S(luminance)的幂指数相乘，得到最终的衡量低亮度增强图像的评价分数S，评价分数S中对应的幂指数分别为各个指标的权重。
6.根据权利要求5所述的基于颜色失真和对比度增强的低亮度增强图片全参考方法，其特征在于，所述S4中：
S＝S(color)αS(contrast)βS(luminance)γ
其中，α、β、γ分别为指标S(color)、指标S(contrast)、指标S(luminance)对与分数S的权重。
7.一种终端，包括存储器、处理器及存储在存储器上并能够在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能够用于执行权利要求1至6中任一项所述的方法。
CN201911000026.5A 2019-10-21 2019-10-21 基于颜色失真和对比度增强的低亮度增强图片全参考方法 Active CN110827241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911000026.5A CN110827241B (zh) 2019-10-21 2019-10-21 基于颜色失真和对比度增强的低亮度增强图片全参考方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911000026.5A CN110827241B (zh) 2019-10-21 2019-10-21 基于颜色失真和对比度增强的低亮度增强图片全参考方法

Publications (2)

Publication Number Publication Date
CN110827241A CN110827241A (zh) 2020-02-21
CN110827241B true CN110827241B (zh) 2022-08-12

Family

ID=69549881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911000026.5A Active CN110827241B (zh) 2019-10-21 2019-10-21 基于颜色失真和对比度增强的低亮度增强图片全参考方法

Country Status (1)

Country Link
CN (1) CN110827241B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362315B (zh) * 2021-06-22 2022-09-30 中国科学技术大学 基于多算法融合的图像质量评价方法及评价模型

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2006051831A1 (ja) * 2004-11-10 2008-05-29 株式会社日立メディコ 画像生成方法及び画像生成装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5943112B1 (ja) * 2015-03-19 2016-06-29 富士ゼロックス株式会社 画像処理装置、画像処理システムおよびプログラム
CN107292830B (zh) * 2016-12-28 2020-09-25 首都师范大学 低照度图像增强及评价方法
CN107220974A (zh) * 2017-07-21 2017-09-29 北京印刷学院 一种全参考图像质量评价方法和装置
CN107545570B (zh) * 2017-08-31 2019-11-15 中国地质大学（武汉） 一种半参考图的重构图像质量评价方法
CN108010024B (zh) * 2017-12-11 2021-12-07 宁波大学 一种盲参考色调映射图像质量评价方法
CN108961206B (zh) * 2018-04-20 2021-05-11 北京航空航天大学 一种去雾效果的无参考客观评价方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2006051831A1 (ja) * 2004-11-10 2008-05-29 株式会社日立メディコ 画像生成方法及び画像生成装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FULL-REFERENCE QUALITY ASSESSMENT OF CONTRAST CHANGED IMAGES BASED ON LOCAL LINEAR MODEL;Wen Sun等;《2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20180913;1228-1232 *
全参考图像质量评价方法整理与实用性探讨;YaqiLYU;《https://zhuanlan.zhihu.com/p/24804170》;20180313;1-20 *
图像质量评价及其在图像去噪中的应用研究;杨光义;《中国博士学位论文全文数据库 (信息科技辑)》;20190215(第02期);I138-47 *
若干全参考型图像质量评价模型的提升算法研究;高丽霞;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180215(第02期);I138-1672 *

Also Published As

Publication number Publication date
CN110827241A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
Galdran et al. Automatic red-channel underwater image restoration
CN112308095A (zh) 图片预处理及模型训练方法、装置、服务器及存储介质
US20140079319A1 (en) Methods for enhancing images and apparatuses using the same
US9704227B2 (en) Method and apparatus for image enhancement
TWI632894B (zh) 動態影像之心率活動偵測系統與其方法
Sidike et al. Adaptive trigonometric transformation function with image contrast and color enhancement: Application to unmanned aerial system imagery
Wang et al. Variational single nighttime image haze removal with a gray haze-line prior
CN110111347B (zh) 图像标志提取方法、装置及存储介质
WO2023160312A1 (zh) 基于自监督学习的行人重识别方法、装置、设备及存储介质
CN107292830A (zh) 低照度图像增强及评价方法
JP2004310475A (ja) 画像処理装置、画像処理を行う携帯電話、および画像処理プログラム
US20190068891A1 (en) Method and apparatus for rapid improvement of smog/low-light-level image using mapping table
CN102339461A (zh) 图像增强方法和设备
CN116681636B (zh) 基于卷积神经网络的轻量化红外与可见光图像融合方法
CN107256539B (zh) 一种基于局部对比度的图像锐化方法
CN110827241B (zh) 基于颜色失真和对比度增强的低亮度增强图片全参考方法
Wan et al. Joint image dehazing and contrast enhancement using the HSV color space
CN113409247B (zh) 一种多曝光融合图像质量评价方法
CN106683047B (zh) 一种全景图像的光照补偿方法和系统
CN111797694A (zh) 一种车牌检测方法及装置
He et al. Effective haze removal under mixed domain and retract neighborhood
WO2023011280A1 (zh) 图像噪声程度估计方法、装置、电子设备及存储介质
Lian et al. Learning intensity and detail mapping parameters for dehazing
CN112839167B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN107103321B (zh) 道路二值化图像的生成方法及生成系统

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