CN110889806A - 基于分数阶多尺度熵融合的自适应增益图像增强方法 - Google Patents
基于分数阶多尺度熵融合的自适应增益图像增强方法 Download PDFInfo
- Publication number
- CN110889806A CN110889806A CN201911132270.7A CN201911132270A CN110889806A CN 110889806 A CN110889806 A CN 110889806A CN 201911132270 A CN201911132270 A CN 201911132270A CN 110889806 A CN110889806 A CN 110889806A
- Authority
- CN
- China
- Prior art keywords
- image
- enhanced
- fractional order
- contrast
- adaptive gain
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 title claims description 30
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于分数阶多尺度熵融合的自适应增益图像增强方法,包括:将原始水下图像划分成非重叠的矩形图像块;获取与尺度数量一致的基于分数阶的增强输出图像;计算融合后的图像的信息熵和对比度;确定图像块内对比度增强的输出图像;获取全局对比度增强图像;将原始水下图像由RGB图像转换为灰度图像;计算灰度图像对应的梯度图像,求得梯度图像的自适应增益函数;计算最终的基于分数阶多层熵融合的自适应增益水下增强图像;输出基于分数阶多层熵融合的自适应增益水下增强图像。本发明对水下图像进行增强处理,使得增强后的图像细节更加丰富清晰,整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。
Description
技术领域
本发明属于图像信息处理领域,具体涉及基于分数阶多尺度熵融合的自适应增益图像增强方法。
背景技术
水下目标探测图像往往存在非均匀亮度、低信噪比、低对比度等特殊情况,导致水下图像降质严重。图像增强是对原始图像进行处理加工,改善图像的显示效果,使其转换成更适合图像分析处理的一类有效方法。有学者对整数阶微分图像增强进行改进,通过对其进行加权或综合其他方法,可以提升整数阶微分的增强效果。但是,这些方法仍然无法有效改善整数阶微分对噪声敏感以及容易抑制图像纹理细节的缺点。
发明内容
为了解决上述问题,本发明提出了基于分数阶多尺度熵融合的自适应增益图像增强方法,包括以下步骤:
将原始水下图像划分成非重叠的图像块;
在图像块内部进行多尺度分数阶微积分运算,获取与尺度数一致的基于分数阶的增强输出图像,所述尺度数为分数阶的阶数的个数;
在与尺度数量一致的基于分数阶的增强输出图像的基础上,在图像块内部对不同功率因数的增强输出图像进行均值融合,并计算融合后的图像的信息熵和对比度;
对图像块内融合后的图像的信息熵和对比度进行比较分析,确定图像块内对比度增强的输出图像;
利用双线性插值,对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像;
输入原始水下图像,将原始水下图像由RGB图像转换为灰度图像;
应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像,求得梯度图像的自适应增益函数;
结合梯度图像的自适应增益函数对全局对比度增强图像进行基于自适应梯度增益的广义有界对数乘法运算,获得最终的基于分数阶多层熵融合的自适应增益水下增强图像;
输出基于分数阶多层熵融合的自适应增益水下增强图像。
进一步地,所述矩形关联图像块具体表示为:
Blockc,m,n
其中,c表示颜色通道c={r,g,b};r,g,b分别表示红绿蓝三种颜色通道;m,n表示矩形图像块检索,m=0,1,2,…,M-1,n=0,1,2,…,N-1,M为划分的图像块的总行数,N为划分的图像块的总列数。
进一步地,所述在矩形图像块内部进行多尺度分数阶微积分运算,获取与尺度数量一致的基于分数阶的增强输出图像具体包括:
Uc,m,n(x,y)=Ic,m,n,max-Ic,m,n(x,y)
其中,k是功率因数,α是分数阶,e表示图像块内的增强;Uc,m,n(x,y)是输入图像Ic,m,n(x,y)的反转图像,Ic,m,n,max是输入图像Ic,m,n(x,y)亮度最大的像素值,是反转图像Uc,m,n(x,y)的分数阶导数,是反转图像Uc,m,n(x,y)的分数阶积分,Ω表示积分的区域,和分别是反转图像Uc,m,n(x,y)基于分数阶微积分操作的增强图像和亮度最大的像素值,是输入图像Ic,m,n(x,y)基于分数阶微积分操作的增强图像;和分别为反转图像Uc,m,n(x,y)基于分数阶微积分操作的增强图像的高频部分和低频部分;公式 由公式反转而来,和分别为基于分数阶微积分操作的增强图像的高频部分和低频部分;
其中,αi表示第i个分数阶,i表示分数阶的尺度数,最大尺度数为P,P根据增强输出图像的增强性能进行设置,通常取5,6或7。
进一步地,在与尺度数量一致的基于分数阶的增强输出图像的基础上,在图像块内部对不同功率因数的增强输出图像进行均值融合,并计算融合后的图像的信息熵和对比度,具体为:
其中,和分别表示不同功率因数k对应的增强图像像素输出值,和分别表示不同功率因数k对应的增强图像信息熵,阳分别表示不同功率因数k对应的增强图像对比度,entropy表示信息熵函数,contrast表示对比度函数。
进一步地,图像块内对比度增强的输出图像表示为Fc,m,n(x,y),其计算公式为:
进一步地,利用双线性插值,对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像具体为:
利用双线性插值,对图像块内对比度增强的输出图像Fc,m,n(x,y)进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像Fout,c(x,y)。
进一步地,所述梯度图像具体为:
其中,g(x,y)为像素点(x,y)的梯度图像;Gk(x,y)为像素点(x,y)的4方向的梯度向量具体为:
其中,z(x,y)为像素点(x,y)的灰度值;z(x+m-1,y+n-1)为像素点(x,y)的3×3图像邻域,由4方向Sobel边缘检测器掩模St(m,n)计算得到,m和n分别表示矩阵z(x+m-1,y+n-1)、矩阵St(m,n)的行数和列数;
其中,
z(x,y)定义为像素点(x,y)的灰度值;4方向Sobel边缘检测器掩模St(m,n)(t=1,2,3,4)具体为:
所述梯度图像的自适应增益函数具体为:
其中,λ(x,y)为像素点(x,y)处的梯度域自适应增益函数;a和b为可调节正数变量,以确保梯度域自适应增益函数λ(x,y)均值在一个合适的范围内;
gn(x,y)为梯度图像归一化具体为:
其中,δ1和δ2为微小的扰动量,以确保gn(x,y)∈(0,1)。
进一步地,所述基于分数阶多层熵融合的自适应增益水下增强图像F′out,c(x,y)的具体计算公式为:
其中,全局对比度增强图像表示为Fout,c(x,y)。
进一步地,还包括:
对自适应增益的梯度图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价,定量评价的相关指标函数表示为:
μα、μβ和σα、σβ分别是α、β的均值和标准差;
根据评价结果调节λ(x,y)公式中的a和b,直至满足定量评价的相关指标。
本发明所达到的有益之处在于:
(1)本发明可以只利用单幅非均匀亮度、低信噪比、低对比度水下目标探测图像进行增强处理。分数阶微分在有效提升边缘和纹理细节的同时,还能很好地保留平滑区域的纹理细节,能有效地解决整数阶微分对噪声敏感的问题。
(2)本发明对水下图像进行增强处理,使得增强后的图像细节更加丰富清晰,整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1所示,本发明是基于分数阶多尺度熵融合的自适应增益图像增强方法,整体流程图如图1所示,具体实现步骤如下:
步骤一:输入原始水下图像,将原始水下图像由RGB图像转换为灰度图像;
步骤二:应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像,求得梯度图像的自适应增益函数;
利用人眼对边缘等高频信息比较敏感的特性,选择具有一定噪声鲁棒性的Sobel算子获取边缘梯度图像。在传统Sobel算子滤波(0°和90°方向)的基础上,增加了两个对角方向(45°和135°方向)的滤波,增强了平滑噪声的能力。
四个方向上的Sobel边缘检测器掩模St(m,n)定义为:
假设Z(x,y)定义为像素点(x,y)的3×3图像邻域,则Z(x,y)可以表示为:
其中,z(x,y)定义为像素点(x,y)的灰度值。
像素点(x,y)的4方向的梯度向量可以定义为:
其中,m和n分别表示矩阵z(x+m-1,y+n-1)、矩阵St(m,n)的行数和列数;像素点(x,y)的梯度图像可以定义为:
梯度图像归一化为:
其中,δ1和δ2为微小的扰动量,以确保gn(x,y)∈(0,1)。
为了得到丰富梯度信息的图像,在像素点(x,y)处的梯度域自适应增益函数λ(x,y)可以表述为:
其中,a和b为可调节正数变量,以确保梯度域自适应增益函数λ(i,j)均值在一个合适的范围内。
步骤三:将原始水下图像划分成非重叠的M×N个图像块。图像块尺寸参数为默认的8×8,这一默认参数能够较好的保留图像的色彩信息。
关联图像块可以定义为:Blockc,m,n。
其中,c表示颜色通道c={r,g,b};r,g,b分别表示红绿蓝三种颜色通道;m,n表示矩形图像块检索,m=0,1,2,…,M-1,n=0,1,2,…,N-1
步骤四:在图像块内部进行多尺度分数阶微积分运算,获取与尺度数一致的基于分数阶的增强输出图像,尺度数为分数阶的阶数的个数,具体为:
图像梯度是反映图像空间变换率的主要特征。图像边缘处,灰度变化剧烈,梯度值相对较大,对应高频部分;图像平滑区域,灰度值稳定,梯度值相对较小,趋近于0,对应低频部分;图像纹理区域,灰度值变化相对平缓,梯度值在适中水平,对应于中高频部分。增强输出图像还可以表示为高频部分与低频部分的组合: 和分别为基于分数阶微积分操作的增强图像的高频部分和低频部分;
Uc,m,n(x,y)=Ic,m,n,max-Ic,m,n(x,y)
其中,k是功率因数,α是分数阶,e表示图像块内的增强;Uc,m,n(x,y)是输入图像Ic,m,n(x,y)的反转图像,Ic,m,n,max是输入图像Ic,m,n(x,y)亮度最大的像素值,是反转图像Uc,m,n(x,y)的分数阶导数,是反转图像Uc,m,n(x,y)的分数阶积分,Ω表示积分的区域,和分别是反转图像Uc,m,n(x,y)基于分数阶微积分操作的增强图像和亮度最大的像素值,是输入图像Ic,m,n(x,y)基于分数阶微积分操作的增强图像;公式由公式 反转而来;和分别为反转图像Uc,m,n(x,y)基于分数阶微积分操作的增强图像的高频部分和低频部分;
其中,αi表示第i个分数阶,i表示分数阶的尺度数,最大尺度数为P,P根据增强输出图像的增强性能进行设置,通常取5,6或7。
步骤五:在与尺度数量一致的基于分数阶的增强输出图像的基础上,在图像块内部对不同功率因数的增强输出图像进行均值融合,并计算融合后的图像的信息熵和对比度,具体为:
其中,和分别表示不同功率因数k对应的增强图像像素输出值,和分别表示不同功率因数k对应的增强图像信息熵,和分别表示不同功率因数k对应的增强图像对比度,entropy表示信息熵函数,contrast表示对比度函数。
步骤六:图像块内对比度增强的输出图像表示为Fc,m,n(x,y),其计算公式为:
步骤七:利用双线性插值,对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像;设经双线性插值运算后的全局对比度增强图像表示为Fout,c(x,y)。
步骤八:结合梯度图像的自适应增益函数对全局对比度增强图像Fout,c(x,y)进行基于自适应梯度增益的广义有界对数乘法运算,得到基于分数阶多层熵融合的自适应增益水下增强图像F′out,c(x,y):
步骤九:对自适应增益的梯度图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价。
相关定量评价指标函数表示为:
对基于分数阶多尺度熵融合的自适应增益图像增强方法有关问题说明:
(1)分数阶微积分运算对纹理区域的图像增强有很好的效果,能有效克服整数解微积分运算存在的噪声敏感和抑制纹理细节的缺点。
(2)分数阶微积分运算灵活性较好,但在实际应用过程中,需要不断地调节分数阶数来达到满意的图像增强效果,因此不满足实时图像增强处理的需求。
(3)原始图像的不同区域具有不同的特征,简单地对一幅图像采用相同的分数阶数是不合适的。因此,本发明将原始图像划分成非重叠的M×N个矩形关联图像块,在每个矩形块内采用多尺度分数阶微积分融合,不同的矩形块可能对应于不同的分数阶数。矩形图像块,以及块内的尺度数量不宜过多,否则,运算量会非常大。
(4)广义有界对数加法算进行图像亮度调节,采用乘法运算进行图像对比度增强处理。乘法运算在梯度域自适应增益函数λ(i,j)<1时,图像像素值整体上被压缩。乘法运算在λ(i,j)∈[1,3]时,在模型零值(x=0.5)附近的像素值被拉伸,对远离零值的像素值进行压缩。
(5)在实际应用中,根据对比度增强的需要,可以对梯度域自适应增益函数λ(i,j)中的参数a和b进行调整,得到不同对比度的增强图像。
(6)在进行对比度增强时,还应综合考虑图像信息熵、色彩尺度等因素,以实现图像整体视觉效果的提升。
本发明所达到的有益之处在于:
(1)本发明可以只利用单幅非均匀亮度、低信噪比、低对比度水下目标探测图像进行增强处理。分数阶微分在有效提升边缘和纹理细节的同时,还能很好地保留平滑区域的纹理细节,能有效地解决整数阶微分对噪声敏感的问题。
(2)本发明对水下图像进行增强处理,使得增强后的图像细节更加丰富清晰,整体图像的对比度、信息熵和色彩信息等等都能得到进一步提升。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于分数阶多尺度熵融合的自适应增益图像增强方法,其特征在于,包括以下步骤:
将原始水下图像划分成非重叠的图像块;
在图像块内部进行多尺度分数阶微积分运算,获取与尺度数一致的基于分数阶的增强输出图像,所述尺度数为分数阶的阶数的个数;
在与尺度数量一致的基于分数阶的增强输出图像的基础上,在图像块内部对不同功率因数的增强输出图像进行均值融合,并计算融合后的图像的信息熵和对比度;
对图像块内融合后的图像的信息熵和对比度进行比较分析,确定图像块内对比度增强的输出图像;
利用双线性插值,对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像;
输入原始水下图像,将原始水下图像由RGB图像转换为灰度图像;
应用4方向Sobel边缘检测器计算灰度图像对应的梯度图像,求得梯度图像的自适应增益函数;
结合梯度图像的自适应增益函数对全局对比度增强图像进行基于自适应梯度增益的广义有界对数乘法运算,获得最终的基于分数阶多层熵融合的自适应增益水下增强图像;
输出基于分数阶多层熵融合的自适应增益水下增强图像。
2.根据权利要求1所述的基于分数阶多尺度熵融合的自适应增益图像增强方法,其特征在于,所述矩形关联图像块具体表示为:
Blockc,m,n
其中,c表示颜色通道c={r,g,b};r,g,b分别表示红绿蓝三种颜色通道;m,n表示矩形图像块检索,m=0,1,2,…,M-1,n=0,1,2,…,N-1,M为划分的图像块的总行数,N为划分的图像块的总列数。
3.根据权利要求2所述的基于分数阶多尺度熵融合的自适应增益图像增强方法,其特征在于,所述在矩形图像块内部进行多尺度分数阶微积分运算,获取与尺度数量一致的基于分数阶的增强输出图像具体包括:
Uc,m,n(x,y)=Ic,m,n,max-Ic,m,n(x,y)
其中,k是功率因数,α是分数阶,e表示图像块内的增强;Uc,m,n(x,y)是输入图像Ic,m,n(x,y)的反转图像,Ic,m,n,max是输入图像Ic,m,n(x,y)亮度最大的像素值,是反转图像Uc,m,n(x,y)的分数阶导数,是反转图像Uc,m,n(x,y)的分数阶积分,Ω表示积分的区域,和分别是反转图像Uc,m,n(x,y)基于分数阶微积分操作的增强图像和亮度最大的像素值,是输入图像Ic,m,n(x,y)基于分数阶微积分操作的增强图像;和分别为反转图像Uc,m,n(x,y)基于分数阶微积分操作的增强图像的高频部分和低频部分;公式 由公式反转而来,和分别为基于分数阶微积分操作的增强图像的高频部分和低频部分;
获取与尺度数一致的基于分数阶的增强输出图像,具体为:
其中,αi表示第i个分数阶,i表示分数阶的尺度数,最大尺度数为P,P根据增强输出图像的增强性能进行设置,通常取5,6或7。
6.根据权利要求5所述的基于分数阶多尺度熵融合的自适应增益图像增强方法,其特征在于,利用双线性插值,对图像块内对比度增强的输出图像进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像具体为:
利用双线性插值,对图像块内对比度增强的输出图像Fc,m,n(x,y)进行相邻区域内的像素重新赋值操作,获取全局对比度增强图像Fout,c(x,y)。
7.根据权利要求6所述的基于分数阶多尺度熵融合的自适应增益图像增强方法,其特征在于,所述梯度图像具体为:
其中,g(x,y)为像素点(x,y)的梯度图像;Gk(x,y)为像素点(x,y)的4方向的梯度向量具体为:
其中,z(x,y)为像素点(x,y)的灰度值;z(x+m-1,y+n-1)为像素点(x,y)的3×3图像邻域,由4方向Sobel边缘检测器掩模St(m,n)计算得到,m和n分别表示矩阵z(x+m-1,y+n-1)、矩阵St(m,n)的行数和列数;
其中,
z(x,y)定义为像素点(x,y)的灰度值;4方向Sobel边缘检测器掩模St(m,n)(t=1,2,3,4)具体为:
所述梯度图像的自适应增益函数具体为:
其中,λ(x,y)为像素点(x,y)处的梯度域自适应增益函数;a和b为可调节正数变量,以确保梯度域自适应增益函数λ(x,y)均值在一个合适的范围内;
gn(x,y)为梯度图像归一化具体为:
其中,δ1和δ2为微小的扰动量,以确保gn(x,y)∈(0,1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132270.7A CN110889806A (zh) | 2019-11-19 | 2019-11-19 | 基于分数阶多尺度熵融合的自适应增益图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132270.7A CN110889806A (zh) | 2019-11-19 | 2019-11-19 | 基于分数阶多尺度熵融合的自适应增益图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889806A true CN110889806A (zh) | 2020-03-17 |
Family
ID=69747895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911132270.7A Withdrawn CN110889806A (zh) | 2019-11-19 | 2019-11-19 | 基于分数阶多尺度熵融合的自适应增益图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889806A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187196A (zh) * | 2021-11-30 | 2022-03-15 | 北京理工大学 | 一种自适应多积分时间红外图像序列择优方法 |
CN114627030A (zh) * | 2022-05-13 | 2022-06-14 | 深圳深知未来智能有限公司 | 一种自适应的图像锐化方法及系统 |
CN114693562A (zh) * | 2022-04-15 | 2022-07-01 | 黄淮学院 | 一种基于人工智能的图像增强方法 |
-
2019
- 2019-11-19 CN CN201911132270.7A patent/CN110889806A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187196A (zh) * | 2021-11-30 | 2022-03-15 | 北京理工大学 | 一种自适应多积分时间红外图像序列择优方法 |
CN114187196B (zh) * | 2021-11-30 | 2024-06-14 | 北京理工大学 | 一种自适应多积分时间红外图像序列择优方法 |
CN114693562A (zh) * | 2022-04-15 | 2022-07-01 | 黄淮学院 | 一种基于人工智能的图像增强方法 |
CN114693562B (zh) * | 2022-04-15 | 2022-11-25 | 黄淮学院 | 一种基于人工智能的图像增强方法 |
CN114627030A (zh) * | 2022-05-13 | 2022-06-14 | 深圳深知未来智能有限公司 | 一种自适应的图像锐化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910323A (zh) | 一种自适应分数阶多尺度熵融合的水下图像增强方法 | |
Wang et al. | Simple low-light image enhancement based on Weber–Fechner law in logarithmic space | |
Song et al. | Color to gray: Visual cue preservation | |
US8285033B2 (en) | Bi-affinity filter: a bilateral type filter for color images | |
CN110889806A (zh) | 基于分数阶多尺度熵融合的自适应增益图像增强方法 | |
US20140079319A1 (en) | Methods for enhancing images and apparatuses using the same | |
CN107507173A (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN103238335A (zh) | 图像处理装置、图像处理方法和程序 | |
CN101675454A (zh) | 采用全色像素的边缘绘图 | |
CN107833189A (zh) | 对比受限自适应直方图均衡的水下目标探测图像增强方法 | |
CN113822830B (zh) | 基于深度感知增强的多曝光图像融合方法 | |
CN115797225B (zh) | 一种水下地形测量用无人船采集图像增强方法 | |
Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
US7545984B1 (en) | Quantifying graphics image difference | |
CN116580028B (zh) | 一种物体表面缺陷检测方法、装置、设备及存储介质 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
CN113298763B (zh) | 一种基于显著性窗口策略的图像质量评估方法 | |
TWI575504B (zh) | 影像處理裝置及影像處理方法 | |
KR20120015980A (ko) | 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
Yan et al. | A natural-based fusion strategy for underwater image enhancement | |
Dong et al. | Image enhancement via texture protection Retinex | |
Li et al. | No-reference sharpness index for scanning electron microscopy images based on dark channel prior | |
CN115131336B (zh) | 一种显示屏四色背景画面下的暗线缺陷检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200317 |