CN111754428B - 基于各向异性梯度模型的图像增强方法及系统 - Google Patents
基于各向异性梯度模型的图像增强方法及系统 Download PDFInfo
- Publication number
- CN111754428B CN111754428B CN202010528029.2A CN202010528029A CN111754428B CN 111754428 B CN111754428 B CN 111754428B CN 202010528029 A CN202010528029 A CN 202010528029A CN 111754428 B CN111754428 B CN 111754428B
- Authority
- CN
- China
- Prior art keywords
- image
- layer information
- base layer
- information
- texture
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 230000002708 enhancing effect Effects 0.000 claims description 8
- RHCSKNNOAZULRK-APZFVMQVSA-N 2,2-dideuterio-2-(3,4,5-trimethoxyphenyl)ethanamine Chemical compound NCC([2H])([2H])C1=CC(OC)=C(OC)C(OC)=C1 RHCSKNNOAZULRK-APZFVMQVSA-N 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G06T5/92—
-
- G06T5/94—
-
- 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
Abstract
本发明涉及一种基于各向异性梯度模型的图像增强方法及系统，方法包括：获取待处理图像；采用L1‑L0混合正则化的各向异性梯度层分解模型将待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；根据保真项、纹理层正则项和基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息；分别对基层信息和纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息；根据调节后基层信息和调节后纹理层信息确定增强后图像。通过本发明的上述方法和系统，能够在图像层分解时对基层信息和纹理层信息起到保护作用，有效地实现图像对比度增强。
Description
技术领域
本发明涉及图像增强技术领域，特别是涉及一种基于各向异性梯度模型的图像增强方法及系统。
背景技术
目前，光电成像系统被广泛运用于户外信息感知、目标探测与跟踪，智能系统等多个领域。在获取图像的过程中，成像系统不可避免地遇到环境照度低的情况，使得成像后的目标图像对比度低，影响图像的后期分析与使用。
图像对比度增强较好的手段是基于图像的层分解，即把图像分解成基层和纹理层，然后分别处理两者达到图像信息对比度增强的目的。目前较为流行的层分解对比度增强方法是基于总变分模型的方法，该方法使用L1范数正则化的总变分来表征基层信息，使用L0范数正则化的总变分来表征图像的纹理层信息。虽然总变分模型能有效地增强图像的对比度，并使得图像的边缘特征达到一定程度地增强，但是L1正则化的总变分模型的阶梯效应会使图像基层中边缘的类矩形结构，如图像边缘尖锐拐角特征变的圆滑，使得处理后图像的基层信息部分失真；而L0正则化的总变分模型虽然能一定程度地保护图像的纹理层信息，但是L0总变分模型是统一控制图像纹理层两个方向不为零的梯度总数，单个方向上不为零的图像梯度分布信息无法得知，即无法对纹理层每个方向的图形信息进行分别保护，致使分解后的图像纹理层信息保护不足。
发明内容
本发明的目的是提供一种基于各向异性梯度模型的图像增强方法及系统，能够在图像层分解时对基层信息和纹理层信息起到保护作用，有效地实现图像对比度增强。
为实现上述目的，本发明提供了如下方案：
一种基于各向异性梯度模型的图像增强方法，包括：
获取待处理图像；
采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；其中，所述L1-L0混合正则化的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型；
根据所述保真项、所述纹理层正则项和所述基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息；
分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息；
根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。
可选的，所述L1-L0混合正则化的各向异性梯度层分解模型为：
其中，s为待处理图像，b为待处理图像的基层信息，||·||L1为L1范数正则项，||·||L0为L0范数正则项，
为水平方向的梯度算子，
为竖直方向的梯度算子，λ1,λ2,λ3,λ4均为图像层分解系数，
为保真项，
为基层正则项，
为纹理层正则项。
可选的，所述分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息，具体包括：
根据公式Bnew＝α·B确定调节后基层信息；其中，Bnew为调节后基层信息，α为基层调节参数，B为基层信息；
根据公式Dnew＝β·D确定调节后纹理层信息；其中，Dnew为调节后纹理层信息，β为纹理层调节参数，D为纹理层信息。
可选的，所述根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像，具体包括：
根据公式s′＝Bnew+Dnew确定增强后图像；其中，Bnew为调节后基层信息，Dnew为调节后纹理层信息，s′为增强后图像。
一种基于各向异性梯度模型的图像增强系统，包括：
待处理图像获取模块，用于获取待处理图像；
图像分解模块，用于采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；其中，所述L1-L0混合正则化的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型；
基层信息和纹理层信息确定模块，用于根据所述保真项、所述纹理层正则项和所述基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息；
对比度调节模块，用于分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息；
图像增强模块，用于根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。
可选的，所述L1-L0混合正则化的各向异性梯度层分解模型为：
其中，s为待处理图像，b为待处理图像的基层信息，||·||L1为L1范数正则项，||·||L0为L0范数正则项，
为水平方向的梯度算子，
为竖直方向的梯度算子，λ1,λ2,λ3,λ4均为图像层分解系数，
为保真项，
为基层正则项，
为纹理层正则项。
可选的，所述对比度调节模块具体包括：
基层对比度调节单元，用于根据公式Bnew＝α·B确定调节后基层信息；其中，Bnew为调节后基层信息，α为基层调节参数，B为基层信息；
纹理层对比度调节单元，用于根据公式Dnew＝β·D确定调节后纹理层信息；其中，Dnew为调节后纹理层信息，β为纹理层调节参数，D为纹理层信息。
可选的，所述图像增强模块具体包括：
图像增强单元，用于根据公式s′＝Bnew+Dnew确定增强后图像；其中，Bnew为调节后基层信息，Dnew为调节后纹理层信息，s′为增强后图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于各向异性梯度模型的图像增强方法及系统，采用L1-L0混合正则化的各向异性梯度层分解模型将待处理图像进行分解，将L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型分别作为图像分解中基层正则项和纹理层正则项的信息表征项。L1正则化的各向异性梯度基层模型在增强图像基层边缘的同时，可以有效地缓解因总变分模型的阶梯效应带来的基层边缘信息失真问题；L0正则化的各向异性梯度纹理层模型，则可以从水平和竖直两个方向分别统计纹理层信息中不为零的梯度信息，更好地保护分解后图像纹理特征，能有效地实现图像对比度增强，而且使得增强后的图像基层和纹理层信息得到更好地保护。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例所提供的一种基于各向异性梯度模型的图像增强方法流程图；
图2为本发明实施例所提供的隧道图像1对比度增强实验结果图；
图3为本发明实施例所提供的隧道图像1对比度增强实验结果局部细节图；
图4为本发明实施例所提供的隧道图像2对比度增强实验结果图；
图5为本发明实施例所提供的隧道图像2对比度增强实验结果局部细节图；
图6为本发明实施例所提供的一种基于各向异性梯度模型的图像增强系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于各向异性梯度模型的图像增强方法及系统，能够在图像层分解时对基层信息和纹理层信息起到保护作用，有效地实现图像对比度增强。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的一种基于各向异性梯度模型的图像增强方法流程图，如图1所示，本发明所述基于各向异性梯度模型的图像增强方法包括：
S101，获取待处理图像。本发明实施例中获取的是隧道图像。
S102，采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；其中，所述L1-L0混合正则化的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型。
具体的，所述L1-L0混合正则化的各向异性梯度层分解模型为：
S103，根据所述保真项、所述纹理层正则项和所述基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息。
具体的，需要对S102中L1-L0混合正则化的各向异性梯度层分解模型中的各未知量进行求解，求解过程如下：
引入辅助变量c1,c2,c3,c4，并使得
接着利用分裂布雷格曼迭代原理，将上述模型转变成如下非约束条件问题：
其中，(1)式是对所有项的和构成的公式进行最小化，d1,d2,d3,d4是模型转换过程中引入的辅助变量，ρ为布雷格曼迭代系数。
式(1)是多变量的优化问题，可以转变成如下单变量优化子问题：
①关于bk+1子问题：
其中，(2)式是对所有项构成的和公式进行最小化处理，根据(2)式能求出关于b的迭代解。
对(1)式直接进行求导，使导数等于零，可得如下关于b的线性方程：
根据(2)式和(3)式，利用傅里叶变换和傅里叶反变换，得到如下关于bk+1的迭代公式：
其中，(4)式中，F(·)表示傅里叶变换，F-1(·)表示傅里叶反变换。
②关于
子问题求解：
其中，(5)式是对整体进行最小化处理，根据(5)式能求解关于c1的迭代解。
其中，(6)式是对整体进行最小化处理，根据(6)式能求解关于c2的迭代解。
利用软阈值迭代原理可得
和
的迭代公式：
③关于
子问题求解：
其中，(9)式是对整体进行最小化处理，根据(9)式能求解关于c3的迭代解。
其中，(10)式是对整体进行最小化处理，根据(10)式能求解关于c4的迭代解。
利用硬阈值迭代原理可得
和
的迭代公式为：
④
子问题的迭代公式为：
根据上述变量的迭代公式，层分解过程可以归纳如下：
Step1：初始化设置，基层信息b0＝0，
迭代停止条件误差tol＝10-5，初始误差error＝1；最大迭代次数itermax＝500，迭代次数初始值iter＝1。
Step2：当迭代次数小于最大迭代次数或者误差大于迭代停止条件误差时(whileiter<itermax或error>tol)，
iter＝iter+1；
Step 3：输出基层信息B＝bk+1，和纹理层信息D＝s-B。其中，基层信息B是由上述迭代公式
经过多次迭代计算的bk+1赋值而得；纹理层信息D则是由待处理图像s减去基层信息B而得。
上述求解过程中λ1＝0.3，λ2＝0.25，λ3＝3×10-3，λ4＝4×10-3，ρ＝0.8。
S104，分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息。
根据公式Bnew＝α·B确定调节后基层信息；其中，Bnew为调节后基层信息，α为基层调节参数，B为基层信息，本发明实施例中α＝1.2。
根据公式Dnew＝β·D确定调节后纹理层信息；其中，Dnew为调节后纹理层信息，β为纹理层调节参数，D为纹理层信息，本发明实施例中β＝0.7。
S105，根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。
根据公式s′＝Bnew+Dnew确定增强后图像；其中，Bnew为调节后基层信息，Dnew为调节后纹理层信息，s′为增强后图像。
利用本发明的基于各向异性梯度模型的图像增强方法对原始隧道图像1和原始隧道图像2进行增强，然后采用总变分方法对原始隧道图像1和原始隧道图像2进行增强，得到增强后的隧道图像1和增强后的隧道图像2，实验结果如表1以及如图2-图5所示。
表1图像对比度增强后图像色调质量评价指标(TMQI)和自然逼真度(Natureless)
图2中的(a)部分为原始隧道图像1，图2中的(b)部分为采用总变分方法进行增强后的隧道图像1，图2中的(c)部分为采用本发明方法进行增强后的隧道图像1。图3中的(a)部分为原始隧道图像1局部细节图，图2中的(b)部分为采用总变分方法进行增强后的隧道图像1局部细节图，图2中的(c)部分为采用本发明方法进行增强后的隧道图像1局部细节图。
图4中的(a)部分为原始隧道图像2，图4中的(b)部分为采用总变分方法进行增强后的隧道图像2，图4中的(c)部分为采用本发明方法进行增强后的隧道图像2。图5中的(a)部分为原始隧道图像2局部细节图，图5中的(b)部分为采用总变分方法进行增强后的隧道图像2局部细节图，图5中的(c)部分为采用本发明方法进行增强后的隧道图像2局部细节图。
从表1以及图2-图5可知，本发明采用的基于各向异性梯度模型的图像增强方法得到的增强后图像效果更好，增强后图像信息较总变分方法更加丰富。
本发明还提供了一种基于各向异性梯度模型的图像增强系统，如图6所示，系统包括：
待处理图像获取模块1，用于获取待处理图像。
图像分解模块2，用于采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；其中，所述L1-L0混合正则化的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型。
基层信息和纹理层信息确定模块3，用于根据所述保真项、所述纹理层正则项和所述基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息。
对比度调节模块4，用于分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息。
图像增强模块5，用于根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。
优选的，所述L1-L0混合正则化的各向异性梯度层分解模型为：
优选的，所述对比度调节模块4具体包括：
基层对比度调节单元，用于根据公式Bnew＝α·B确定调节后基层信息；其中，Bnew为调节后基层信息，α为基层调节参数，B为基层信息。
纹理层对比度调节单元，用于根据公式Dnew＝β·D确定调节后纹理层信息；其中，Dnew为调节后纹理层信息，β为纹理层调节参数，D为纹理层信息。
优选的，所述图像增强模块5具体包括：
图像增强单元，用于根据公式s′＝Bnew+Dnew确定增强后图像；其中，Bnew为调节后基层信息，Dnew为调节后纹理层信息，s′为增强后图像。
针对图像对比度增强技术中，层分解时图像基层和纹理层信息保护不足问题，本发明提供了一种基于各向异性梯度模型的图像增强方法及系统，来实现图像对比度增强层分解中基层和纹理层分解时信息的保护。本发明利用L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型分别作为图像分解中基层正则项和纹理层正则项的信息表征项。L1正则化的各向异性梯度基层模型在增强图像基层边缘的同时，可以有效地缓解因总变分模型的阶梯效应带来的基层边缘信息失真问题；L0正则化的各向异性梯度纹理层模型，则可以从水平和竖直两个方向分别统计纹理层信息中不为零的梯度信息，更好地保护分解后图像纹理特征。本发明中的方法不仅能有效地实现图像对比度增强，而且使得增强后的图像基层和纹理层信息得到更好地保护，增强后的图像目标信息较总变分模型的方法更加丰富。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于各向异性梯度模型的图像增强方法，其特征在于，包括：
获取待处理图像；
采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；其中，所述L1-L0混合正则化的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型；
根据所述保真项、所述纹理层正则项和所述基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息；
分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息；
根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像；
所述L1-L0混合正则化的各向异性梯度层分解模型为：
其中，s为待处理图像，b为待处理图像的基层信息，||·||L1为L1范数正则项，||·||L0为L0范数正则项，
为水平方向的梯度算子，
为竖直方向的梯度算子，λ1,λ2,λ3,λ4均为图像层分解系数，
为保真项，
为基层正则项，
为纹理层正则项。
2.根据权利要求1所述的基于各向异性梯度模型的图像增强方法，其特征在于，所述分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息，具体包括：
根据公式Bnew＝α·B确定调节后基层信息；其中，Bnew为调节后基层信息，α为基层调节参数，B为基层信息；
根据公式Dnew＝β·D确定调节后纹理层信息；其中，Dnew为调节后纹理层信息，β为纹理层调节参数，D为纹理层信息。
3.根据权利要求1所述的基于各向异性梯度模型的图像增强方法，其特征在于，所述根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像，具体包括：
根据公式s′＝Bnew+Dnew确定增强后图像；其中，Bnew为调节后基层信息，Dnew为调节后纹理层信息，s′为增强后图像。
4.一种基于各向异性梯度模型的图像增强系统，其特征在于，包括：
待处理图像获取模块，用于获取待处理图像；
图像分解模块，用于采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解，得到保真项、纹理层正则项和基层正则项；其中，所述L1-L0混合正则化的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型；
基层信息和纹理层信息确定模块，用于根据所述保真项、所述纹理层正则项和所述基层正则项，利用分裂布雷格曼迭代原理确定基层信息和纹理层信息；
对比度调节模块，用于分别对所述基层信息和所述纹理层信息进行对比度调节，得到调节后基层信息和调节后纹理层信息；
图像增强模块，用于根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像；
所述L1-L0混合正则化的各向异性梯度层分解模型为：
其中，s为待处理图像，b为待处理图像的基层信息，||·||L1为L1范数正则项，||·||L0为L0范数正则项，
为水平方向的梯度算子，
为竖直方向的梯度算子，λ1,λ2,λ3,λ4均为图像层分解系数，
为保真项，
为基层正则项，
为纹理层正则项。
5.根据权利要求4所述的基于各向异性梯度模型的图像增强系统，其特征在于，所述对比度调节模块具体包括：
基层对比度调节单元，用于根据公式Bnew＝α·B确定调节后基层信息；其中，Bnew为调节后基层信息，α为基层调节参数，B为基层信息；
纹理层对比度调节单元，用于根据公式Dnew＝β·D确定调节后纹理层信息；其中，Dnew为调节后纹理层信息，β为纹理层调节参数，D为纹理层信息。
6.根据权利要求4所述的基于各向异性梯度模型的图像增强系统，其特征在于，所述图像增强模块具体包括：
图像增强单元，用于根据公式s′＝Bnew+Dnew确定增强后图像；其中，Bnew为调节后基层信息，Dnew为调节后纹理层信息，s′为增强后图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010528029.2A CN111754428B (zh) | 2020-06-11 | 2020-06-11 | 基于各向异性梯度模型的图像增强方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010528029.2A CN111754428B (zh) | 2020-06-11 | 2020-06-11 | 基于各向异性梯度模型的图像增强方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754428A CN111754428A (zh) | 2020-10-09 |
| CN111754428B true CN111754428B (zh) | 2021-02-09 |
Family
ID=72675917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010528029.2A Active CN111754428B (zh) | 2020-06-11 | 2020-06-11 | 基于各向异性梯度模型的图像增强方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754428B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230274A (zh) * | 2018-01-16 | 2018-06-29 | 华南理工大学 | 一种混合噪声模型下的多分辨率快速去噪方法及装置 |
| CN110208862A (zh) * | 2019-07-04 | 2019-09-06 | 电子科技大学 | 一种基于混合高阶分数阶ATpV稀疏正则化的地震反演方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5824155B2 (ja) * | 2011-08-30 | 2015-11-25 | トムソン ライセンシングＴｈｏｍｓｏｎ Ｌｉｃｅｎｓｉｎｇ | 画像のノイズ除去、圧縮および補間のための異方性勾配の正則化 |
| CN103559294A (zh) * | 2013-11-12 | 2014-02-05 | 中国石油大学(北京) | 支持向量机分类器的构造方法及装置、分类方法及装置 |
| CN105551005B (zh) * | 2015-12-30 | 2018-12-04 | 南京信息工程大学 | 耦合了梯度保真项的总变差模型快速图像复原方法 |
| CN105894463B (zh) * | 2016-03-24 | 2018-08-28 | 重庆信科设计有限公司 | 一种区域信息分离的全变分图像盲去模糊方法 |
| CN106327440B (zh) * | 2016-08-15 | 2019-05-03 | 天津大学 | 含有非局域数据保真项的图像分解滤波方法 |
| CN108230249B (zh) * | 2016-12-14 | 2021-09-21 | 南京理工大学 | 基于各向异性的l1范数全变分正则化非均匀性校正方法 |
| CN108664986B (zh) * | 2018-01-16 | 2020-09-04 | 北京工商大学 | 基于lp范数正则化的多任务学习图像分类方法及系统 |
| CN110232699A (zh) * | 2019-05-05 | 2019-09-13 | 淮阴工学院 | 一种基于l0稀疏统计特性的图像多层特征分解方法 |
| CN110544215B (zh) * | 2019-08-23 | 2023-07-21 | 淮阴工学院 | 一种基于各向异性稀疏梯度的交通监控图像去雨方法 |
-
2020
- 2020-06-11 CN CN202010528029.2A patent/CN111754428B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230274A (zh) * | 2018-01-16 | 2018-06-29 | 华南理工大学 | 一种混合噪声模型下的多分辨率快速去噪方法及装置 |
| CN110208862A (zh) * | 2019-07-04 | 2019-09-06 | 电子科技大学 | 一种基于混合高阶分数阶ATpV稀疏正则化的地震反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754428A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE112018002228B4 (de) | Konfigurierbare faltungsmaschine für verschachtelte kanaldaten | |
| CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
| CN107798661B (zh) | 一种自适应的图像增强方法 | |
| WO2014189550A1 (en) | Statistical modelling, interpolation, measurement and anthropometry based prediction of head-related transfer functions | |
| CN110428379B (zh) | 一种图像灰度增强方法及系统 | |
| CN109360157B (zh) | 基于tv和小波正则化的空间变化模糊图像复原方法 | |
| CN113658057A (zh) | 一种Swin Transformer微光图像增强方法 | |
| CN106709504A (zh) | 细节保持的高保真色调映射方法 | |
| CN105184742B (zh) | 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法 | |
| Mu et al. | Low and non-uniform illumination color image enhancement using weighted guided image filtering | |
| CN111754428B (zh) | 基于各向异性梯度模型的图像增强方法及系统 | |
| TW201740311A (zh) | 人臉影像處理方法及其系統 | |
| KR101827167B1 (ko) | Sift 병렬 처리를 이용한 고속 영상 스티칭 방법 및 장치 | |
| CN111652821B (zh) | 基于梯度信息的微光视频图像降噪处理方法、装置和设备 | |
| CN106803236A (zh) | 基于模糊域奇异值分解的非均匀性校正方法 | |
| Du et al. | Low-light image enhancement and denoising via dual-constrained Retinex model | |
| CN111951181A (zh) | 基于非局部相似性及加权截断核范数的高光谱图像去噪方法 | |
| CN109584190B (zh) | 一种基于小波变换低频直方图受限的对比度图像增强方法 | |
| CN106875383B (zh) | 基于威布尔统计特征的内容不敏感模糊图像质量评价方法 | |
| CN106780318B (zh) | 人脸幻构方法和人脸幻构系统 | |
| CN110796609B (zh) | 基于尺度感知和细节增强模型的低光图像增强方法 | |
| CN109308726A (zh) | 人脸图像编辑模板的快速生成方法和系统 | |
| CN114022371A (zh) | 基于空间和通道注意力残差网络的去雾装置及其去雾方法 | |
| CN111738926A (zh) | 恢复图像的方法及其系统 | |
| CN113962907B (zh) | 一种图像去噪方法、装置及设备 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201009 Assignee: Jiangsu Huaxia Yunjin Weaving Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980010936 Denomination of invention: Image enhancement method and system based on anisotropic gradient model Granted publication date: 20210209 License type: Common License Record date: 20211020 |