CN112884668A - 基于多尺度的轻量级低光图像增强方法 - Google Patents
基于多尺度的轻量级低光图像增强方法 Download PDFInfo
- Publication number
- CN112884668A CN112884668A CN202110195729.9A CN202110195729A CN112884668A CN 112884668 A CN112884668 A CN 112884668A CN 202110195729 A CN202110195729 A CN 202110195729A CN 112884668 A CN112884668 A CN 112884668A
- Authority
- CN
- China
- Prior art keywords
- illumination
- image
- low
- scale
- light
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005286 illumination Methods 0.000 claims abstract description 112
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 230000000750 progressive effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000295 complement effect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002411 adverse Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于多尺度的轻量级低光图像增强方法。它解决了现有方法无法完整保留图像细节、清晰度差、色彩失真与泛化能力弱等问题。本发明利用图像的多尺度表示,使用深度神经网络提取低光图像的多尺度光照信息,有效发掘并保留图像的细节特征。采用渐进式融合策略对多尺度光照信息进行融合与调整,恢复得到可准确表示外界光照分布的精细光照图像。最终根据视觉理论消除外界光照的不良影响,实现图像增强。本发明充分利用了图像在不同尺度下的互补特征信息,增强图像视觉效果好,且网络简洁,处理速度快,具有实用价值。
Description
技术领域
本发明属于图像增强技术领域,具体涉及到一种基于多尺度的轻量级低光图像增强方法。
背景技术
低光环境一直是计算机视觉领域的难题,任何在光照不足、不均的环境下拍摄的图像都会存在亮度低、噪声多、色彩失真等问题,严重降低图像质量,影响计算机视觉系统的性能。因此,为了提高图像质量与视觉系统的性能,有必要对低光图像进行增强处理。在过去的数十年间,科研人员一直致力于低光图像增强方法的研究与应用工作。目前,已有的低光图像增强方法分为传统方法和深度学习方法。
传统方法又可分为基于直方图均衡化方法与基于Retinex理论方法。前者通过扩大图像的灰度动态范围改变图像灰度的整体分布状况,提高图像亮度,但对图像细节的增强效果较差。后者基于Retinex视觉理论,认为低光图像是物体反射图像与外界光照图像的乘积,通过对低光图像进行高斯模糊等操作获得光照图像,然后利用数学计算去除光照影响,得到反射图像,即增强结果。此类方法对彩色图像增强效果有限,容易产生色彩失真。
近年来,随着深度学习的迅速发展与大数据时代的到来,基于深度学习的增强方法得到广泛应用。此方法利用神经网络从大量低光数据集中学得一种图像增强与调整能力。它又可分为端到端的直接增强方式与包括光照估计的间接增强方式。前者通过训练数据集直接学习得到增强图像,如LLNet。后者先利用网络估计得到光照图像,然后基于Retinex理论得到增强结果,如MSR-net。此类方法借助神经网络优秀的特征提取能力,有效提高了方法的泛化能力,但网络结构复杂,处理时间长,难以满足视觉系统的实时性要求。
综上,无论是传统方法还是深度学习方法都存在诸多不足。传统方法实现简单,处理速度快,不依赖训练数据集,但泛化能力弱,无法对多场景低光图像进行有效增强。而深度学习方法借助深度网络与大量数据集学习得到泛化能力强的增强模型,但它过度依赖领域知识,模型复杂度高,且增强图像可能丢失纹理细节,发生色彩失真等。因此,须提供一种新的基于多尺度的轻量级低光图像增强方法,在保证增强结果清晰逼真的前提下,提高方法泛化能力,降低模型复杂度,提高处理速度。
发明内容
针对现有的基于深度学习方法的不足与改进需求,本发明提供了一种基于多尺度的轻量级低光图像增强方法,具体方案包括以下步骤:
步骤一、对低光图像进行多尺度变换,获得不同尺度的低光图像;
步骤二、利用网络提取不同尺度的低光图像的初始光照;
步骤三、对初始光照进行深度特征提取与跨尺度融合,获得融合光照;
步骤四、对多尺度融合光照进行上采样、连接与调整操作,获得精细光照;
步骤五、根据Retinex视觉理论,由精细光照计算得到增强图像。
进一步地,上述步骤一具体过程为:以低光图像作为底层图像,自底向上建立高斯图像金字塔,具体实现过程如公式(1)、(2)所示:
在公式(1)中,Gi表示金字塔第i层图像,共有n层,Down()表示下采样操作,表示卷积操作,gk×k表示尺寸为k×k的高斯卷积核;公式(2)为高斯核函数,其中σ表示尺度参数;多次迭代以上过程得不同高度的图像金字塔。
进一步地,上述步骤二具体为:设计含有多层网络结构的提取网络,独立提取不同尺度的低光图像的初始光照,各层网络结构由单元构成,每个单元依次由卷积层、批归一化层、激活函数组成;根据输入图像的尺度不同,各层网络的卷积核尺寸依次设置为步骤一中相应层的卷积核尺寸。
进一步地,上述步骤三具体为:将步骤二得到的低分辨率的初始光照输入到融合网络模型中,对光照信息进一步提取,然后利用反卷积进行上采样,与所有高分辨率初始光照逐像素相加,实现特征融合;迭代上述过程,获得多尺度的融合光照;所述融合网络内部包括残差块,每个残差块由卷积层、批归一化层以及激活函数组成,各残差块内部利用跳跃连接,实现光照信息的渐进式融合与梯度的反向传播。
进一步地,上述步骤四具体为:首先将步骤二得到的初始光照与步骤三得到的融合光照分别在各自尺度下进行连接;然后利用卷积层进一步整合光照信息,学习多尺度光照的各通道间的关联性与依赖性,输出新的光照;然后自顶向下,对相邻尺度的光照进行连接操作,先将低尺度光照上采样至与高尺度光照相同尺寸再进行连接,得到较高尺度的新光照。对所有相邻尺度光照迭代进行上述操作,直至获得尺寸与原始图像相同的多通道光照。最后利用卷积操作进行通道调整,得到精细光照,它能够准确反映外界光照对原始图像的影响。
与现有技术相比,本发明提供的基于多尺度的轻量级低光图像增强方法具有以下有益效果:
1)将图像的多尺度表示引入了图像增强领域,充分发掘不同尺度独有的图像细节特征,并在融合过程中去除冗余信息,融合互补信息。
2)综合考虑了图像增强过程的光照估计问题,设计多种损失函数对其进行约束调整,改善增强图像的视觉质量。
3)引入残差学习机制,使网络能够对不同曝光程度的低光图像具有调整能力,方法泛化能力强,且模型简洁,处理速度快。
附图说明
图1为本发明提供的基于多尺度的轻量级低光图像增强方法流程图;
图2为本发明低光图像增强模型的整体结构示意图;
图3为本发明低光图像增强模型中提取网络的结构图;
图4为本发明低光图像增强模型中融合网络的结构图;
图5为低光图像、使用其他方法处理与本方法处理后结果对比图。
具体实施方式
下面结合本发明实例的附图,对本发明实施例中的技术方案进行完整描述。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于多尺度的轻量级低光图像增强方法,结合图1说明本实施方式。所述方法具体通过以下具体步骤实现:
步骤一,构建低光图像的多尺度表示,获得多尺度图像。图像金字塔作为图像预处理的一种重要手段,应用广泛。在此步骤中,选择高斯金字塔作为多尺度变换工具,对低光图像进行多尺度表示。
具体地,以低光图像作为金字塔的底层图像,自底向上地建立高斯金字塔,实现过程如公式(1)、(2)所示:
在公式(1)中,Gi表示金字塔第i层图像,共有n层,Down()表示下采样操作,表示卷积操作,gk×k表示尺寸为k×k的高斯卷积核。在此实施例中,金字塔高度n设置为3,卷积核尺寸k可依次取7,5,3。公式(2)是高斯核函数,其中σ表示尺度参数。具体实现时,为增大不同尺度图像间的差别,可将三个高斯核的尺度参数设置为15、80、250。多次迭代公式(1)所示过程,建立高斯图像金字塔,得到三种不同尺度、不同分辨率的低光图像。
步骤二、利用网络提取不同尺度的低光图像的初始光照。
具体地,将步骤一得到的多尺度低光图像输入到网络模型中,此处涉及的网络模型是一种多层网络,称为提取网络。各层网络独立地提取不同尺度的低光图像的初始光照。具体实现时,如图2、图3所示,各层网络的结构基本相同,每层网络包含多个单元,每个单元依次由卷积层、批归一化层、激活函数组成,各单元之间利用长短连接共享特征信息。各层网络可以根据输入图像的尺度不同,自底向上地将每层网络的卷积核尺寸依次设置为7、5、3,以有效提取不同尺度的初始光照。
步骤三、对不同尺度的初始光照进行跨尺度融合,得到融合光照。由步骤二得到的多尺度初始光照间存在着大量的冗余与互补特征信息,此步骤将融合互补信息,去除冗余信息。
具体地,将多尺度初始光照输入到网络模型中,此处涉及的网络仍为多层结构,称为融合网络,如图2、图4所示。不同于提取网络,该网络各层之间存在关联。此外,融合网络内部包括多个残差块,每个残差块由卷积层、批归一化层以及激活函数组成,各残差块内部利用跳跃连接,实现光照信息的渐进式融合与梯度的反向传播。具体实现时,先将低分辨率的初始光照通过多个残差递归单元,对光照信息进行深度提取,然后利用反卷积实现上采样,与所有高分辨率的初始光照逐像素相加,实现跨尺度光照融合。不断迭代上述操作,直至所有初始光照完成融合。此时,可得多尺度融合光照,每个尺度的光照都融合了其他所有低尺度光照的互补信息。
步骤四、对多尺度的融合光照进行上采样、连接与调整,获得精细光照。
设计多层网络进一步整合并调整光照信息。首先将步骤二得到的初始光照与步骤三得到的融合光照在各自尺度下进行连接(Concatenation),然后将连接结果通过卷积层以学习光照各通道间的关联性与依赖性,输出最终精细光照。具体地,自顶向下,对相邻两个尺度的光照进行连接操作,先将低尺度光照上采样至与高尺度光照相同尺寸并进行连接,得到较高尺度的新光照。对所有相邻尺度光照迭代进行上述操作,直至获得尺寸与原始图像相同的多通道光照。最后利用卷积操作进行通道调整,得到精细光照,它能够准确反映外界光照对原始图像的影响。
步骤五,根据Retinex视觉理论,计算得到增强结果。本方法利用神经网络输出的精细光照,根据Retinex理论间接生成增强图像。Retinex理论认为低光图像S是原始图像R与光照图像L的乘积,如公式(3)所示。
S(x,y)=R(x,y)×L(x,y) (3)
因此,为得到增强图像,需要进行Retinex逆变换,具体过程为:
步骤五一、首先将低光图像与光照图像进行对数变换,将除法运算转换为减法运算,以减少计算量,如公式(4)所示。
log(S(x,y))=log(R(x,y))+log(L(x,y)) (4)
步骤五二、在对数域将二者做差,如公式(5),(6)所示。
r(x,y)=log(R(x,y))=log(S(x,y))-log(L(x,y)) (5)
r(x,y)=s(x,y)-l(x,y) (6)
步骤五三、将计算结果进行指数变换,回到原数域,得到增强图像,如公式(7)所示。
R(x,y)=er(x,y) (7)
以上所述内容均为此发明的实施例。在网络模型训练阶段,将低光图像数据集中的低光与正常光图像对分别输入到网络中,前者作为网络输入,后者作为标签,用损失函数衡量增强图像与标签之间的损失,依据损失对网络进行梯度回传,更新网络参数,多次迭代训练网络。
本发明所提供的图像增强方法在网络模型训练阶段,将低光图像数据集中的低光与正常光图像对分别输入到网络中,前者作为网络输入,后者作为标签,用损失函数衡量增强图像与标签之间的损失,依据损失对网络进行梯度回传,更新网络参数,多次迭代训练网络。
在网络训练阶段采用复合损失函数,如公式(8)所示。具体地,包括三个损失子项,分别是:衡量正常图像在估计光照影响下与低光图像的相似度的重建损失Lrecon,如公式(9)所示;衡量增强图像与正常光照图像的空间结构相似程度的结构相似度损失Lssim,如公式(10)所示;用于对光照进行平滑约束的平滑损失Lsmooth,如公式(11)所示。其中,λ1,λ2,λ3分别表示各损失子项的权重。
L=λ1Lrecon+λ2Lssim+λ3Lsmooth (8)
公式(9)中,Si表示第i张光照图,表示第i张正常光照头像,Ii表示第i张低光图像,N表示训练数据量,2代表欧式距离。公式(10)中,μx、μy分别代表增强结果与正常光照图像的平均亮度,σx、σy表示增强结果与正常光照图像的对比度,C1、C2分别是防止除零异常的常数。公式(11)中,p与c分别表示光照图像的像素数与通道数,与表示光照图像在通道c的p像素处的水平与垂直梯度的平方,与表示水平与垂直梯度的权重。最终的损失函数L由三个损失函数加权构成,该函数有效地监督网络模型的训练过程。
实验结果与分析:本发明采用的仿真软件是PyCharm。采用的仿真硬件平台为CPU:英特尔i7 7700,GPU:英伟达1060显卡,内存:16GB DDR4。仿真程序的输入输出均为PNG格式图像。为证明方法的优越性,设计了对照实验,选择性能优越的KinD算法与ZeroDCE算法作为对比方法,实验结果如图5所示。可以看到,相较于低光图像,算法处理后的图像的整体亮度得到有效提升,且符合人眼视觉特性。相较于其他的增强算法,使用本发明算法得到的增强图像的局部细节和纹理均得到完整保留,色彩逼真,视觉效果好。因此本发明提供的图像增强算法在保留原有细节信息的同时对图像整体亮度、色彩与对比度进行有效增强,增强图像的视觉效果方面具有优越性。
上述内容仅为详细说明本发明的计算模型和处理流程,并非是对本发明的实施方式的限定。凡利用本发明说明书及附图内容所做的等效结构与等效流程替换,仍在本发明的保护范围之内。
Claims (8)
1.一种基于多尺度的轻量级低光图像增强方法,其特征在于,包括步骤如下:
步骤一、对低光图像进行多尺度变换,获得不同尺度的低光图像;
步骤二、利用网络提取不同尺度的低光图像的初始光照;
步骤三、对不同尺度的初始光照进行跨尺度融合,获得融合光照;
步骤四、对多尺度融合光照进行上采样、连接与调整操作,获得精细光照;
步骤五、根据Retinex视觉理论,由精细光照计算得到增强图像。
3.根据权利要求1所述的基于多尺度的轻量级低光图像增强方法,其特征在于,所述步骤二具体为:设计含有多层网络结构的提取网络,独立提取不同尺度的低光图像的初始光照,各层网络结构由单元构成,每个单元依次由卷积层、批归一化层、激活函数组成;根据输入图像的尺度不同,各层网络的卷积核尺寸依次设置为步骤一中相应层的卷积核尺寸。
4.根据权利要求1所述的基于多尺度的轻量级低光图像增强方法,其特征在于,所述步骤三具体为:将步骤二得到的低分辨率的初始光照输入到融合网络模型中,对光照信息进一步提取,然后利用反卷积进行上采样,与所有高分辨率初始光照逐像素相加,实现特征融合;迭代上述过程,获得多尺度的融合光照;所述融合网络内部包括残差块,每个残差块由卷积层、批归一化层以及激活函数组成,各残差块内部利用跳跃连接,实现光照信息的渐进式融合与梯度的反向传播。
5.根据权利要求1所述的基于多尺度的轻量级低光图像增强方法,其特征在于,所述步骤四具体为:首先将步骤二得到的初始光照与步骤三得到的融合光照分别在各自尺度下进行连接;然后利用卷积层进一步整合光照信息,学习多尺度光照的各通道间的关联性与依赖性,输出新的光照;然后自顶向下,对相邻尺度的光照进行连接操作,先将低尺度光照上采样至与高尺度光照相同尺寸再进行连接,得到较高尺度的新光照;对所有相邻尺度光照迭代进行上述操作,直至获得尺寸与原始图像相同的多通道光照;最后利用卷积操作进行通道调整,得到精细光照,能够准确反映外界光照对原始图像的影响。
6.根据权利要求1所述的基于多尺度的轻量级低光图像增强方法,其特征在于,所述步骤五具体为:
步骤五一、低光图像S是原始图像R与光照图像L的乘积;将低光图像S与光照图像L进行对数变换,如公式(4)所示:
log(S(x,y))=log(R(x,y))+log(L(x,y)) (4)
步骤五二、在对数域将二者做差,如公式(5)、(6)所示:
r(x,y)=log(R(x,y))=log(S(x,y))-log(L(x,y)) (5)
r(x,y)=s(x,y)-l(x,y) (6)
步骤五三、将计算结果进行指数变换,回到原数域,得到增强图像,如公式(7)所示:
R(x,y)=er(x,y) (7)。
7.根据权利要求1所述的基于多尺度的轻量级低光图像增强方法,其特征在于,该方法在网络模型训练阶段,将低光图像数据集中的低光与正常光图像对分别输入到网络中,低光图像作为网络输入,正常光图像作为标签,用损失函数衡量增强图像与标签之间的损失,依据损失对网络进行梯度回传,更新网络参数,多次迭代训练网络。
8.根据权利要求7所述的基于多尺度的轻量级低光图像增强方法,其特征在于,所述损失函数包括三个子项,分别是:衡量正常图像在估计光照影响下与低光图像的相似度的重建损失Lrecon,如公式(9)所示;衡量增强图像与正常光照图像的空间结构相似程度的结构相似度损失Lssim,如公式(10)所示;用于对光照进行平滑约束的平滑损失Lsmooth,如公式(11)所示;其中,λ1,λ2,λ3分别表示各损失子项的权重;
L=λ1Lrecon+λ2Lssim+λ3Lsmooth (8)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195729.9A CN112884668A (zh) | 2021-02-22 | 2021-02-22 | 基于多尺度的轻量级低光图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195729.9A CN112884668A (zh) | 2021-02-22 | 2021-02-22 | 基于多尺度的轻量级低光图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884668A true CN112884668A (zh) | 2021-06-01 |
Family
ID=76056709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110195729.9A Pending CN112884668A (zh) | 2021-02-22 | 2021-02-22 | 基于多尺度的轻量级低光图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884668A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362225A (zh) * | 2021-06-03 | 2021-09-07 | 太原科技大学 | 基于残差递归补偿和特征融合的多描述压缩图像增强方法 |
CN113628152A (zh) * | 2021-09-15 | 2021-11-09 | 南京天巡遥感技术研究院有限公司 | 一种基于多尺度特征选择性融合的暗光图像增强方法 |
CN114581337A (zh) * | 2022-03-17 | 2022-06-03 | 湖南大学 | 一种结合多尺度特征聚合和提升策略的低光图像增强方法 |
CN114897718A (zh) * | 2022-04-29 | 2022-08-12 | 重庆理工大学 | 一种能同时平衡上下文信息和空间细节的低光图像增强方法 |
US20230036222A1 (en) * | 2021-07-28 | 2023-02-02 | Motorola Mobility Llc | Electronic Devices and Corresponding Hybrid Methods of Low Light Image Enhancement |
CN116843581A (zh) * | 2023-08-30 | 2023-10-03 | 山东捷瑞数字科技股份有限公司 | 一种多场景图的图像增强方法、系统、设备和存储介质 |
-
2021
- 2021-02-22 CN CN202110195729.9A patent/CN112884668A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362225A (zh) * | 2021-06-03 | 2021-09-07 | 太原科技大学 | 基于残差递归补偿和特征融合的多描述压缩图像增强方法 |
CN113362225B (zh) * | 2021-06-03 | 2022-06-14 | 太原科技大学 | 基于残差递归补偿和特征融合的多描述压缩图像增强方法 |
US20230036222A1 (en) * | 2021-07-28 | 2023-02-02 | Motorola Mobility Llc | Electronic Devices and Corresponding Hybrid Methods of Low Light Image Enhancement |
CN113628152A (zh) * | 2021-09-15 | 2021-11-09 | 南京天巡遥感技术研究院有限公司 | 一种基于多尺度特征选择性融合的暗光图像增强方法 |
CN113628152B (zh) * | 2021-09-15 | 2023-11-17 | 南京天巡遥感技术研究院有限公司 | 一种基于多尺度特征选择性融合的暗光图像增强方法 |
CN114581337A (zh) * | 2022-03-17 | 2022-06-03 | 湖南大学 | 一种结合多尺度特征聚合和提升策略的低光图像增强方法 |
CN114581337B (zh) * | 2022-03-17 | 2024-04-05 | 湖南大学 | 一种结合多尺度特征聚合和提升策略的低光图像增强方法 |
CN114897718A (zh) * | 2022-04-29 | 2022-08-12 | 重庆理工大学 | 一种能同时平衡上下文信息和空间细节的低光图像增强方法 |
CN114897718B (zh) * | 2022-04-29 | 2023-09-19 | 重庆理工大学 | 一种能同时平衡上下文信息和空间细节的低光图像增强方法 |
CN116843581A (zh) * | 2023-08-30 | 2023-10-03 | 山东捷瑞数字科技股份有限公司 | 一种多场景图的图像增强方法、系统、设备和存储介质 |
CN116843581B (zh) * | 2023-08-30 | 2023-12-01 | 山东捷瑞数字科技股份有限公司 | 一种多场景图的图像增强方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949255B (zh) | 图像重建方法及设备 | |
US11295178B2 (en) | Image classification method, server, and computer-readable storage medium | |
US11501415B2 (en) | Method and system for high-resolution image inpainting | |
CN112884668A (zh) | 基于多尺度的轻量级低光图像增强方法 | |
CN113673307B (zh) | 一种轻量型的视频动作识别方法 | |
CN110648334A (zh) | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN114008663A (zh) | 实时视频超分辨率 | |
CN112381897B (zh) | 基于自编码网络结构的低照度图像增强方法 | |
US20230177641A1 (en) | Neural network training method, image processing method, and apparatus | |
CN112365514A (zh) | 基于改进PSPNet的语义分割方法 | |
CN105513033B (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
CN113744136A (zh) | 基于通道约束多特征融合的图像超分辨率重建方法和系统 | |
CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
Yu et al. | Two-stage image decomposition and color regulator for low-light image enhancement | |
CN111260585A (zh) | 基于类凸集投影算法的图像恢复方法 | |
Wang et al. | Joint depth map super-resolution method via deep hybrid-cross guidance filter | |
Liang et al. | Multi-scale hybrid attention graph convolution neural network for remote sensing images super-resolution | |
Wang et al. | Adaptive feature fusion network based on boosted attention mechanism for single image dehazing | |
CN111401209B (zh) | 一种基于深度学习的动作识别方法 | |
Luo et al. | A fast denoising fusion network using internal and external priors | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
Pu et al. | Fractional-order retinex for adaptive contrast enhancement of under-exposed traffic images | |
Zhang et al. | Optimization-inspired Cumulative Transmission Network for image compressive sensing |
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 |