CN112991236A - 一种基于模板的图像增强方法及装置 - Google Patents
一种基于模板的图像增强方法及装置 Download PDFInfo
- Publication number
- CN112991236A CN112991236A CN202110548625.1A CN202110548625A CN112991236A CN 112991236 A CN112991236 A CN 112991236A CN 202110548625 A CN202110548625 A CN 202110548625A CN 112991236 A CN112991236 A CN 112991236A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- template
- rgb
- images
- 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
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于模板的图像增强方法,将待增强图像与同场景模板图像拼接后下采样,将得到的六通道特征图像输入增强参数模型,利用输出的伽马校正参数对待增强图像进行伽马变换,得到增强后图像;增强参数模型按照以下方法训练:对训练集中的每一幅训练样本图像,通过对同场景模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像与期望图拼接为六通道图像后下采样,以得到的六通道特征图像作为输入,以伽马校正参数作为输出,以缩小训练样本图像的伽马变换图像与期望图之间的亮度和对比度差异为目标,对神经网络进行训练。本发明还公开了一种基于模板的图像增强装置。本发明可将图像增强至任意指定模板图像的亮度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种图像增强方法。
背景技术
由于受到环境,光线等的影响,拍摄的照片清晰度和对比度比较低,不能够突出图像中的重点。图像增强就是通过一定手段来增强图像的亮度、对比度,使得其中的人物或者事物更加明显,有利于后续的识别等处理。
图像增强通常分为传统图像算法和基于深度学习的算法。前者以直方图均衡化、伽马变换、拉普拉斯变换、Retinex系列为代表,因不涉及复杂运算,处理时间较短,但效果较差,且需要根据输入和输出图片亮度、对比度设定参数,如参数选取不佳会影响图像增强的效果;后者以CycleGAN、WESPE等基于生成式对抗网络(GAN)为代表,其效果较好,但由于训练和测试较复杂,网络前向处理时间长,由于训练时期望图像亮度、对比度一致,导致使用网络增强的图像只能固定生成近似此期望图的效果。
在某些应用场景中,例如工业质检、部分视频结构化监控场景或野外动植物保护监控,每个固定相机拍摄的图片相似性极高,但可能会存在光照、阴影、亮度差异。为后续算法稳定使用,需要将图像固定调节至同一亮度标准,此时直观可视的最优亮度通常并非算法最优,往往需要根据需要提供相应的模板图片,并尽可能使增强图片与模板图片保持一致才能使得后续算法保持最佳状态。而现有的图像增强技术均不能根据指定模板优化图像,传统图像增强方法通常需要指定参数达到预期效果,针对不同的输入和期望,手动挑选不同参数,操作复杂;生成式对抗网络或其他基于深度学习的图像增强算法,在训练时需要指定除亮度不一致但其他信息完全一致的一对图片,并以正常光图片作为期望图,此方式增强的图像亮度单一且无法满足实际需求,同时恢复后的图像用于后处理并非最优结果。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种基于模板的图像增强方法,可将图像增强至任意指定模板图像的亮度,且在效率和图像增强效果之间取得了良好的平衡。
本发明具体采用以下技术方案解决上述技术问题:
一种基于模板的图像增强方法,将待增强图像的RGB三通道图像与同场景模板图像的RGB三通道图像拼接为六通道图像后对其进行下采样,将下采样得到的六通道特征图像输入增强参数模型,利用所述增强参数模型所输出的分别对应RGB三通道的三个伽马校正参数对待增强图像的RGB三通道图像进行伽马变换,得到增强后图像;所述增强参数模型是按照以下方法预先训练的神经网络:对训练集中的每一幅训练样本图像,为其准备一幅同场景的模板图像并通过对模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像的RGB三通道图像与期望图的RGB三通道图像拼接为六通道图像后对其进行下采样,以下采样得到的六通道特征图像作为输入,以对应RGB三通道的三个伽马校正参数作为输出,以缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异为目标,对所述神经网络进行训练。
优选地,所述神经网络为卷积神经网络。
优选地,所述下采样为网格化随机采样。
优选地,所述神经网络的损失函数为均方误差损失函数MSE与局部损失函数Region的加权和。
基于同一发明构思还可以得到以下技术方案:
一种基于模板的图像增强装置,包括:
特征提取模块,用于将待增强图像的RGB三通道图像与同场景模板图像的RGB三通道图像拼接为六通道图像后对其进行下采样,得到六通道特征图像;
增强参数模型,其输入为所述六通道特征图像,其输出为分别对应RGB三通道的三个伽马校正参数,通过以下方法对神经网络预先训练得到:对训练集中的每一幅训练样本图像,为其准备一幅同场景的模板图像并通过对模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像的RGB三通道图像与期望图的RGB三通道图像拼接为六通道图像后对其进行下采样,以下采样得到的六通道特征图像作为输入,以对应RGB三通道的三个伽马校正参数作为输出,以缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异为目标,对所述神经网络进行训练;
伽马校正模块,用于利用所述增强参数模型所输出的分别对应RGB三通道的三个伽马校正参数对待增强图像的RGB三通道图像进行伽马变换,得到增强后图像。
优选地,所述神经网络为卷积神经网络。
优选地,所述下采样为网格化随机采样。
优选地,所述神经网络的损失函数为均方误差损失函数MSE与局部损失函数Region的加权和。
相比现有技术,本发明技术方案具有以下有益效果:
本发明针对需要将图像增强至指定模板亮度的应用场景,将传统图像增强算法与基于深度学习的增强算法有机结合,可快速准确地将图像增强至任意模板图像,模板图像可根据需要任意设置,更换模板图像后也不需要重新进行训练,并且在效率和效果上取得了很好平衡。
附图说明
图1为具体实施例中增强参数模型的训练过程示意图。
具体实施方式
针对需要将图像增强至指定模板亮度的应用场景,本发明的解决思路是将传统图像增强算法与基于深度学习的增强算法有机结合,提出一种基于模板的图像增强方法及装置,可快速准确地将图像增强至任意模板图像,模板图像可根据需要任意设置,更换模板图像后也不需要重新进行训练,并且在效率和效果上取得了很好平衡。
具体而言,本发明所提出的基于模板的图像增强方法,具体如下:
将待增强图像的RGB三通道图像与同场景模板图像的RGB三通道图像拼接为六通道图像后对其进行下采样,将下采样得到的六通道特征图像输入增强参数模型,利用所述增强参数模型所输出的分别对应RGB三通道的三个伽马校正参数对待增强图像的RGB三通道图像进行伽马变换,得到增强后图像;所述增强参数模型是按照以下方法预先训练的神经网络:对训练集中的每一幅训练样本图像,为其准备一幅同场景的模板图像并通过对模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像的RGB三通道图像与期望图的RGB三通道图像拼接为六通道图像后对其进行下采样,以下采样得到的六通道特征图像作为输入,以对应RGB三通道的三个伽马校正参数作为输出,以缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异为目标,对所述神经网络进行训练。
本发明所提出的基于模板的图像增强装置,包括:
特征提取模块,用于将待增强图像的RGB三通道图像与同场景模板图像的RGB三通道图像拼接为六通道图像后对其进行下采样,得到六通道特征图像;
增强参数模型,其输入为所述六通道特征图像,其输出为分别对应RGB三通道的三个伽马校正参数,通过以下方法对神经网络预先训练得到:对训练集中的每一幅训练样本图像,为其准备一幅同场景的模板图像并通过对模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像的RGB三通道图像与期望图的RGB三通道图像拼接为六通道图像后对其进行下采样,以下采样得到的六通道特征图像作为输入,以对应RGB三通道的三个伽马校正参数作为输出,以缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异为目标,对所述神经网络进行训练;
伽马校正模块,用于利用所述增强参数模型所输出的分别对应RGB三通道的三个伽马校正参数对待增强图像的RGB三通道图像进行伽马变换,得到增强后图像。
上述技术方案中,所述神经网络可采用现有的各类神经网络模型,考虑到其在图像处理方面的优势,本发明优选采用卷积神经网络。
所述下采样的目的一方面是对图像进行降维,以提高后续网络运算速度,另一方面是为了避免训练时同场景的不同图像时间跨度较大时,因前景存在差异(行人、车辆、灯光照射等因素),前景变化部分区域的像素值即便是在完美图像增强后,也会存在一定差异。为减少前景变化导致网络陷入局部最优的误区,为此,所述下采样优选采用网格化随机采样的方式。
所述神经网络的训练目标为缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异,因此可以采用生成式对抗网络中常用的损失函数,例如均方误差损失函数MSE、颜色损失函数、内容损失函数、纹理损失函数、局部损失函数Region等,本发明优选采用均方误差损失函数MSE与局部损失函数Region的加权和。
为了便于公众理解,下面通过一个具体实施例并结合附图来对本发明的技术方案进行详细说明:
本实施例以工业质检的图像增强为例,每个固定相机拍摄的图片相似性极高,但可能会存在光照、阴影、亮度差异;为了后续的图像处理、缺陷识别等算法的稳定使用,需要将图像固定调节至同一亮度标准,此时直观可视的最优亮度通常并非算法最优,往往需要根据实际需要提供相应的模板图片,并尽可能使增强图片与模板图片保持一致才能使得后续算法保持最佳状态。
一、训练数据的准备:
准备多场景的工业质检图像数据集,按场景或任务分成多个文件夹放置,此时相同场景的图像均为相同零件。同场景图像放在同一文件夹中,不同场景图像分开放置在不同文件夹中。
二、增强参数模型的训练:
本实施例的增强参数模型采用卷积神经网络训练得到,训练过程如图1所示,具体如下:
(1)随机挑选一张图片A,并从A所在文件夹中随机挑选一张图片B作为模板,因为是来自同一场景的图像,默认图像中大部分背景是一致的,前景中零件形状一致,但旋转角度、位置偏移、遮挡等均不固定。在图像中大部分区域为同一物体,具有相同特征的前提下,才能合理比较图像增强后两幅图像的差异;
(2)分别随机生成介于[0.1,10]的三个伽马校正参数值,针对图片B的RGB三通道分别进行快速伽马变换,即先归一化至0-1的值,再将当前值预补偿,然后反归一化至0-255,最后使用查表法校正每个像素点的RGB值;将校正后的三个单通道图像按顺序拼接成RGB三通道图像后,即为期望图C;
(3)将图像A和期望图C拼接为六通道图像;
(1)为加速后续网络运算速度,同时避免因除光照外的其他因素导致的像素差异过大,因此使用网格化图像随机采样,获取采样后的六通道特征图像。随机采样的具体操作为:先确定采样核大小k size ,然后以边长为k size 的正方形、滑动步长为k size 进行采样。当原图尺寸为H*W时,采样后的特征图宽,高。如原图为1920×1280的图片,采样核k size 为32时,采样后的特征图大小为60×34。每次采样时,从32×32的窗口中随机挑选一个点作为此区域的输出;如果滑窗部分超出图像边缘,如宽度为1080的图片,滑动第34次时窗口中实际区域尺寸为32×24,则仅当前实际区域中随机采样;采样完成后,将6×60×34个像素点按空间顺序拼接成新的六通道特征图;
(2)六通道特征图作为网络输入,可使用任意卷积神经网络,仅调整网络最后一层全连接层,输出3个归一化参数,并分别乘以10以映射到[0,10]的区间,作为伽马变换的参数;
(3)分别使用上一步中得到的三个参数,针对图片A的RGB三通道分别进行快速伽马变换,得到调整后的图像D;
(7)使用生成式对抗网络中常用的损失函数,计算图像C、D的亮度、对比度差异,通过网络训练优化网络参数,以缩小图像C和D的亮度、对比度差异。
本实施例的损失函数采用均方误差损失函数MSE与局部损失函数Region的加权和:
由于本发明图像增强原理基于伽马校正,增强后的图像不存在结构扭曲、纹理内容缺失等情况,只需要对比局部和区域亮度差异即可。
三、测试:
(1)先选取一张相同场景的模板图像b,将视频中每帧图像a的RGB三通道图像和图像b的RGB三通道图像拼接为六通道图像;
(2)网格化图像随机采样,获取采样后的六通道特征图像;可根据实际使用需求调整采样核尺寸k size ,采样核越小速度越快调节精度越低,采样核越大速度越慢调节精度越高;
(3)将采样得到的六通道特征图作为网络输入,输入训练好的增强参数模型,输出3个归一化参数,并分别乘以10以映射到[0,10]的区间,作为伽马变换的参数;
(4)分别使用上一步中得到的三个参数,对图片a的RGB三通道图像分别进行快速伽马变换,得到调整后的图像d。
为了验证本发明技术方案的有效性,将本发明方案与传统的基于伽马变换以及基于WESPE的图像增强方案进行了比对。从速度比较来看,伽马变换 >本发明方法>WESPE,只使用伽马变换的速度最快,但本方法与其速度差距较小。从增强效果比较来看,WESPE >本发明方法>伽马变换,本发明方法与WESPE在大多数场景中优化差距基本接近。
总体分析来看,尽管WESPE效果最好,但其速度很慢,且多路运行在显卡上有显存溢出的可能;同时WESPE和伽马变换均不能指定模板优化图像,WESPE只能固定优化至统一标准,伽马变换需手动设置变换参数且同时调整RGB三通道像素值。而本发明方法可快速准确地将图像增强至任意模板图像,模板图像可根据需要任意设置,更换模板图像后也不需要重新进行训练,并且在效率和效果上取得了很好平衡,具有最好的综合性能。
Claims (8)
1.一种基于模板的图像增强方法,其特征在于,将待增强图像的RGB三通道图像与同场景模板图像的RGB三通道图像拼接为六通道图像后对其进行下采样,将下采样得到的六通道特征图像输入增强参数模型,利用所述增强参数模型所输出的分别对应RGB三通道的三个伽马校正参数对待增强图像的RGB三通道图像进行伽马变换,得到增强后图像;所述增强参数模型是按照以下方法预先训练的神经网络:对训练集中的每一幅训练样本图像,为其准备一幅同场景的模板图像并通过对模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像的RGB三通道图像与期望图的RGB三通道图像拼接为六通道图像后对其进行下采样,以下采样得到的六通道特征图像作为输入,以对应RGB三通道的三个伽马校正参数作为输出,以缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异为目标,对所述神经网络进行训练。
2.如权利要求1所述基于模板的图像增强方法,其特征在于,所述神经网络为卷积神经网络。
3.如权利要求1所述基于模板的图像增强方法,其特征在于,所述下采样为网格化随机采样。
4.如权利要求1所述基于模板的图像增强方法,其特征在于,所述神经网络的损失函数为均方误差损失函数MSE与局部损失函数Region的加权和。
5.一种基于模板的图像增强装置,其特征在于,包括:
特征提取模块,用于将待增强图像的RGB三通道图像与同场景模板图像的RGB三通道图像拼接为六通道图像后对其进行下采样,得到六通道特征图像;
增强参数模型,其输入为所述六通道特征图像,其输出为分别对应RGB三通道的三个伽马校正参数,通过以下方法对神经网络预先训练得到:对训练集中的每一幅训练样本图像,为其准备一幅同场景的模板图像并通过对模板图像的RGB三通道图像分别进行随机伽马变换得到期望图,将训练样本图像的RGB三通道图像与期望图的RGB三通道图像拼接为六通道图像后对其进行下采样,以下采样得到的六通道特征图像作为输入,以对应RGB三通道的三个伽马校正参数作为输出,以缩小用所述三个伽马校正参数对所述训练样本图像进行伽马变换后的变换图像与所述期望图之间的亮度和对比度差异为目标,对所述神经网络进行训练;
伽马校正模块,用于利用所述增强参数模型所输出的分别对应RGB三通道的三个伽马校正参数对待增强图像的RGB三通道图像进行伽马变换,得到增强后图像。
6.如权利要求5所述基于模板的图像增强装置,其特征在于,所述神经网络为卷积神经网络。
7.如权利要求5所述基于模板的图像增强装置,其特征在于,所述下采样为网格化随机采样。
8.如权利要求5所述基于模板的图像增强装置,其特征在于,所述神经网络的损失函数为均方误差损失函数MSE与局部损失函数Region的加权和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548625.1A CN112991236B (zh) | 2021-05-20 | 2021-05-20 | 一种基于模板的图像增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548625.1A CN112991236B (zh) | 2021-05-20 | 2021-05-20 | 一种基于模板的图像增强方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991236A true CN112991236A (zh) | 2021-06-18 |
CN112991236B CN112991236B (zh) | 2021-08-13 |
Family
ID=76336839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110548625.1A Active CN112991236B (zh) | 2021-05-20 | 2021-05-20 | 一种基于模板的图像增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991236B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
CN109658354A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种图像增强方法和系统 |
US20190244058A1 (en) * | 2018-02-08 | 2019-08-08 | Western Digital Technologies, Inc. | Adjusting enhancement coefficients for neural network engine |
CN111462002A (zh) * | 2020-03-19 | 2020-07-28 | 重庆理工大学 | 一种基于卷积神经网络的水下图像增强与复原方法 |
CN111932639A (zh) * | 2020-09-09 | 2020-11-13 | 苏州鼎纳自动化技术有限公司 | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 |
CN112634175A (zh) * | 2021-01-05 | 2021-04-09 | 西南石油大学 | 基于双重卷积网络的手机拍摄图像去噪方法 |
CN112861987A (zh) * | 2021-03-03 | 2021-05-28 | 德鲁动力科技(成都)有限公司 | 暗光环境下的目标检测方法 |
-
2021
- 2021-05-20 CN CN202110548625.1A patent/CN112991236B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190244058A1 (en) * | 2018-02-08 | 2019-08-08 | Western Digital Technologies, Inc. | Adjusting enhancement coefficients for neural network engine |
CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
CN109658354A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种图像增强方法和系统 |
CN111462002A (zh) * | 2020-03-19 | 2020-07-28 | 重庆理工大学 | 一种基于卷积神经网络的水下图像增强与复原方法 |
CN111932639A (zh) * | 2020-09-09 | 2020-11-13 | 苏州鼎纳自动化技术有限公司 | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 |
CN112634175A (zh) * | 2021-01-05 | 2021-04-09 | 西南石油大学 | 基于双重卷积网络的手机拍摄图像去噪方法 |
CN112861987A (zh) * | 2021-03-03 | 2021-05-28 | 德鲁动力科技(成都)有限公司 | 暗光环境下的目标检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112991236B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | Attention guided low-light image enhancement with a large scale low-light simulation dataset | |
US20220188999A1 (en) | Image enhancement method and apparatus | |
CN112734650B (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
US20230080693A1 (en) | Image processing method, electronic device and readable storage medium | |
CN111695633B (zh) | 基于rpf-cam的低照度目标检测方法 | |
CN110728633A (zh) | 多曝光度高动态范围反色调映射模型构建方法及装置 | |
WO2022000397A1 (zh) | 低照度图像增强方法、装置及计算机设备 | |
CN105809643B (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
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 | |
Wang et al. | Enhancement for dust-sand storm images | |
CN113658057A (zh) | 一种Swin Transformer微光图像增强方法 | |
US20220398698A1 (en) | Image processing model generation method, processing method, storage medium, and terminal | |
Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
Steffens et al. | Deep learning based exposure correction for image exposure correction with application in computer vision for robotics | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
CN112991236B (zh) | 一种基于模板的图像增强方法及装置 | |
CN103295205A (zh) | 一种基于Retinex的微光图像快速增强方法和装置 | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
Li et al. | Contrast enhancement algorithm for outdoor infrared images based on local gradient-grayscale statistical feature | |
CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 | |
CN111832508B (zh) | 基于die_ga的低照度目标检测方法 | |
WO2022183321A1 (zh) | 图像检测方法、装置和电子设备 | |
CN116917954A (zh) | 图像检测方法、装置和电子设备 | |
CN114862698B (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 210000 Longmian Avenue 568, High-tech Park, Jiangning District, Nanjing City, Jiangsu Province Patentee after: Xiaoshi Technology (Jiangsu) Co.,Ltd. Address before: 210000 Longmian Avenue 568, High-tech Park, Jiangning District, Nanjing City, Jiangsu Province Patentee before: NANJING ZHENSHI INTELLIGENT TECHNOLOGY Co.,Ltd. |