CN113222866A - 灰度图像增强方法、计算机可读介质及计算机系统 - Google Patents
灰度图像增强方法、计算机可读介质及计算机系统 Download PDFInfo
- Publication number
- CN113222866A CN113222866A CN202110770482.9A CN202110770482A CN113222866A CN 113222866 A CN113222866 A CN 113222866A CN 202110770482 A CN202110770482 A CN 202110770482A CN 113222866 A CN113222866 A CN 113222866A
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- significance
- gray
- objective function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000014759 maintenance of location Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000017105 transposition 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种灰度图像增强方法、计算机可读介质及计算机系统,利用基于离散模糊的亮度掩模和基于高斯场的目标函数,进行细节显著性模型估计,充分挖掘灰度图像单通道数据中的细节信息,生成出图像中细节显著性映射图;然后利用非均匀伽马校正,实现最终的图像增强。本发明还公开了计算机可读介质及计算机系统。本发明充分挖掘灰度图像单通道数据中的信息,在提升图像暗区域亮度的同时,避免了图像亮区域因过曝而导致的细节丢失。在仅依靠单通道数据的条件下,提高了细节保留能力,改善了图像增强的效果。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种灰度图像增强方法、计算机可读介质及计算机系统。
背景技术
虽然现在很容易就可以获取场景的真彩图像,但是灰度图像依旧是许多应用的主要选择,甚至是唯一选择,例如微光成像、热红外成像、短波红外成像和核磁共振成像等,这些成像技术在夜视、遥感、缺陷检测和医学成像等领域起着关键作用。高清晰度、高可见性的图像是成像技术永恒的目标,但是由于特殊的应用场景和传感器本身属性的限制,常常会使所拍摄的灰度图像具有亮度低、动态范围窄、对比度低和噪声高等缺点。因此,需要有优质的灰度图像增强方法来改善图像像质。
将图像分解为反射层和亮度层的Retinex成像模型被常常用于图像增强,研究人员提出了许多相关方法,例如基于亮度映射图估计的微光图像增强方法(LIME),引入了最大RGB先验以提高亮度层估计的性能。又如Marques等人提出了一种利用局部对比度和多尺度融合策略的水下微光图像增强方法(L2UWE),在RGB图像中提取对比度暗通道,以此估计亮度层并消除图像中的暗区域。Ren等人提出了一种低秩正则化的Retinex模型(LR3M),以实现鲁棒的微光图像增强与降噪,该方法同样需要利用图像RGB三通道的平均值作为亮度层估计的初值。
目前现有的图像增强方法,与前述的三种方法类似,都是针对彩色图像的,所以非常依赖图像中多通道RGB彩色数据,对于灰度图像的增强效果就会退化,其原因在于灰度图像只能提供单通道数据,其包含的信息量要比彩色图像少很多。与彩色图像相比,灰度图像无法全面地反映目标场景的特性。
发明内容
本发明针对现有技术中存在的问题,提出了一种能够提高细节保留能力的灰度图像增强方法。
为实现上述目的,本发明提供一种灰度图像增强方法,包括以下步骤:
步骤1:对原始灰度图像进行线性拉伸,使灰度范围缩放至[0,1]之间,得到第一图像,然后对第一图像进行对数变换得到第二图像;
步骤2:利用双边滤波模型对第二图像进行模糊,然后利用离散模型对已模糊的第二图像进行二次模糊,得到基于离散模糊的亮度掩模;
步骤3:将第二图像和基于离散模糊的亮度掩模输入至目标函数中,利用梯度下降优化对目标函数进行迭代优化,得到最优的细节显著性模型参数;
步骤4:利用细节显著性模型与步骤3得到的最优的细节显著性模型参数,计算出细节显著性映射图;
步骤5:以步骤4所得的细节显著性映射图为基础,对原始灰度图像进行非均匀地伽马校正,实现灰度图像增强。
其中,所述步骤1中对原始灰度图像进行线性拉伸的方法为:根据公式计算获得第一图像中第个像素的线性拉伸结果,依次对原始灰度图像中的每个像素进行计算,使原始灰度图像的灰度范围缩放至[0,1]之间,得到第一图像;其中,表示原始灰度图像中第个像素的灰度值,为第一图像中第个像素的线性拉伸结果,为原始灰度图像中的最大灰度值,为原始灰度图像中的最小灰度值。
进一步,步骤2所述的离散模型进行图像模糊的具体步骤为:将图像中横坐标和纵坐标都为奇数(或偶数)的像素点的值设置为0。
进一步,步骤3中对目标函数的迭代优化包括以下步骤:
步骤301:设细节显著性模型阶数初值为1,细节显著性系数向量初值为零向量;
步骤302:基于目标函数的一阶导数,利用拟牛顿法对目标函数进行解优化,得到使目标函数最小的最优细节显著性系数向量;
步骤303:令细节显著性模型阶数加1,并将细节显著性系数向量初值更新为步骤302所得的最优细节显著性系数向量;
步骤304:重复步骤302和步骤303,直到目标函数值开始变大为止,此时所得的最优细节显著性系数向量为最终的优化结果。
优选地,其中的目标函数为:
本发明还提供了一种存储软件的计算机可读介质,所述软件包括能通过一个或多个计算机执行的指令,所述指令通过这样的执行使得所述一个或多个计算机执行操作,所述操作包括上述灰度图像增强方法的流程。
本发明还提供了一种计算机系统,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括上述灰度图像增强方法的流程。
与现有技术相比,本发明利用基于离散模糊的亮度掩模和基于高斯场的目标函数,进行细节显著性模型估计,充分挖掘灰度图像单通道数据中的细节信息,生成出图像中细节显著性映射图;然后利用非均匀伽马校正,实现最终的图像增强,以提升图像暗区域的亮度,增强其中细节,同时防止亮区域过曝而导致的纹理丢失,由此,解决现有图像增强方法因依赖多通道彩色数据而导致对灰度单通道图像增强效果不佳的问题。
与现有技术相比,本发明具有如下显著优点:本发明利用基于高斯场的目标函数与基于离散模糊的亮度掩模,充分挖掘灰度图像单通道数据中的信息,在提升图像暗区域亮度的同时,避免了图像亮区域因过曝而导致的细节丢失,从而在仅依靠单通道数据的条件下,提高了细节保留能力,改善了图像增强的效果。
附图说明
图1为本发明提供的基于细节显著性估计的灰度图像增强方法的流程图;
图2为本发明方法与其他方法在可见光灰度图像增强上的对比示意图;
图3为本发明方法与其他方法在短波红外图像增强上的对比示意图;
图4为本发明方法与其他方法在热红外图像增强上的对比示意图。
具体实施方式
下面将结合本发明实例中的附图,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。
如图1所示,本实施例提供的基于细节显著性估计的灰度图像增强方法,包括以下步骤:
步骤2:利用双边滤波模型对第二图像进行模糊处理,然后利用离散模型对已模糊的第二图像进行二次模糊,得到基于离散模糊的亮度掩模;
步骤3:将第二图像和基于离散模糊的亮度掩模输入至目标函数中,利用梯度下降优化对目标函数进行迭代优化,得到最优的细节显著性模型参数;
步骤4:利用细节显著性模型与步骤3得到的最优的细节显著性模型参数,获得细节显著性映射图;
步骤5:以步骤4所得的细节显著性映射图为基础,对原始灰度图像进行非均匀地伽马校正,实现灰度图像增强。
下面我们结合附图所示,更加具体的描述各个步骤的示例性实现。
步骤1:对原始灰度图像进行线性拉伸,使灰度范围缩放至[0,1]之间,然后进行对数变换,将对第一图像进行对数变换得到第二图像。
根据本发明的一种具体实施方式,线性拉伸的过程采用下述公式(1)进行处理:
根据本发明的一种具体实施方式,步骤2中双边滤波的模型如下:
其中,为第二图像中第个像素的双边滤波后的结果,上标bf是双边滤波的英文的缩写,为第二图像中以第为中心的滤波窗口,为滤波窗口中的像素编号,表示第个像素的空间坐标向量,表示第个像素的空间坐标向量,表示第二图像中第j个像素的灰度值;表示第二图像中第i个像素的灰度值,表示2范数。
根据本发明的一种具体实施方式,步骤2所述的离散模型进行图像模糊的具体步骤为:将图像中横坐标和纵坐标都为奇数(或偶数)的像素点的值设置为0。
根据本发明的一种具体实施方式,步骤3中的细节显著性模型采用如下形式:
细节显著性模型对应的矩阵形式如下:
根据本发明的一种具体实施方式,步骤3中的目标函数为如下形式:
步骤3中的目标函数的一阶导数为如下形式:
根据本发明的一种具体实施方式,步骤3中对目标函数的迭代优化采用利用拟牛顿法,主要包括以下步骤:
步骤301:设细节显著性模型阶数初值为1,细节显著性系数向量初值为零向量;
步骤304:重复步骤302和步骤303,直到目标函数值开始变大为止,此时所得的最优细节显著性系数向量为最终的优化结果。
根据本发明的一种具体实施方式,得到最优细节显著性系数向量之后,将其代入细节显著性模型(5)中,就可以得到最优的细节显著性模型。
步骤4:利用细节显著性模型与步骤3所估计出的最优参数,计算出细节显著性映射图。
根据本发明的一种具体实施方式,步骤4中的显著性映射图计算公式如下:
步骤5:以步骤4所得的细节显著性映射图为基础,对原图进行非均匀地伽马校正,实现灰度图像增强。
根据本发明的一种具体实施方式,步骤5所述的非均匀地伽马校正具体形式如下:
图2、图3和图4分别展示了本发明方法与LR3M、LIME和L2UWE三种方法在可见光、短波红外和热红外图像上的增强效果对比。与其他同类方法相比,本发明方法可以准确提升灰度图像暗区域中的亮度,增强其中的细节纹理,同时不会像其他方法那样使亮区域过曝而丢失细节。
本发明还提供了一种存储软件的计算机可读介质,所述软件包括能通过一个或多个计算机执行的指令,所述指令通过这样的执行使得所述一个或多个计算机执行操作,所述操作包括如前述灰度图像增强方法的流程。
本发明还提供了一种计算机系统,包括:一个或多个处理器;存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如前述灰度图像增强方法的流程。
应当理解,本发明的前述灰度图像增强方法的示例可以在任何包含具有数据存储和数据处理的计算机系统中,前述的计算机系统可以是至少一个包括处理器和存储器的电子处理系统或者电子设备,例如PC电脑,不论是个人用PC电脑、商用PC电脑,或者图形处理用PC电脑、服务器级PC电脑。这些PC电脑通过具有数据接口和/或网络接口,实现有线和/或无线的数据传输,尤其是图像数据。
在另一些实施例,该计算机系统还可以是服务器,尤其是云服务器,具有数据存储、处理以及网络通讯功能。
作为示例的计算机系统通常包括由系统总线连接的至少一个处理器、存储器和网络接口。网络接口用于与其他设备/系统进行通信。
处理器用于提供系统的计算和控制。
存储器包括非易失性存储器和缓存。
非易失性存储器通常具有海量存储能力,可以存储操作系统以及计算机程序,这些计算机程序可以包括可被操作的指令,这些指令在通过一个或多个处理器执行时使得一个或多个处理器能够执行本发明前述实施例的灰度图像增强方法的过程。
在需要或者合理的实现方式中,前述计算机系统,不论是PC设备或者服务器,还可以包括比图示中更多或者更少的部件,或者组合,或者采用不同的硬件、软件等不同部件或者不同的部署方式。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.一种灰度图像增强方法,其特征在于:包括以下步骤:
步骤2:利用双边滤波模型对第二图像进行模糊处理,然后利用离散模型对已模糊的第二图像进行二次模糊,得到基于离散模糊的亮度掩模;
步骤3:将第二图像和基于离散模糊的亮度掩模输入至目标函数中,利用梯度下降优化对目标函数进行迭代优化,得到最优的细节显著性模型参数;
步骤4:利用细节显著性模型与步骤3得到的最优的细节显著性模型参数,获得细节显著性映射图;
步骤5:以步骤4所得的细节显著性映射图为基础,对原始灰度图像进行非均匀地伽马校正,实现灰度图像增强。
3.根据权利要求1所述的灰度图像增强方法,其特征在于:所述利用双边滤波模型对第二图像进行模糊处理,包括以下步骤:
将第二图像的横坐标和纵坐标都为奇数的像素点的值设置为0;或者
将第二图像的横坐标和纵坐标都为偶数的像素点的值设置为0。
4.根据权利要求1所述的灰度图像增强方法,其特征在于:所述利用梯度下降优化对目标函数进行迭代优化,包括以下步骤:
步骤301:设细节显著性模型阶数初值为1,细节显著性系数向量初值为零向量;
步骤302:基于目标函数的一阶导数,利用拟牛顿法对目标函数进行解优化,得到使目标函数最小的最优细节显著性系数向量;
步骤303:令细节显著性模型阶数加1,并将细节显著性系数向量初值更新为步骤302所得的最优细节显著性系数向量;
步骤304:重复步骤302和步骤303,直到目标函数值开始变大为止,此时所得的最优的细节显著性系数向量为最终的优化结果。
7.一种存储软件的计算机可读介质,其特征在于:所述软件包括能通过一个或多个计算机执行的指令,所述指令通过这样的执行使得所述一个或多个计算机执行操作,所述操作包括如权利要求1-6中任意一项所述的灰度图像增强方法的流程。
8.一种计算机系统,其特征在于,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如权利要求1-6中任意一项所述的灰度图像增强方法的流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770482.9A CN113222866B (zh) | 2021-07-08 | 2021-07-08 | 灰度图像增强方法、计算机可读介质及计算机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770482.9A CN113222866B (zh) | 2021-07-08 | 2021-07-08 | 灰度图像增强方法、计算机可读介质及计算机系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222866A true CN113222866A (zh) | 2021-08-06 |
CN113222866B CN113222866B (zh) | 2022-03-25 |
Family
ID=77081146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110770482.9A Active CN113222866B (zh) | 2021-07-08 | 2021-07-08 | 灰度图像增强方法、计算机可读介质及计算机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222866B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399442A (zh) * | 2022-01-15 | 2022-04-26 | 任介平 | 基于参数自适应的非线性图像增强方法及系统 |
CN115619659A (zh) * | 2022-09-22 | 2023-01-17 | 北方夜视科技(南京)研究院有限公司 | 基于正则化高斯场模型的低照度图像增强方法与系统 |
CN116433663A (zh) * | 2023-06-13 | 2023-07-14 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
CN117710365A (zh) * | 2024-02-02 | 2024-03-15 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436647A (zh) * | 2011-11-14 | 2012-05-02 | 江苏技术师范学院 | 一种自适应灰度映射的图像增强方法 |
KR20130126026A (ko) * | 2012-05-10 | 2013-11-20 | 중앙대학교 산학협력단 | 세부정보 추정에 의한 영상 개선 장치 및 방법 |
CN105205794A (zh) * | 2015-10-27 | 2015-12-30 | 西安电子科技大学 | 一种低照度图像的同步增强去噪方法 |
CN105678727A (zh) * | 2016-01-12 | 2016-06-15 | 四川大学 | 基于异构多核构架的红外光与可见光图像实时融合系统 |
CN112435204A (zh) * | 2020-10-30 | 2021-03-02 | 北方夜视技术股份有限公司 | 图像融合方法、系统、计算机可读介质以及计算机系统 |
-
2021
- 2021-07-08 CN CN202110770482.9A patent/CN113222866B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436647A (zh) * | 2011-11-14 | 2012-05-02 | 江苏技术师范学院 | 一种自适应灰度映射的图像增强方法 |
KR20130126026A (ko) * | 2012-05-10 | 2013-11-20 | 중앙대학교 산학협력단 | 세부정보 추정에 의한 영상 개선 장치 및 방법 |
CN105205794A (zh) * | 2015-10-27 | 2015-12-30 | 西安电子科技大学 | 一种低照度图像的同步增强去噪方法 |
CN105678727A (zh) * | 2016-01-12 | 2016-06-15 | 四川大学 | 基于异构多核构架的红外光与可见光图像实时融合系统 |
CN112435204A (zh) * | 2020-10-30 | 2021-03-02 | 北方夜视技术股份有限公司 | 图像融合方法、系统、计算机可读介质以及计算机系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399442A (zh) * | 2022-01-15 | 2022-04-26 | 任介平 | 基于参数自适应的非线性图像增强方法及系统 |
CN114399442B (zh) * | 2022-01-15 | 2023-09-12 | 石坚 | 基于参数自适应的非线性图像增强方法及系统 |
CN115619659A (zh) * | 2022-09-22 | 2023-01-17 | 北方夜视科技(南京)研究院有限公司 | 基于正则化高斯场模型的低照度图像增强方法与系统 |
CN115619659B (zh) * | 2022-09-22 | 2024-01-23 | 北方夜视科技(南京)研究院有限公司 | 基于正则化高斯场模型的低照度图像增强方法与系统 |
CN116433663A (zh) * | 2023-06-13 | 2023-07-14 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
CN116433663B (zh) * | 2023-06-13 | 2023-08-18 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
CN117710365A (zh) * | 2024-02-02 | 2024-03-15 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
CN117710365B (zh) * | 2024-02-02 | 2024-05-03 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113222866B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222866B (zh) | 灰度图像增强方法、计算机可读介质及计算机系统 | |
CN108694705B (zh) | 一种多帧图像配准与融合去噪的方法 | |
WO2022141178A1 (zh) | 图像处理方法及装置 | |
Zhou et al. | Multi-scale retinex-based adaptive gray-scale transformation method for underwater image enhancement | |
WO2021114564A1 (zh) | 一种低对比度红外图像的增强方法 | |
CN111968062B (zh) | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 | |
WO2021139635A1 (zh) | 超级夜景图像的生成方法、装置、电子设备及存储介质 | |
CN112419181A (zh) | 一种宽动态红外图像细节增强方法 | |
CN112991197B (zh) | 一种基于暗通道的细节保留的低照度视频增强方法及装置 | |
CN116681606A (zh) | 一种水下不均匀光照图像增强方法、系统、设备及介质 | |
CN110751593A (zh) | 一种图像虚化处理方法及装置 | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 | |
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 | |
CN116993616A (zh) | 一种单幅低照度场景图像增强方法及增强系统 | |
CN111325680B (zh) | 一种具有抑制局部过曝的图像增亮方法 | |
CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
CN117218039A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
WO2023215371A1 (en) | System and method for perceptually optimized image denoising and restoration | |
Xi et al. | Enhancement of unmanned aerial vehicle image with shadow removal based on optimized retinex algorithm | |
CN114897811A (zh) | 基于卷积梯度优化的图像Retinex增强方法、系统与计算机可读介质 | |
Wang et al. | Adaptive Bright and Dark Channel Combined with Defogging Algorithm Based on Depth of Field | |
CN110796609B (zh) | 基于尺度感知和细节增强模型的低光图像增强方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |