CN113256510A - 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法 - Google Patents

基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法 Download PDF

Info

Publication number
CN113256510A
CN113256510A CN202110428992.8A CN202110428992A CN113256510A CN 113256510 A CN113256510 A CN 113256510A CN 202110428992 A CN202110428992 A CN 202110428992A CN 113256510 A CN113256510 A CN 113256510A
Authority
CN
China
Prior art keywords
low
illumination
image
component
normal
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
Application number
CN202110428992.8A
Other languages
English (en)
Inventor
李胜
陈铭
何熊熊
李静
喻东
司鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110428992.8A priority Critical patent/CN113256510A/zh
Publication of CN113256510A publication Critical patent/CN113256510A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • 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
    • G06T2207/10068—Endoscopic 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
    • G06T2207/20172—Image enhancement details

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

一种基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法，在原始RetinexNet算法的基础上进行改进，首先将成对的低照度图像与正常图像输入分解网络，得到各自的反射分量与照明分量。然后对低照度图像的反射分量进行去噪处理后再进行锐化处理，得到最终的反射分量。在增强网络处引入一个色彩损失函数，将低照度图像的照明分量输入得到调整后的照明分量。最后对调整后的上述两个分量采用逐元素乘法得到原始低照度图像的增强结果。本发明方法与原始方法相比，改善了图像增强后的色彩失真现象，有效增强了图像的细节信息，提高图像的视觉效果。

Description

基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强 方法
技术领域
本发明涉及图像处理领域，具体涉及一种基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法。
背景技术
近年来，图像增强作为计算机视觉领域中的基础研究工作得到了迅速发展。其中的低照度图像增强是图像增强领域中的重要研究课题之一。低照度图像增强指的是通过图像处理、模式识别等技术对视觉传感器在低照度环境下产生的退化图像进行恢复。
基于Retinex理论的图像增强方法是目前较流行的低照度图像处理方法。其中，基于中心/环绕型的Retinex得到广泛应用，主要包括SSR、MSR以及MSRCR。该类算法在处理图像时时易出现光晕、细节模糊、噪声放大以及因过度增强引起的对比度下降等问题。随着深度神经网络技术的日渐成熟，深度神经网络技术被越来越多的应用到图像处理领域，使得低光图像增强算法有了新的发展。Lore等提出一种堆叠式稀疏去噪自动编码器的LLNet算法，实现了低光增强和降噪。Wei等提出了一种RetinexNet的低照度图像增强算法，该算法以数据驱动的方式进行学习低光图像和正常光图像之间的映射关系，同时引入多尺度级联技术调整光照，实现了更好的亮度提升效果。
用上述RetinexNet的方法处理后的图像的亮度显著提升，图像整体轮廓也更为明显。但也存在较明显的颜色失真现象以及丢失了一定的边缘细节信息。
发明内容
为了克服现有技术的不足，本发明提出了一种基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法，以求补偿和校准增强过程中的对比度细节，改善图像增强后的色彩失真现象，有效增强图像的边缘细节信息，提高图像的视觉效果。
为了实现上述效果，本发明采用的技术方案为：
一种基于CNN的带有颜色恢复和锐化边缘效果的低照度图像增强方法，所述方法包括以下步骤：
步骤一：数据集的构建：选择了公开的包含大量从真实场景中捕获的低/正常光照图像对的“低光配对”数据集LOL中的n对以及以RAISE数据集中的m幅原始图像为基础通过调整参数得到的m对正常图像/合成低照度图像作为训练数据集；
步骤二：将成对的低照度图像Slow与正常照度图像Snormal输入分解网络Decom-Net，分解网络在弱光图像和正常光图像具有相同反射率的指导下，学习弱光及其对应的正常光图像的分解；
步骤三：将照明分量Ilow输入EnhanceNet，在原有损失函数基础上再引入一个色彩损失函数，使用该网络对光照分量进行光照增强，得到增强后的照明分量
Figure BDA0003030669650000021
在原有算法对反射分量Rlow进行平滑去噪操作的基础上再进行边缘锐化操作，得到处理后的反射分量
Figure BDA0003030669650000022
步骤四：图像重建，将调整后的照明分量
Figure BDA0003030669650000023
与经过去噪和锐化处理后的反射分量
Figure BDA0003030669650000024
通过逐元素乘法得到原始低照度图像的增强结果
Figure BDA0003030669650000025
进一步，所述步骤二的过程如下：
2.1 Slow被分解为反射图Rlow和照明图Ilow，同样地，Snormal被分解为反射分量Rnormal和照明分量Inormal，在网络执行分解低/正常图像的过程中，存在卷积核共享权重的关系；
2.2 Decom-Net由5层卷积神经网络组成，首先采用3*3的卷积核从输入图像中提取特征，再采用3个带有ReLU的3*3的卷积层将RGB图像映射为R和I，最后采用3*3的卷积层从特征空间中投影R和I，并用sigmoid函数将R和I约束在[0，1]范围内；
2.3Decom-Net的损失由3项组成，
Figure BDA0003030669650000031
其中，
Figure BDA0003030669650000032
Figure BDA0003030669650000033
Figure BDA0003030669650000034
进一步的，λir和λis是用来平衡反射率的一致性和照明平滑度的系数，
Figure BDA0003030669650000035
表示梯度，包括
Figure BDA0003030669650000036
和
Figure BDA0003030669650000037
λg表示平衡结构意识强度的系数。
再进一步，所述步骤三的过程如下：
3.1 EnhanceNet采用编码-解码的总体框架对光照分量进行增强，上下采样层之间设有“复制与修剪通路”，特征图可以直接在采样路径之间传递，使上采样网络能够有效推断丢失的像素，进而获得高分辨率的光照图像；
3.2 EnhanceNet由9层卷积神经网络组成，包含3个下采样模块，下采样模块由步长为2的3*3卷积层与ReLU组成，包含3个上采样模块，上采样模块使用resize-convolutional结构，由最近邻插值，步长为1的3*3卷积层与ReLU组成；
3.3采用多尺度级联的方法，从多角度调整光照分布，采用M个采样块，每个采样块提取一个C通道特征图，通过最近邻插值将这些特征按不同的尺度调整到最终尺度，并将它们连接到一个C×M通道特征图上，然后，通过1×1卷积层，将连接后的特征降为C通道，采用3×3卷积层重建局部光照；
3.4新引入一个色彩损失函数，该损失函数借鉴了评价图像之间色彩差异的颜色角度计算公式∠(x，y)，该损失函数表达式为
Figure BDA0003030669650000038
(Snormal)p和
Figure BDA0003030669650000039
分别表示在Snormal和
Figure BDA00030306696500000310
上与p对应的像素，
Figure BDA00030306696500000311
表示(Snormal)p与
Figure BDA00030306696500000312
的颜色角度矢量和，||·||2表示2-范数，
3.5因此EnhanceNet的损失由3项组成
Figure BDA00030306696500000313
进一步的，
Figure BDA0003030669650000041
3.6对Rlow进行去噪处理，使用BM3D的去噪方法对Rlow进行去噪，得到R′low；
3.7对反射分量R′low进行再进行锐化处理，采用拉普拉斯算子对R′low进行锐化处理，得到边缘分量V1,将V1与R′low相加，得到分量V2。对R′low进行索贝尔锐化，得到分量边缘V3，对边缘分量V3采用均值滤波进行平滑处理，得到分量V4，将V4与V2相乘，得到掩蔽分量V5，将V5与原始的R′low进行相加，得到经过去噪和锐化处理后的最终反射分量
Figure BDA0003030669650000042
相比于传统的RetinexNet算法，本发明的创新之处在于：1.借鉴颜色角度计算公式设计了一个新的色彩损失函数，并重新设计了EnhanceNet的损失函数。2.原始RetinexNet算法对反射分量进行光滑去噪，造成反射图像边缘模糊问题。针对于此，将去噪后的反射率图像再进行锐化处理。具体使用拉普拉斯算子、索贝尔算子、均值滤波等方法综合运算得到一个掩蔽分量，将此分量与经过去噪后的反射率图像进行相加，得到一个经去噪和锐化处理后的最终反射率图像。
本发明的有益效果表现在：与原方法相比，用本方法处理后的低照度图像的饱和度得到校准和补偿，图像的色彩失真现象得到了改善，图像的细节表达能力得到提升。
附图说明
图1为本发明的测试流程图。
图2为本发明的网络结构图。
图3为本发明与原方法在自然图像上的增强效果对比图，其中，(a)为原始图像，(b)为RetinexNet，(c)为本发明方法。
图4为本发明与原方法在内窥镜图像上的增强效果对比图，其中，(a)为原始图像，(b)为RetinexNet，(c)为本发明方法。
具体实施方式
为使本发明的目的、优势和技术特点更加清晰透彻，下面结合附图对本发明做进一步阐述说明。
参考图1～图4，一种基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法，以求改善图像增强后的色彩失真现象，有效增强图像的细节信息，提高图像的视觉效果，所述方法包括以下步骤：
步骤一：数据集的构建：选择了公开的包含大量从真实场景中捕获的低/正常光照图像对的“低光配对”数据集LOL中的n(n取485)对以及以RAISE数据集中的m(m取1000)幅原始图像为基础通过调整参数得到的m对正常图像/合成低照度图像作为训练数据集；
步骤二：参考图2所示的网络结构，将成对的低照度图像Slow与正常照度图像Snormal输入分解网络Decom-Net，分解网络在弱光图像和正常光图像具有相同反射率的指导下，学习弱光及其对应的正常光图像的分解；过程如下
2.1 Slow被分解为反射分量Rlow和照明分量Ilow，同样地，Snotmal被分解为反射分量Rnormal和照明分量Inormal。在网络执行分解低/正常图像的过程中，存在卷积核共享权重的关系；
2.2 Decom-Net由5层卷积神经网络组成，首先采用3*3的卷积核从输入图像中提取特征，再采用3个以ReLU为激活函数的3*3的卷积层将RGB图像映射为R和I。最后采用3*3的卷积层从特征空间中投影R和I，并用sigmoid函数将R和I约束在[0，1]范围内；
2.3Decom-Net的损失由3项组成，
Figure BDA0003030669650000051
其中，
Figure BDA0003030669650000052
Figure BDA0003030669650000053
Figure BDA0003030669650000054
进一步的，λir和λis是用来平衡反射率的一致性和照明平滑度的系数，分别取0.001和0.1，λij取0.001，
Figure BDA0003030669650000061
表示梯度，包括
Figure BDA0003030669650000062
和
Figure BDA0003030669650000063
λg表示平衡结构意识强度的系数，λg＝10。
步骤三：将照明分量Ilow输入EnhanceNet，在原有损失函数基础上再引入一个色彩损失函数，使用该网络对光照分量进行光照增强，得到增强后的照明分量
Figure BDA0003030669650000064
在原有算法对反射分量Rlow进行平滑去噪操作的基础上再进行边缘锐化操作，得到处理后的反射分量
Figure BDA0003030669650000065
过程如下：
3.1 EnhanceNet采用编码-解码的总体框架对光照分量进行增强，上下采样层之间设有“复制与修剪通路”，特征图可以直接在采样路径之间传递，使上采样网络能够有效推断丢失的像素，进而获得高分辨率的光照图像；
3.2 EnhanceNet由9层卷积神经网络组成，包含3个下采样模块，下采样模块由步长为2的3*3卷积层与ReLU组成，包含3个上采样模块，上采样模块使用resize-convolutional结构，由最近邻插值，步长为1的3*3卷积层与ReLU组成；
3.3采用多尺度级联的方法，从多角度调整光照分布，采用M个采样块，每个采样块提取一个C通道特征图，通过最近邻插值将这些特征按不同的尺度调整到最终尺度，并将它们连接到一个C×M通道特征图上，然后，通过1×1卷积层，将连接后的特征降为C通道，采用3×3卷积层重建局部光照；
3.4新引入一个色彩损失函数，该损失函数借鉴了评价图像之间色彩差异的颜色角度计算公式∠(x，y)，该损失函数表达式为
Figure BDA0003030669650000066
(Snormal)p和
Figure BDA0003030669650000067
分别表示在Snormal和
Figure BDA0003030669650000068
上与p对应的像素，
Figure BDA0003030669650000069
表示(Snormal)p与
Figure BDA00030306696500000610
的颜色角度矢量和，||·||2表示2-范数；
3.5因此EnhanceNet的损失由3项组成
Figure BDA00030306696500000611
进一步的，
Figure BDA00030306696500000612
3.6对Rlow进行去噪处理，使用BM3D的去噪方法对Rlow进行去噪，得到R′low；
3.7对反射分量R′low进行再进行锐化处理，具体的，采用拉普拉斯算子对R′low进行锐化处理，得到边缘分量V1，将V1与R′low相加，得到分量V2。对R′low进行索贝尔锐化，得到分量边缘V3，对边缘分量V3采用均值滤波进行平滑处理，得到分量V4，将V4与V2相乘，得到掩蔽分量V5，将V5与原始的R′low进行相加，得到经过去噪和锐化处理后的最终反射分量
Figure BDA0003030669650000071
步骤四：图像重建，将调整后的照明分量
Figure BDA0003030669650000072
与经过去噪和锐化处理后的反射分量
Figure BDA0003030669650000073
通过逐元素乘法得到原始低照度图像的增强结果
Figure BDA0003030669650000074
步骤五：参考图1，输入低照度图像，对该方法的性能进行测试，过程如下：
5.1实验环境配置：
本次实验所用的深度学习框架为Tensorflow 1.13 GPU，并且安装NumPy计算库和PIL图像处理库，实验的软件开发环境为Pycharm2019和python3.7；
5.2模型参数设置
训练模型时输入为成对的低照度图像与正常光照图像。测试时输入为低照度图像，输出为低照度图像的增强图像，训练的批次设置为16，迭代次数为100次，使用随机梯度下降与反向传播算法优化网络；
5.3实验结果
图3所示为本发明与原方法在自然图像上的增强效果对比图，图4为本发明与原方法在内窥镜图像上的增强效果对比图，可以看出本发明处理后的低照度图像拥有更高的细节分辨能力和更小的色彩失真现象，图像增强质量得到提升。

Claims (3)

1.一种基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法，其特征在于，所述方法包括以下步骤：
步骤一：数据集的构建：选择了公开的包含大量从真实场景中捕获的低/正常光照图像对的“低光配对”数据集LOL中的n对以及以RAISE数据集中的m幅原始图像为基础通过调整参数得到的m对正常图像/合成低照度图像作为训练数据集；
步骤二：将成对的低照度图像Slow与正常照度图像SnormaM输入分解网络Decom-Net,分解网络在弱光图像和正常光图像具有相同反射率的指导下，学习弱光及其对应的正常光图像的分解；步骤三：将照明分量Ilow输入EnhanceNet，在原有损失函数基础上再引入一个色彩损失函数，使用该网络对光照分量进行光照增强，得到增强后的照明分量
Figure FDA0003030669640000011
在原有算法对反射分量Rlow进行平滑去噪操作的基础上再进行边缘锐化操作,得到处理后的反射分量
Figure FDA0003030669640000012
步骤四：图像重建，将调整后的照明分量
Figure FDA0003030669640000013
与经过去噪和锐化处理后的反射分量
Figure FDA0003030669640000014
通过逐元素乘法得到原始低照度图像的增强结果
Figure FDA0003030669640000015
2.如权利要求1所述的基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法，其特征在于，所述步骤二的过程如下：
2.1Slow被分解为反射图Rlow和照明图Ilow，同样地，Snormal被分解为反射分量Rnormal和照明分量Inormal，在网络执行分解低/正常图像的过程中，存在卷积核共享权重的关系；
2.2Decom-Net由5层卷积神经网络组成，首先采用3*3的卷积核从输入图像中提取特征，再采用3个带有ReLU的3*3的卷积层将RGB图像映射为R和I，最后采用3*3的卷积层从特征空间中投影R和I，并用sigmoid函数将R和I约束在[0,1]范围内；
2.3Decom-Net的损失由3项组成，
Figure FDA0003030669640000016
其中，
Figure FDA0003030669640000017
Figure FDA0003030669640000018
Figure FDA0003030669640000019
进一步的，λir和λis是用来平衡反射率的一致性和照明平滑度的系数，
Figure FDA00030306696400000110
表示梯度，包括
Figure FDA00030306696400000111
和
Figure FDA00030306696400000112
λg表示平衡结构意识强度的系数。
3.如权利要求1或2所述的基于CNN的带有颜色恢复和边缘锐化效果的低照度图像增强方法，其特征在于，所述步骤三的过程如下：
3.1EnhanceNet采用编码-解码的总体框架对光照分量进行增强，上下采样层之间设有“复制与修剪通路”，特征图可以直接在采样路径之间传递，使上采样网络能够有效推断丢失的像素，进而获得高分辨率的光照图像；
3.2EnhanceNet由9层卷积神经网络组成，包含3个下采样模块，下采样模块由步长为2的3*3卷积层与ReLU组成，包含3个上采样模块，上采样模块使用resize-convolutional结构，由最近邻插值，步长为1的3*3卷积层与ReLU组成；
3.3采用多尺度级联的方法，从多角度调整光照分布，采用M个采样块，每个采样块提取一个C通道特征图，通过最近邻插值将这些特征按不同的尺度调整到最终尺度，并将它们连接到一个C×M通道特征图上，然后，通过1×1卷积层，将连接后的特征降为C通道，采用3×3卷积层重建局部光照；
3.4新引入一个色彩损失函数，该损失函数借鉴了评价图像之间色彩差异的颜色角度计算公式∠(x,y)，该损失函数表达式为
Figure FDA0003030669640000021
(Snormal)p和
Figure FDA0003030669640000022
分别表示在Snormal和
Figure FDA0003030669640000023
上与p对应的像素，
Figure FDA0003030669640000024
表示(Snormal)p与
Figure FDA0003030669640000025
的颜色角度矢量和，‖·‖2表示2-范数，
3.5因此EnhanceNet的损失由3项组成
Figure FDA0003030669640000026
进一步的，
Figure FDA0003030669640000027
Figure FDA0003030669640000028
3.6对Rlow进行去噪处理，使用BM3D的去噪方法对Rlow进行去噪，得到R′low；
3.7对反射分量R′low进行再进行锐化处理，采用拉普拉斯算子对R′low进行锐化处理，得到边缘分量V1,将V1与R′low相加，得到分量V2。对R′low进行索贝尔锐化，得到分量边缘V3，对边缘分量V3采用均值滤波进行平滑处理，得到分量V4，将V4与V2相乘，得到掩蔽分量V5，将V5与原始的R′low进行相加，得到经过去噪和锐化处理后的最终反射分量
Figure FDA0003030669640000029
CN202110428992.8A 2021-04-21 2021-04-21 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法 Pending CN113256510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110428992.8A CN113256510A (zh) 2021-04-21 2021-04-21 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110428992.8A CN113256510A (zh) 2021-04-21 2021-04-21 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法

Publications (1)

Publication Number Publication Date
CN113256510A true CN113256510A (zh) 2021-08-13

Family

ID=77221195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110428992.8A Pending CN113256510A (zh) 2021-04-21 2021-04-21 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法

Country Status (1)

Country Link
CN (1) CN113256510A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643323A (zh) * 2021-08-20 2021-11-12 中国矿业大学 城市地下综合管廊尘雾环境下目标检测系统
CN114463223A (zh) * 2022-04-08 2022-05-10 深圳市瓴鹰智能科技有限公司 一种图像增强的处理方法、装置、计算机设备及介质
CN115760630A (zh) * 2022-11-26 2023-03-07 南京林业大学 一种低照度图像增强方法
CN116152120A (zh) * 2023-04-20 2023-05-23 南京大学 一种融合高低频特征信息的低光图像增强方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968044A (zh) * 2020-07-16 2020-11-20 中国科学院沈阳自动化研究所 基于Retinex和深度学习的低照度图像增强方法
CN112116536A (zh) * 2020-08-24 2020-12-22 山东师范大学 一种低光照图像增强方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968044A (zh) * 2020-07-16 2020-11-20 中国科学院沈阳自动化研究所 基于Retinex和深度学习的低照度图像增强方法
CN112116536A (zh) * 2020-08-24 2020-12-22 山东师范大学 一种低光照图像增强方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEN WEI等: "Deep Retinex Decomposition for Low-Light Enhancement", HTTPS://ARXIV.ORG/PDF/1808.04560.PDF, pages 1 - 12 *
欧嘉敏等: "改进Ｒetinex-Net 的低光照图像增强算法", 模式识别与人工智能, vol. 34, no. 1, pages 77 - 86 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643323A (zh) * 2021-08-20 2021-11-12 中国矿业大学 城市地下综合管廊尘雾环境下目标检测系统
CN113643323B (zh) * 2021-08-20 2023-10-03 中国矿业大学 城市地下综合管廊尘雾环境下目标检测系统
CN114463223A (zh) * 2022-04-08 2022-05-10 深圳市瓴鹰智能科技有限公司 一种图像增强的处理方法、装置、计算机设备及介质
CN115760630A (zh) * 2022-11-26 2023-03-07 南京林业大学 一种低照度图像增强方法
CN116152120A (zh) * 2023-04-20 2023-05-23 南京大学 一种融合高低频特征信息的低光图像增强方法及装置
CN116152120B (zh) * 2023-04-20 2023-07-21 南京大学 一种融合高低频特征信息的低光图像增强方法及装置

Similar Documents

Publication Publication Date Title
CN114140353B (zh) 一种基于通道注意力的Swin-Transformer图像去噪方法及系统
Wang et al. An experimental-based review of image enhancement and image restoration methods for underwater imaging
CN112233038B (zh) 基于多尺度融合及边缘增强的真实图像去噪方法
CN113256510A (zh) 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法
CN109410127B (zh) 一种基于深度学习与多尺度图像增强的图像去噪方法
JP5541339B2 (ja) 画像処理方法、画像処理プログラム、および画像処理装置
WO2007116543A1 (ja) 画像処理方法
CN111260591B (zh) 一种基于注意力机制的图像自适应去噪方法
Liu et al. Survey of natural image enhancement techniques: Classification, evaluation, challenges, and perspectives
CN113284061B (zh) 一种基于梯度网络的水下图像增强方法
CN112884668A (zh) 基于多尺度的轻量级低光图像增强方法
Wu et al. FW-GAN: Underwater image enhancement using generative adversarial network with multi-scale fusion
CN111415304A (zh) 基于级联深度网络的水下视觉增强方法和装置
Xu et al. Deep retinex decomposition network for underwater image enhancement
Huang et al. Color correction and restoration based on multi-scale recursive network for underwater optical image
CN111462002B (zh) 一种基于卷积神经网络的水下图像增强与复原方法
Huang et al. Underwater image enhancement based on color restoration and dual image wavelet fusion
Wang et al. No-reference stereoscopic image quality assessment using quaternion wavelet transform and heterogeneous ensemble learning
CN116739899A (zh) 基于saugan网络的图像超分辨率重建方法
JP2007272536A (ja) 画像処理方法
CN115272072A (zh) 一种基于多特征图像融合的水下图像超分辨率方法
Chen et al. Semantic attention and relative scene depth-guided network for underwater image enhancement
Sun et al. Progressive multi-branch embedding fusion network for underwater image enhancement
Song et al. Dual-model: Revised imaging network and visual perception correction for underwater image enhancement
CN115082296B (zh) 一种基于小波域图像生成框架的图像生成方法

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