CN114004761A - 一种融合深度学习夜视增强与滤波降噪的图像优化方法 - Google Patents
一种融合深度学习夜视增强与滤波降噪的图像优化方法 Download PDFInfo
- Publication number
- CN114004761A CN114004761A CN202111268898.7A CN202111268898A CN114004761A CN 114004761 A CN114004761 A CN 114004761A CN 202111268898 A CN202111268898 A CN 202111268898A CN 114004761 A CN114004761 A CN 114004761A
- Authority
- CN
- China
- Prior art keywords
- image
- night
- enhancement
- enhanced
- loss 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.)
- Pending
Links
- 230000004297 night vision Effects 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 17
- 238000004246 ligand exchange chromatography Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- 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
- G06T2207/20024—Filtering 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Image Processing (AREA)
Abstract
本发明涉及一种融合深度学习夜视增强与滤波降噪的图像优化方法。通过非参考损失函数来评估光增强网络的增强质量，将待增强图像作为输入，产生高阶曲线作为输出，然后这些曲线用于对输入的动态范围进行逐像素调整，获得夜视增强图像，并使用非局部均值滤波对增强后的图像作降噪处理，在保持增强图像的颜色和细节的同时，滤除了因夜视增强后带来的大量噪声，使得图像取得较好的优化效果。本发明可以在保证夜间拍摄图像清晰的情况下同时没有较为明显的噪声。
Description
技术领域
本发明涉及机器视觉技术领域，尤其是一种融合深度学习夜视增强与滤波降噪的图像优化方法。
背景技术
随着人民生活的日益提高，对拍摄的图片质量的要求逐渐提高，如何更好地处理图像成为了当下研究热门领域，而夜间图像的增强技术更是成为时代主流。然而由于感光传感器长时间工作时产生的热量会破坏成像时的一些像素点，会使得夜视图像在整体偏暗、细节不明显等问题下，还不可避免地引入大量噪点，造成夜视图像急剧恶化。
传统的夜间增强算法如直方图均衡、伽马变换、自适应直方图均衡等算法虽然能够实现夜间图像的增强，但是因为增强而带来的噪声放大效应严重影响夜视图像增强后的效果。而融合深度学习夜视增强与滤波降噪的图像优化方法不但普遍适用于不同的照明条件，可以在增强光照的同时保留原图像的颜色和细节，并且能够取得较为不错的降噪效果。
发明内容
本发明的目的在于提供一种融合深度学习夜视增强与滤波降噪的图像优化方法，通过非参考损失函数来评估光增强网络的增强质量，将待增强图像作为输入，产生高阶曲线作为输出，然后这些曲线用于对输入的动态范围进行逐像素调整，获得夜视增强图像，并使用非局部均值滤波对增强后的图像作降噪处理，在保持增强图像的颜色和细节的同时，滤除了因夜视增强后带来的大量噪声，使得图像取得较好的优化效果。
为实现上述目的，本发明的技术方案是：一种融合深度学习夜视增强与滤波降噪的图像优化方法，采用夜视增强网络对夜间图像进行增强和采用非局部均值滤波NLM对增强后的图像进行降噪，包括以下步骤：
步骤S1、获取带有弱光以及过度曝光的图片，作为训练所需的数据集；
步骤S2、构建用于增强夜间图像的深度神经网络；
步骤S3、将数据集的原始图像P1输入到步骤S2构造的网络中，得到训练好后的模型M1；
步骤S4、将一张夜间拍摄的低照度图像P2输入到训练好的模型中，得到增强后的夜间带噪图像P3；
步骤S5、将得到的增强后的夜间带噪图像P3进行非局部均值滤波NLM后得到降噪后的夜间增强图像P4。
在本发明一实施例中，步骤S1所使用的训练数据集为SICE数据集。
在本发明一实施例中，步骤S2构建用于增强夜间图像的深度神经网络，具体包括以下步骤：
步骤S21、构建增强夜间图像的深度神经网络，该深度神经网络由光增强曲线LEC、深度曲线估计网络DCE-Net、非参考损失函数三部分构成；
步骤S22、构建增强夜间图像的深度神经网络的损失函数，使用综合损失函数L＝Lspa+Lexp+WcolLcol+WtvALtvA，评估增强图像的质量：
Lsps为空间一致性损失函数，用来保持输入图像与增强图像相邻区域的梯度，计算公式如下所示：
其中K是局部区域的数量，Ω(i)是区域i为中心的四个相邻的区域(上、下、左、右)，Y和I分别表示增强图像和输入图像的局部区域平均强度值；
Lexp表示控制曝光损失函数，计算公式如下所示：
其中M是大小为16*16非重叠局部区域的个数，K是局部区域的数量，Y为增强后图像中局部区域的平均强度值，曝光值E设置为0.6；
Lcol表示色彩恒常性损失函数，Wcol为其损失函数的权重，Lcol计算公式如下所示：
其中Jp为增强图像中P通道的平均强度值，(p，q)代表一对通道，属于R/G/B三通道；
LtvA表示光照平滑损失，WtvA为其损失函数的权重，LtvA计算公式如下所示：
其中N为迭代次数，
分别表示水平和垂直方向的梯度操作，
为与输入图像I(x)维度一致的参数映射矩阵，c表示矩阵是R/G/B三通道其中一个通道,
为正则化项，用于提升模型的泛化能力，λ为正则化项的权重系数。
在本发明一实施例中，所述步骤S21中，在增强夜间图像的深度神经网络中，光增强曲线LEC部分使用逐像素调节曲线LEn(x)，用于在更宽的动态范围调整图像，LEn(x)计算公式如下所示：
LEn(x)＝LEn-1(x)+An(x)LEn-1(x)(1-LEn-1(x))
其中x为像素坐标，LEn(x)为输入图像I(x)的增强结果，n为迭代次数，设置n为8，An(x为与输入图像I(x)维度一致的参数映射矩阵；LEC可以使得图像保留明亮区域，增强黑暗区域；深度曲线估计网络DCE-Net将输入的夜视图像，输出为一组用于高阶曲线的逐像素参数映射矩阵An(x)；
深度曲线估计网络DCE-Net由七个对称级联的卷积层组成，前六层均使用32个3*3的卷积核进行卷积，最后一层调整为24个3*3大小的卷积核，卷积后接大小为2*2的最大池化层，输出分别对应图像的R/G/B三个通道，生成的24个曲线参数矩阵用于光照平滑损失函数及光增强曲线LEC的计算。
在本发明一实施例中，步骤S4具体实现如下：
将一张夜间拍摄的低照度图像P2输入增强夜间图像的深度神经网络的主干网络，图像先使用大小3*3，步长为1的32个卷积核进行卷积，经过ReLU激活函数，重复六次，最后使用24个大小3*3，步长为1的卷积核进行卷积，卷积后接大小为2*2，步长为2的最大池化层，经过Tanh激活函数，最后输出增强后的夜视图像。
在本发明一实施例中，步骤S5具体包括以下步骤：
步骤S51、输入夜视增强后的带噪图，以当前像素点x(i)为中心，设置大小为D*D(D＝2*Ds+1)的待搜索区域和大小为d*d(d＝2*ds+1)的目标块V(Ni)，在搜索框中取以像素点y(j)为中心、大小为d*d(d＝2*ds+1)的邻域窗口V(Nj)，设置经验值ds＝2，Ds＝5；
步骤S52、开始在待搜索区域中遍历，计算目标块V(Ni)和邻域窗口V(Nj)之间的权重w(i，j)，计算公式如下：
其中||V(Ni)-V(Nj)||2表示高斯核，h为衰减因子，设置经验值h＝10；
步骤S53、遍历完搜索区域后，将最大权重赋值给x(i)，并进行权重归一化，计算公式如下：
其中w(i，j)为权重，表示像素点x(i)与像素点y(j)之间的相似度，相似度越大，值越大；
步骤S54、继续对下一个像素点重复上述步骤，直至遍历完整幅图像，得到降噪后的夜视增强图像。
相较于现有技术，本发明具有以下有益效果：
1、本发明使用光增强曲线LEC，可以对输入的动态范围进行逐像素调整，有效避免整幅图像过度调整的问题；
2、本发明使用深度曲线估计网络作为主干网络，可以避免过拟合的风险，普遍适用于不同照明条件下拍摄出来的夜间图像；
3、本发明使用非参考损失函数来评估光增强网络的增强质量，可以在增强光照的同时保留原图像的颜色和细节；
4、本发明使用非局部均值滤波NLM，通过匹配块与块间的相似度，可以取得较好的降噪效果。
本发明只需要两个阶段就可以完成对夜间图像的增强与降噪，在夜间增强部分，通过增强曲线LEC，可以对输入的动态范围进行逐像素调整，有效避免整幅图像过度调整的问题，使用深度曲线估计网络作为主干网络，可以避免过拟合的风险，普遍适用于不同照明摄出来的夜间图像，使用非参考损失函数来评估光增强网络的增强质量，可以在增强光照的同时保留原图像的颜色和细节；在夜间增强后的降噪部分，使用非局部均值滤波NLM，通过匹配块与块间的相似度，可以取得较好的降噪效果。
附图说明
图1为本发明实施例的结构框示意图；
图2为本发明实施例中步骤S1中下载的SICE部分数据集效果示意图；
图3为本发明实施例中步骤S2中构建的夜间增强的网络框示意图；
图4为本发明实施例中输入的需要夜视增强的图片；
图5为本发明实施例中夜视增强后且需要降噪的图片；
图6为本发明实施例中经过夜视增强且经过降噪处理后最终输出的图片。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1-6所示，一种融合深度学习夜视增强与滤波降噪的图像优化方法，采用夜视增强网络对夜间图像进行增强和采用非局部均值滤波NLM对增强后的图像进行降噪；其特征在于包括以下步骤；
步骤S1：获取带有弱光以及过度曝光的图片，作为训练所需的数据集；
步骤S2：构建用于增强夜间图像的深度神经网络；
步骤S3：将数据集的原始图像P1输入到步骤S2构造的网络中，得到训练好后的模型M1；
步骤S4：将一张夜间拍摄的低照度图像P2输入到训练好的模型中，得到增强后的夜间带噪图像P3
步骤S5：将得到的夜间增强带噪图像P3进行非局部均值滤波NLM后得到降噪后的夜间增强图像P4。
步骤S1所使用的训练数据集为SICE数据集，图2为本发明实施例中步骤S1中下载的SICE部分数据集效果示意图。
在本实施实例中，所述步骤S2主要包括以下步骤：
步骤S21、构建增强夜间图像的深度神经网络，该神经网络由光增强曲线LEC、深度曲线估计网络DCE-Net、非参考损失函数三部分构成；
步骤S22、构建夜视增强图像网络的损失函数，使用综合损失函数L＝Lspa+Lexp+WcolLcol+WtvALtvA，评估增强图像的质量：
Lspa为空间一致性损失函数，用来保持输入图像与增强图像相邻区域的梯度，计算公式如下所示：
其中K是局部区域的数量，Ω(i)是区域i为中心的四个相邻的区域(上、下、左、右)。Y和I分别表示增强图像和输入图像的局部区域平均强度值；Lexp表示控制曝光损失函数，计算公式如下所示：
其中M是大小为16*16非重叠局部区域的个数，K是局部区域的数量，Y为增强后图像中局部区域的平均强度值，曝光值E设置为0.6；Lcol表示色彩恒常性损失函数，Wcol为其损失函数的权重，Lcol计算公式如下所示：
其中Jp为增强图像中P通道的平均强度值，(p，q)代表一对通道，属于R/G/B三通道；LtvA表示光照平滑损失，WtvA为其损失函数的权重，LtvA计算公式如下所示：
其中N为迭代次数，
分别表示水平和垂直方向的梯度操作，
为与输入图像I(x)维度一致的参数映射矩阵，c表示矩阵是R/G/B三通道其中一个通道,
为正则化项，用于提升模型的泛化能力，λ为正则化项的权重系数。
在本实施实例中，所述步骤S21主要包括以下步骤：
步骤S211、在夜视增强图像网络中，其中光增强曲线部分LEC使用逐像素调节曲线lEn(x)，用于在更宽的动态范围调整图像，LEc(x)计算公式如下所示：
LEn(x)＝LEn-1(x)+An(x)LEn-1(x)(1-LEn-1(x))
其中x为像素坐标，LEn(x)为输入图像I(x)的增强结果，n为迭代次数，设置n为8，An(x)为与输入图像I(x)维度一致的参数映射矩阵；LEC可以使得图像保留明亮区域，增强黑暗区域；深度曲线估计网络DCE-Net将输入的夜视图像，输出为一组用于高阶曲线的逐像素参数映射矩阵An(x)。
深度曲线估计网络DCE-Net由七个对称级联的卷积层组成，前六层均使用32个3*3的卷积核进行卷积，最后一层调整为24个3*3大小的卷积核，卷积后接大小为2*2的最大池化层，输出分别对应图像的R/G/B三个通道，生成的24个曲线参数矩阵用于后续光照平滑损失函数及光增强曲线LEC的计算。
图3为本发明实施例中步骤S2中构建的夜间增强的网络框示意图。
在本实施实例中，所述步骤S4主要包括以下步骤：
步骤S41：将一张夜间拍摄的低照度图像P2(如图4所示)输入夜视增强网络的主干网络，图像先使用大小3*3，步长为1的32个卷积核进行卷积，经过ReLU激活函数，重复六次，最后使用24个大小3*3，步长为1的卷积核进行卷积，卷积后接大小为2*2，，步长为1的最大池化层经过Tanh激活函数，最后输出增强后的夜视图像(如图5所示)。
在本实施实例中，所述步骤S5主要包括以下步骤：
步骤S51：输入夜视增强后的带噪图，以当前像素点x(i)为中心，设置大小为D*D(D＝2*Ds+1)的待搜索区域和大小为d*d(d＝2*ds+1)的目标块V(Ni)，在搜索框中取以像素点y(j)为中心、大小为d*d(d＝2*ds+1)的邻域窗口V(Nj)，设置经验值ds＝2，Ds＝5。
步骤S52：开始在待搜索区域中遍历，计算目标块V(Ni)和邻域窗口V(Nj)之间的权重w(i，j)，计算公式如下：
其中||V(Ni)-V(Nj)||2表示高斯核，h为衰减因子，设置经验值h＝10。
步骤S53：遍历完搜索区域后，将最大权重赋值给x(i)，并进行权重归一化，计算公式如下：
其中w(i，j)为权重，表示像素点x(i)与像素点y(j)之间的相似度，相似度越大，值越大。
步骤S54：继续对下一个像素点重复上述步骤，直至遍历完整幅图像，得到降噪后的夜视增强图像(如图6所示)。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (6)
1.一种融合深度学习夜视增强与滤波降噪的图像优化方法，采用夜视增强网络对夜间图像进行增强和采用非局部均值滤波NLM对增强后的图像进行降噪，其特征在于，包括以下步骤：
步骤S1、获取带有弱光以及过度曝光的图片，作为训练所需的数据集；
步骤S2、构建用于增强夜间图像的深度神经网络；
步骤S3、将数据集的原始图像P1输入到步骤S2构造的网络中，得到训练好后的模型M1；
步骤S4、将一张夜间拍摄的低照度图像P2输入到训练好的模型中，得到增强后的夜间带噪图像P3；
步骤S5、将得到的增强后的夜间带噪图像P3进行非局部均值滤波NLM后得到降噪后的夜间增强图像P4。
2.根据权利要求1所述的一种融合深度学习夜视增强与滤波降噪的图像优化方法，其特征在于，步骤S1所使用的训练数据集为SICE数据集。
3.根据权利要求1所述的一种融合深度学习夜视增强与滤波降噪的图像优化方法，其特征在于，步骤S2构建用于增强夜间图像的深度神经网络，具体包括以下步骤：
步骤S21、构建增强夜间图像的深度神经网络，该深度神经网络由光增强曲线LEC、深度曲线估计网络DCE-Net、非参考损失函数三部分构成；
步骤S22、构建增强夜间图像的深度神经网络的损失函数，使用综合损失函数L＝Lspa+Lexp+WcolLcol+WtvALtvA，评估增强图像的质量：
Lspa为空间一致性损失函数，用来保持输入图像与增强图像相邻区域的梯度，计算公式如下所示：
其中K是局部区域的数量，Ω(i)是区域i为中心的四个相邻的区域(上、下、左、右)，Y和1分别表示增强图像和输入图像的局部区域平均强度值；
Lexp表示控制曝光损失函数，计算公式如下所示：
其中M是大小为16*16非重叠局部区域的个数，K是局部区域的数量，Y为增强后图像中局部区域的平均强度值，曝光值E设置为0.6；
Lcol表示色彩恒常性损失函数，Wcol为其损失函数的权重，Lcol计算公式如下所示：
其中Jp为增强图像中P通道的平均强度值，(p，q)代表一对通道，属于R/G/B三通道；
LtvA表示光照平滑损失，WtvA为其损失函数的权重，LtvA计算公式如下所示：
其中N为迭代次数，
分别表示水平和垂直方向的梯度操作，
为与输入图像I(x)维度一致的参数映射矩阵，c表示矩阵是R/G/B三通道其中一个通道，
为正则化项，用于提升模型的泛化能力，λ为正则化项的权重系数。
4.根据权利要求3所述的一种融合深度学习夜视增强与滤波降噪的图像优化方法，其特征在于，所述步骤S21中，在增强夜间图像的深度神经网络中，光增强曲线LEC部分使用逐像素调节曲线LEn(x)，用于在更宽的动态范围调整图像，LEn(x)计算公式如下所示：
LEn(x)＝LEn-1(x)+An(x)LEn-1(x)(1-LEn-1(x))
其中x为像素坐标，LEn(x)为输入图像I(x)的增强结果，n为迭代次数，设置n为8，An(x)为与输入图像I(x)维度一致的参数映射矩阵；LEC可以使得图像保留明亮区域，增强黑暗区域；深度曲线估计网络DCE-Net将输入的夜视图像，输出为一组用于高阶曲线的逐像素参数映射矩阵An(x)；
深度曲线估计网络DCE-Net由七个对称级联的卷积层组成，前六层均使用32个3*3的卷积核进行卷积，最后一层调整为24个3*3大小的卷积核，卷积后接大小为2*2的最大池化层，输出分别对应图像的R/G/B三个通道，生成的24个曲线参数矩阵用于光照平滑损失函数及光增强曲线LEC的计算。
5.根据权利要求1所述的一种融合深度学习夜视增强与滤波降噪的图像优化方法，其特征在于，步骤S4具体实现如下：
将一张夜间拍摄的低照度图像P2输入增强夜间图像的深度神经网络的主干网络，图像先使用大小3*3，步长为1的32个卷积核进行卷积，经过ReLU激活函数，重复六次，最后使用24个大小3*3，步长为1的卷积核进行卷积，卷积后接大小为2*2，步长为2的最大池化层，经过Tanh激活函数，最后输出增强后的夜视图像。
6.根据权利要求1所述的一种融合深度学习夜视增强与滤波降噪的图像优化方法，其特征在于，步骤S5具体包括以下步骤：
步骤S51、输入夜视增强后的带噪图，以当前像素点x(i)为中心，设置大小为D*D(D＝2*Ds+1)的待搜索区域和大小为d*d(d＝2*ds+1)的目标块V(Ni)，在搜索框中取以像素点y(j)为中心、大小为d*d(d＝2*ds+1)的邻域窗口V(Nj)，设置经验值ds＝2，Ds＝5；
步骤S52、开始在待搜索区域中遍历，计算目标块V(Ni)和邻域窗口V(Nj)之间的权重w(i，j)，计算公式如下：
其中||V(Ni)-V(Nj)||2表示高斯核，h为衰减因子，设置经验值h＝10；
步骤S53、遍历完搜索区域后，将最大权重赋值给x(i)，并进行权重归一化，计算公式如下：
其中w(i，j)为权重，表示像素点x(i)与像素点y(j)之间的相似度，相似度越大，值越大；
步骤S54、继续对下一个像素点重复上述步骤，直至遍历完整幅图像，得到降噪后的夜视增强图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268898.7A CN114004761A (zh) | 2021-10-29 | 2021-10-29 | 一种融合深度学习夜视增强与滤波降噪的图像优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268898.7A CN114004761A (zh) | 2021-10-29 | 2021-10-29 | 一种融合深度学习夜视增强与滤波降噪的图像优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114004761A true CN114004761A (zh) | 2022-02-01 |
Family
ID=79924966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268898.7A Pending CN114004761A (zh) | 2021-10-29 | 2021-10-29 | 一种融合深度学习夜视增强与滤波降噪的图像优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004761A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455802A (zh) * | 2023-12-25 | 2024-01-26 | 榆林金马巴巴网络科技有限公司 | 一种本安型矿灯采集图像降噪增强方法 |
| RU2818667C1 (ru) * | 2023-11-20 | 2024-05-06 | Акционерное общество "НПО "Орион" | Способ подавления временного шума сигналов изображений с тепловизионных оптико-электронных систем |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728643A (zh) * | 2019-10-18 | 2020-01-24 | 上海海事大学 | 一种基于卷积神经网络的低照度带噪声图像优化方法 |
| CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
| CN112308803A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强及去噪方法 |
| CN112767286A (zh) * | 2021-03-08 | 2021-05-07 | 中南大学 | 一种基于密集深度学习的暗光图像自适应增强方法 |
| CN112907570A (zh) * | 2021-03-24 | 2021-06-04 | 合肥工业大学 | 一种轻量级无监督暗光图像增强方法及装置 |
| CN113222828A (zh) * | 2021-01-16 | 2021-08-06 | 徐工集团工程机械股份有限公司科技分公司 | 一种基于零参考的工业物联网监控平台图像增强方法 |
-
2021
- 2021-10-29 CN CN202111268898.7A patent/CN114004761A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728643A (zh) * | 2019-10-18 | 2020-01-24 | 上海海事大学 | 一种基于卷积神经网络的低照度带噪声图像优化方法 |
| CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
| CN112308803A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强及去噪方法 |
| CN113222828A (zh) * | 2021-01-16 | 2021-08-06 | 徐工集团工程机械股份有限公司科技分公司 | 一种基于零参考的工业物联网监控平台图像增强方法 |
| CN112767286A (zh) * | 2021-03-08 | 2021-05-07 | 中南大学 | 一种基于密集深度学习的暗光图像自适应增强方法 |
| CN112907570A (zh) * | 2021-03-24 | 2021-06-04 | 合肥工业大学 | 一种轻量级无监督暗光图像增强方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 牛康力: "基于深度学习的双通道夜视图像复原方法", 计算机应用, vol. 41, no. 6, 24 November 2020 (2020-11-24), pages 1776 - 1784 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2818667C1 (ru) * | 2023-11-20 | 2024-05-06 | Акционерное общество "НПО "Орион" | Способ подавления временного шума сигналов изображений с тепловизионных оптико-электронных систем |
| CN117455802A (zh) * | 2023-12-25 | 2024-01-26 | 榆林金马巴巴网络科技有限公司 | 一种本安型矿灯采集图像降噪增强方法 |
| CN117455802B (zh) * | 2023-12-25 | 2024-04-05 | 榆林金马巴巴网络科技有限公司 | 一种本安型矿灯采集图像降噪增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | TBEFN: A two-branch exposure-fusion network for low-light image enhancement | |
| CN108537746B (zh) | 一种基于深度卷积网络的模糊可变图像盲复原方法 | |
| Wang et al. | Enhancing low light videos by exploring high sensitivity camera noise | |
| RU2764395C1 (ru) | Способ и устройство для совместного выполнения дебайеризации и устранения шумов изображения с помощью нейронной сети | |
| CN113052814B (zh) | 基于Retinex和注意力机制的暗光图像增强方法 | |
| CN113658057A (zh) | 一种Swin Transformer微光图像增强方法 | |
| CN115731146B (zh) | 基于色彩梯度直方图特征光流估计多曝光图像融合方法 | |
| Lv et al. | Low-light image enhancement via deep Retinex decomposition and bilateral learning | |
| CN111652815B (zh) | 一种基于深度学习的掩膜板相机图像复原方法 | |
| CN114998141A (zh) | 基于多分支网络的空间环境高动态范围成像方法 | |
| CN114004761A (zh) | 一种融合深度学习夜视增强与滤波降噪的图像优化方法 | |
| CN116109509A (zh) | 基于逐像素伽马矫正的实时低光照图像增强方法及系统 | |
| CN117115033A (zh) | 基于强光抑制的电力作业现场弱光图像增强方法 | |
| CN112614063B (zh) | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 | |
| Gao et al. | Image enhancement algorithm based on NF-ICM | |
| CN115829868B (zh) | 基于光照与噪声残差图的水下暗光图像增强方法 | |
| CN111563854A (zh) | 用于水下图像增强处理的粒子群优化方法 | |
| CN116229081A (zh) | 基于注意力机制的无人机全景图像去噪方法 | |
| CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
| CN115760630A (zh) | 一种低照度图像增强方法 | |
| CN112435177B (zh) | 基于sru与残差网络的递归红外图像非均匀校正方法 | |
| CN115170415A (zh) | 一种低光照图像增强方法、系统及可读存储介质 | |
| CN113112429B (zh) | 一种用于复杂光照条件下有雾图像的通用增强框架 | |
| Fan et al. | Cbam-dce: A non-reference image correction algorithm for uneven illumination | |
| CN113112418B (zh) | 一种低照度图像迭代增强的方法 |
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 |