CN114511462A - 一种视觉图像增强方法 - Google Patents
一种视觉图像增强方法 Download PDFInfo
- Publication number
- CN114511462A CN114511462A CN202210127830.5A CN202210127830A CN114511462A CN 114511462 A CN114511462 A CN 114511462A CN 202210127830 A CN202210127830 A CN 202210127830A CN 114511462 A CN114511462 A CN 114511462A
- Authority
- CN
- China
- Prior art keywords
- image
- enhanced
- brightness
- images
- visual
- 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 30
- 230000000007 visual effect Effects 0.000 title claims abstract description 26
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000011084 recovery Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- FKOQWAUFKGFWLH-UHFFFAOYSA-M 3,6-bis[2-(1-methylpyridin-1-ium-4-yl)ethenyl]-9h-carbazole;diiodide Chemical compound [I-].[I-].C1=C[N+](C)=CC=C1C=CC1=CC=C(NC=2C3=CC(C=CC=4C=C[N+](C)=CC=4)=CC=2)C3=C1 FKOQWAUFKGFWLH-UHFFFAOYSA-M 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001535 kindling effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20081—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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明公开了一种视觉图像增强方法,本发明的图像增强方法基于N‑R方程,设计可学习参数的N‑R变换模块,并基于典型U‑Net网络结构设计多通道图像的整合模块以及颜色恢复模块,最终实现端到端的视觉图像增强,提高了视觉图像增强质量。通过基于N‑R变换可以生成多张不同局部增强的中间图像,并基于这些不同局部增强图像,通过网络中的参数自适应地整合每个像素值需要被修正的亮度值,极大提高了算法模型的可解释性,并能很好地完成视觉增强任务。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种低亮度图像增强方法。
背景技术
从真实世界场景中拍摄数字图像时,由于场景光照情况复杂以及摄影设备的技术限制,获得到的图像往往存在曝光不足或过度、亮度过低、动态范围不足等诸多问题。同时,这些成像质量上的问题直接影响后续基于视觉图像信息的智能系统工作的稳定性及性能。因此,基于数字图像处理技术,对采集到的图像进行视觉增强处理具有重要意义,而其中对图像亮度的增强是其中的核心问题之一。
目前,比较典型的图像亮度增强方法主要包括:传统技术和基于深度学习的技术。典型的传统方法如基于光照估计的图像增强方法(LIME),参见文献“X.Guo,Y.Li,andH.Ling,“LIME:Low-light image enhancement via illumination map estimation,”IEEE Trans.Image Processing,vol.26,no.2,pp.982–993,2017”。这类方法设计逻辑清晰,算法的可解释性较强;但处理效果往往不够好;另一方面,基于深度学习的方法利用大量数据驱动神经网络自动学习相关特征,往往比传统方法获得更好的处理效果。典型的方法(KinD)参见文献“Y.Zhang,J.Zhang,and X.Guo.Kindling the darkness:A practicallow-light image enhancer.In ACM MM,pages 1632–1640,2019”。但是,基于深度学习的方法存在的主要缺点是计算模型过于复杂、算法可解释较差等。
发明内容
针对现有技术存在的上述问题,本发明提出了一种视觉图像增强方法。
为了实现上述的目的,本发明的技术方案为:一种视觉图像增强方法,具体包括如下步骤:
S1.获取用于深度神经网络训练的图像数据集,并对数据进行预处理:首先从网络公开数据集中获取成对的训练图像数据,每对数据包括待增强图像以及对应的高质量图像,每个图像为RGB模式的彩色图像;预处理过程包括将所有图像缩放到统一大小;
S2.设计基于N-R方程的图像变换模块:对步骤S1的待增强图像,使用一组可变参数的N-R方程对其进行变换处理,获得一组经过N-R变换后的局部增强图像;其中,N-R方程为:
其中,I为输入的图像数据,σ与n为N-R方程中需要学习的参数;
S3.设计多通道信息整合模块:首先设计U-Net网络,输入通道数为与步骤S1中获得的局部增强图像数量一致,输出为三通道图像,分别对应彩色图像的红色、绿色和蓝色通道;将步骤S2中获得的一组局部增强图像输入U-Net网络,获得亮度增强图像;
S4.对步骤S3获得的亮度增强图像进行颜色恢复:针对步骤S1预处理后的输入图像,依次计算每个像素点在红色、绿色和蓝色通道中的均值,作为该点的亮度值,获得待处理的亮度图像;针对步骤S3获得的亮度增强图像,依次计算每个像素点在红色、绿色和蓝色通道中的均值,作为该点的亮度值,获得增强后的亮度图像;基于待处理的亮度图像和增强后的亮度图像,对亮度增强图像进行颜色恢复处理,获得最终的视觉增强图像;
其中,Iin为待处理图像,Min为待处理的亮度图像,Menh为增强后的亮度图像;
S5.设计损失函数对网络模型进行训练;基于步骤S1中提供的高质量图像,设计损失函数,对整个网络模型进行训练,最后,将测试图像输入该网络,模型输出即为视觉增强结果。
作为一个较佳的实施例,步骤S2中的参数σ初始值全部设定为0.5,n初始值设定为[0.5,8]等间距取样。
作为一个较佳的实施例,步骤S3中多通道信息整合模块为包含3层编码器和3层上采样的典型U-Net结构,最终输出与输入相同尺寸的图像。
作为一个较佳的实施例,步骤S5中采用的损失函数为:
Ltotal=Lperceptual+10*LMSE
其中,Ltotal为总的损失函数,Lperceptual为图像增强任务中的感知损失函数,LMSE为均方误差损失函数。
本发明的有益效果:本发明的视觉图像增强方法基于N-R方程,设计可学习参数的N-R变换模块,并基于典型U-Net网络结构设计多通道图像的整合模块以及颜色恢复模块,最终实现端到端的视觉图像增强,提高了视觉图像增强质量。通过基于N-R变换可以生成多张不同局部增强的中间图像,并基于这些不同局部增强图像,通过网络中的参数自适应地整合每个像素值需要被修正的亮度值,极大提高了算法模型的可解释性,并能很好地完成视觉增强任务。可以看出,本发明的方法通过结合生物视觉适应的计算机制以及深度学习的特征学习技术,更好地实现了图像的视觉增强,提高图像增强算法的性能和可解释性。
附图说明
图1是本发明实施例的视觉图像增强方法的模型流程示意图。
图2是本发明实施例中对一幅低亮度图像进行增强的对比图组。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
本发明实施例的视觉图像增强方法的模型流程如图1所示,具体包括如下步骤:
S1.下载公开的低亮度图像库作为训练数据集,具体包含485对.png格式的低亮度图像(待增强图像)和正常亮度彩色图像(待增强图像对应的高质量图像)对(https://daooshee.github.io/BMVC2018website/);预处理过程将这些图像统一缩放成512×512×3大小,并进一步扩张为1×3×512×512的张量格式用于输入到深度神经网络中。
S2.设计基于N-R方程的图像变换模块;设定使用的N-R变换数量为16,即使用16组不同参数的N-R方程对对步骤S1的待增强图像进行变换处理:
其中,I为输入的图像数据,将σ与n设定为网络需要优化的参数;参数σ初始值全部设定为0.5,n初始值设定为[0.5,8]等间距取样;并在模型学习过程中自动进行优化,最终获得16幅经过N-R变换后的局部增强图像。
S3.设计多通道信息整合模块;首先设计典型的U-Net网络,输入通道数为与步骤S1中获得的局部增强图像数量一致(即16),输出为三通道图像,分别对应彩色图像的红色、绿色和蓝色通道;该卷积网络前三层为三个由卷积层、PReLU激活函数、最大值池化层以及BatchNorm层组成,第四层为一个卷积层和一个Batch Norm层,第五到七层为三个由卷积层、PReLU激活函数、双线性上采样层以及BatchNorm层组成,最后一层为一个Sigmoid激活函数以及一个卷积层构成;将步骤S2中获得的局部增强图像输入搭建好的U-Net,输出即为亮度增强图像;其中涉及到的卷积层、PReLU激活函数、最大值池化层、BatchNorm层、双线性上采样层、Sigmoid激活函数均由Pytorch开源框架实现。
S4.对亮度增强图像进行颜色恢复;针对步骤S1获得待处理图像,依次计算每个像素点在红色、绿色和蓝色通道中的均值,作为该点的亮度值,获得待处理的亮度图像(Min);针对步骤S3获得亮度增强图像,依次计算每个像素点在红色、绿色和蓝色通道中的均值,作为该点的亮度值,获得亮度增强后的亮度图像(Menh);基于待处理的亮度图像和增强后的亮度图像,对增强图像进行颜色恢复处理,获得最终的视觉增强图像。
其中,Iin为待处理图像,Min为待处理的亮度图像,Menh为增强后的亮度图像。
S5.设计损失函数对网络模型进行训练;该实施例选择两个常用的损失函数分别为感知损失和均方误差损失:
Ltotal=Lperceptual+10*LMSE
其中,感知损失为:
均方误差损失为:
LMSE(Iout,Igt)=(||Iout-Igt||)2
其中,Iout是深度神经网络输出的结果,Igt是训练集中正常光照图像。
训练时,使用Adam方法优化损失函数,学习率设置为0.0001,经过200轮的迭代训练后,认为神经网络模型参数已经训练完毕。测试过程中,从网络下载一幅测试图像,该图像大大小为640×480×3,格式为.png的彩色图像;将这幅图像输入到训练好的深度神经网络中,网络将输出一张.png格式的8位宽的图像,这张图像就是经过视觉增强之后的图像。
测试结果如图2所示,其中,图2a为待处理低亮度图像,图2b为经过背景技术(KinD)处理后的结果,图2c为经过本发明所提的神经网络模型处理后的结果。从图中可以清晰看出,通过本发明的方法进行的视觉增强图像可以展示更好的细节且亮度水平更加适当。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种视觉图像增强方法,具体包括如下步骤:
S1.获取用于深度神经网络训练的图像数据集,并对数据进行预处理:首先从网络公开数据集中获取成对的训练图像数据,每对数据包括待增强图像以及对应的高质量图像,每个图像为RGB模式的彩色图像;预处理过程包括将所有图像缩放到统一大小;
S2.设计基于N-R方程的图像变换模块:对步骤S1的待增强图像,使用一组可变参数的N-R方程对其进行变换处理,获得一组经过N-R变换后的局部增强图像;其中,N-R方程为:
其中,I为输入的图像数据,σ与n为N-R方程中需要学习的参数;
S3.设计多通道信息整合模块:首先设计U-Net网络,输入通道数为与步骤S1中获得的局部增强图像数量一致,输出为三通道图像,分别对应彩色图像的红色、绿色和蓝色通道;将步骤S2中获得的一组局部增强图像输入U-Net网络,获得亮度增强图像;
S4.对步骤S3获得的亮度增强图像进行颜色恢复:针对步骤S1预处理后的输入图像,依次计算每个像素点在红色、绿色和蓝色通道中的均值,作为该点的亮度值,获得待处理的亮度图像;针对步骤S3获得的亮度增强图像,依次计算每个像素点在红色、绿色和蓝色通道中的均值,作为该点的亮度值,获得增强后的亮度图像;基于待处理的亮度图像和增强后的亮度图像,对亮度增强图像进行颜色恢复处理,获得最终的视觉增强图像;
其中,Iin为待处理图像,Min为待处理的亮度图像,Menh为增强后的亮度图像;
S5.设计损失函数对网络模型进行训练;基于步骤S1中提供的高质量图像,设计损失函数,对整个网络模型进行训练,最后,将测试图像输入该网络,模型输出即为视觉增强结果。
2.根据权利要求1所述的一种视觉图像增强方法,其特征在于,步骤S2中的参数σ初始值全部设定为0.5,n初始值设定为[0.5,8]等间距取样。
3.根据权利要求1所述的一种视觉图像增强方法,其特征在于,步骤S3中多通道信息整合模块为包含3层编码器和3层上采样的典型U-Net结构,最终输出与输入相同尺寸的图像。
4.根据权利要求1所述的一种视觉图像增强方法,其特征在于,步骤S5中采用的损失函数为:
Ltotal=Lperceptual+10*LMSE
其中,Ltotal为总的损失函数,Lperceptual为图像增强任务中的感知损失函数,LMSE为均方误差损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127830.5A CN114511462B (zh) | 2022-02-11 | 2022-02-11 | 一种视觉图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127830.5A CN114511462B (zh) | 2022-02-11 | 2022-02-11 | 一种视觉图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511462A true CN114511462A (zh) | 2022-05-17 |
CN114511462B CN114511462B (zh) | 2023-04-18 |
Family
ID=81551871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127830.5A Active CN114511462B (zh) | 2022-02-11 | 2022-02-11 | 一种视觉图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511462B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140079305A1 (en) * | 2012-09-20 | 2014-03-20 | Beth Israel Deaconess Medical Center, Inc. (Bidmc, Inc.) | Method and apparatus for image enhancement in magnetic resonance imaging using motion corrupted data |
CN103729849A (zh) * | 2013-12-31 | 2014-04-16 | 南京航空航天大学 | 一种数字图像变形初值的计算方法 |
CN105046663A (zh) * | 2015-07-10 | 2015-11-11 | 西南科技大学 | 一种模拟人类视觉感知的自适应低照度图像增强方法 |
CN105335980A (zh) * | 2015-11-02 | 2016-02-17 | 吉林大学 | 一种适合图像sift特征匹配的彩色图像转亮度图像方法 |
CN107323603A (zh) * | 2017-06-13 | 2017-11-07 | 江苏科技大学 | 一种自平衡深海潜水器的蛋形耐压壳装置 |
CN109410129A (zh) * | 2018-09-28 | 2019-03-01 | 大连理工大学 | 一种低光照图像场景理解的方法 |
WO2019091270A1 (zh) * | 2017-11-13 | 2019-05-16 | 苏州科达科技股份有限公司 | 图像增强方法及系统 |
CN110992272A (zh) * | 2019-10-18 | 2020-04-10 | 深圳大学 | 基于深度学习的暗光图像增强方法、装置、设备及介质 |
CN111833274A (zh) * | 2020-07-17 | 2020-10-27 | 中国电子技术标准化研究院 | 一种图像增强方法及计算设备 |
CN111861896A (zh) * | 2019-04-30 | 2020-10-30 | 陕西师范大学 | 一种面向uuv的水下图像色彩补偿与恢复方法 |
CN111861937A (zh) * | 2020-07-29 | 2020-10-30 | 西安建筑科技大学 | 一种基于msr改进的图像增强方法及系统 |
US20200364828A1 (en) * | 2019-05-15 | 2020-11-19 | Realtek Semiconductor Corp. | Circuitry for image demosaicing and enhancement and image-processing method |
CN112581400A (zh) * | 2020-12-22 | 2021-03-30 | 安徽圭目机器人有限公司 | 基于高斯标准差和对比度调谐图像增强方法 |
CN112634182A (zh) * | 2020-12-18 | 2021-04-09 | 平安普惠企业管理有限公司 | 一种基于光场的图像校正方法、装置、设备及存储介质 |
CN112883483A (zh) * | 2020-12-31 | 2021-06-01 | 中国航空发动机研究院 | 航空发动机模型校核与验证方法、设备及存储器 |
CN113139909A (zh) * | 2020-01-19 | 2021-07-20 | 杭州喔影网络科技有限公司 | 一种基于深度学习的图像增强方法 |
CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
US20210272236A1 (en) * | 2019-02-28 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Image enhancement method and apparatus, and storage medium |
CN113365035A (zh) * | 2020-03-04 | 2021-09-07 | 合肥君正科技有限公司 | 一种图像色彩还原的校准系统 |
US20210361643A1 (en) * | 2018-06-19 | 2021-11-25 | Armaceutica, Inc. | Bifunctional compositions for the treatment of cancer |
CN113822826A (zh) * | 2021-11-25 | 2021-12-21 | 江苏游隼微电子有限公司 | 一种低照度图像亮度增强方法 |
WO2022000860A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
-
2022
- 2022-02-11 CN CN202210127830.5A patent/CN114511462B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140079305A1 (en) * | 2012-09-20 | 2014-03-20 | Beth Israel Deaconess Medical Center, Inc. (Bidmc, Inc.) | Method and apparatus for image enhancement in magnetic resonance imaging using motion corrupted data |
CN103729849A (zh) * | 2013-12-31 | 2014-04-16 | 南京航空航天大学 | 一种数字图像变形初值的计算方法 |
CN105046663A (zh) * | 2015-07-10 | 2015-11-11 | 西南科技大学 | 一种模拟人类视觉感知的自适应低照度图像增强方法 |
CN105335980A (zh) * | 2015-11-02 | 2016-02-17 | 吉林大学 | 一种适合图像sift特征匹配的彩色图像转亮度图像方法 |
CN107323603A (zh) * | 2017-06-13 | 2017-11-07 | 江苏科技大学 | 一种自平衡深海潜水器的蛋形耐压壳装置 |
WO2019091270A1 (zh) * | 2017-11-13 | 2019-05-16 | 苏州科达科技股份有限公司 | 图像增强方法及系统 |
US20200273154A1 (en) * | 2017-11-13 | 2020-08-27 | Suzhou Keda Technology Co., Ltd. | Image enhancement method and system |
US20210361643A1 (en) * | 2018-06-19 | 2021-11-25 | Armaceutica, Inc. | Bifunctional compositions for the treatment of cancer |
CN109410129A (zh) * | 2018-09-28 | 2019-03-01 | 大连理工大学 | 一种低光照图像场景理解的方法 |
US20210272236A1 (en) * | 2019-02-28 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Image enhancement method and apparatus, and storage medium |
CN111861896A (zh) * | 2019-04-30 | 2020-10-30 | 陕西师范大学 | 一种面向uuv的水下图像色彩补偿与恢复方法 |
US20200364828A1 (en) * | 2019-05-15 | 2020-11-19 | Realtek Semiconductor Corp. | Circuitry for image demosaicing and enhancement and image-processing method |
CN110992272A (zh) * | 2019-10-18 | 2020-04-10 | 深圳大学 | 基于深度学习的暗光图像增强方法、装置、设备及介质 |
CN113139909A (zh) * | 2020-01-19 | 2021-07-20 | 杭州喔影网络科技有限公司 | 一种基于深度学习的图像增强方法 |
CN113365035A (zh) * | 2020-03-04 | 2021-09-07 | 合肥君正科技有限公司 | 一种图像色彩还原的校准系统 |
WO2022000860A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
CN111833274A (zh) * | 2020-07-17 | 2020-10-27 | 中国电子技术标准化研究院 | 一种图像增强方法及计算设备 |
CN111861937A (zh) * | 2020-07-29 | 2020-10-30 | 西安建筑科技大学 | 一种基于msr改进的图像增强方法及系统 |
CN112634182A (zh) * | 2020-12-18 | 2021-04-09 | 平安普惠企业管理有限公司 | 一种基于光场的图像校正方法、装置、设备及存储介质 |
CN112581400A (zh) * | 2020-12-22 | 2021-03-30 | 安徽圭目机器人有限公司 | 基于高斯标准差和对比度调谐图像增强方法 |
CN112883483A (zh) * | 2020-12-31 | 2021-06-01 | 中国航空发动机研究院 | 航空发动机模型校核与验证方法、设备及存储器 |
CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
CN113822826A (zh) * | 2021-11-25 | 2021-12-21 | 江苏游隼微电子有限公司 | 一种低照度图像亮度增强方法 |
Non-Patent Citations (6)
Title |
---|
ELIANA B. SOUTO等: ""Retinal Drug Delivery:Rethinking Outcomes for the Efficient Replication of Retinal Behavior"" * |
KAI-FU YANG等: ""A Biological Vision Inspired Framework for Image Enhancement in Poor Visibility Conditions"" * |
R MURUGAN等: ""An improved U-net architecture for low light image Enhancement for visibility improvement"" * |
刘玉红等: ""基于视觉感受野特性的自适应图像去噪算法"" * |
王化祥等: ""基于l1范数的电容层析成像图像重建算法"" * |
龙鑫等: ""基于多层融合和细节恢复的图像增强方法"" * |
Also Published As
Publication number | Publication date |
---|---|
CN114511462B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Cameranet: A two-stage framework for effective camera isp learning | |
CN110232661B (zh) | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 | |
US20230080693A1 (en) | Image processing method, electronic device and readable storage medium | |
CN107123089B (zh) | 基于深度卷积网络的遥感图像超分辨重建方法及系统 | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
WO2020187424A1 (en) | Image processor | |
CN111598799A (zh) | 图像调色增强方法和图像调色增强神经网络训练方法 | |
CN113628152B (zh) | 一种基于多尺度特征选择性融合的暗光图像增强方法 | |
CN117011194B (zh) | 一种基于多尺度双通道注意力网络的低光图像增强方法 | |
CN112508812A (zh) | 图像色偏校正方法、模型训练方法、装置及设备 | |
CN114596233A (zh) | 基于注意引导和多尺度特征融合的低照度图像增强方法 | |
CN114565539A (zh) | 一种基于线上知识蒸馏的图像去雾方法 | |
CN112308785A (zh) | 图像去噪方法、存储介质及终端设备 | |
CN112991236B (zh) | 一种基于模板的图像增强方法及装置 | |
CN117408924A (zh) | 一种基于多重语义特征融合网络的低光照图像增强方法 | |
CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
CN114511462B (zh) | 一种视觉图像增强方法 | |
CN112070686A (zh) | 一种基于深度学习的逆光图像协同增强方法 | |
CN116579940A (zh) | 一种基于卷积神经网络的实时低照度图像增强方法 | |
CN116363015A (zh) | 一种基于Retinex理论和卷积神经网络的低照度图像增强方法 | |
CN114926359B (zh) | 联合双颜色空间恢复和多级解码结构的水下图像增强方法 | |
CN116843559A (zh) | 一种基于图像处理与深度学习的水下图像增强方法 | |
CN114638764B (zh) | 基于人工智能的多曝光图像融合方法及系统 | |
CN112819724B (zh) | 一种基于cnn的扫描文档图像增强方法 |
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 |