CN114723638B - 基于Retinex模型的极低照度图像增强方法 - Google Patents

基于Retinex模型的极低照度图像增强方法 Download PDF

Info

Publication number
CN114723638B
CN114723638B CN202210475548.6A CN202210475548A CN114723638B CN 114723638 B CN114723638 B CN 114723638B CN 202210475548 A CN202210475548 A CN 202210475548A CN 114723638 B CN114723638 B CN 114723638B
Authority
CN
China
Prior art keywords
illumination
low
image
color channel
illumination image
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.)
Active
Application number
CN202210475548.6A
Other languages
English (en)
Other versions
CN114723638A (zh
Inventor
都双丽
赵明华
尤珍臻
石争浩
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202210475548.6A priority Critical patent/CN114723638B/zh
Publication of CN114723638A publication Critical patent/CN114723638A/zh
Application granted granted Critical
Publication of CN114723638B publication Critical patent/CN114723638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/92—
    • G06T5/70—
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Abstract

本发明公开了一种基于Retinex模型的极低照度图像增强方法，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值，并根据光照亮度值确定c颜色通道图的光照分量；基于c颜色通道图和对应的光照分量计算c颜色通道图对应的第一反射分量；基于第一去噪约束模型去除第一反射分量中的噪声，得到第二反射分量；根据光照分量和第二反射分量生成增强后的低照度图像；本发明通过构建去噪约束模型可以有效保留RGB三颜色通道间的内在联系，增加去噪效果，进而解决低照度图像增强后颜色失真严重的问题。

Description

基于Retinex模型的极低照度图像增强方法
技术领域
本发明属于数字图像处理与计算机视觉技术领域，尤其涉及一种基于Retinex模型的极低照度图像增强方法。
背景技术
低照度图像通常指的是在光照条件较差的情况下图像采集设备获取的图像。低照度图像具有照度低、场景细节信息少、噪声污染强等特点。如果将低照度图像直接输入到后续高级视觉任务系统中，系统将难以有效地解析图像内容，因此，低照度图像增强作为一类图像复原问题，已被广泛的研究。
现有的低照度图像增强方法多是面向存在局部暗区和局部亮区的低照度图像，即图像拍摄场景的全局环境光照大于0.5的情形。而对于全局光照小于或等于0.5的低照度图像(即极低照度图像)的增强方法，目前研究较少。
近年来，随着深度学习理论的发展和硬件计算能力的提升，针对原始光学传感器数据(即Raw格式)的极低照度图像增强研究越来越多。然而，在很多应用场景中，只能获取编码后的图像格式，比如PNG、JPEG和BMP等。目前，面向该类低照度图像的增强方法主要包括基于深度学习理论的方法和基于Retinex理论模型的方法。
Retinex理论认为，观测到的图像是光照分量图像与反射分量图像的乘积。基于Retinex模型的增强方法多在HSV(Hue,Saturation,Value)中对亮度分量V进行处理。但V分量并不能代表光照的强度，对V分量进行伽马(Gamma)处理(即校正)增强后的图像光照不均匀，会导致图像颜色失真严重的问题。
发明内容
本发明的目的是提供一种基于Retinex模型的极低照度图像增强方法，以解决基于Retinex模型对极低照度图像增强时出现的图像颜色失真严重的问题。
本发明采用以下技术方案：基于Retinex模型的极低照度图像增强方法，具体包括以下步骤：
基于Retinex理论模型，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)，并根据光照亮度值Lc(p)确定c颜色通道图的光照分量Lc；其中，c∈{r,g,b}，r,g,b表示RGB三颜色通道；
基于低照度图像的c颜色通道图和对应的光照分量Lc计算c颜色通道图对应的第一反射分量；
基于第一去噪约束模型去除第一反射分量中的噪声，得到第二反射分量；
根据光照分量Lc和第二反射分量生成增强后的低照度图像。
进一步地，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)之前还包括：
计算低照度图像的环境光照强度；
当环境光照强度小于第一阈值时，对低照度图像进行光照校正，得到光照校正后的低照度图像；
以光照校正后的低照度图像作为新的低照度图像继续执行。
进一步地，计算低照度图像的环境光照强度包括：
根据低照度图像生成对应的暗通道图；
基于暗通道图确定第一像素点集合；
根据第一像素点集合计算低照度图像对应的c颜色通道图的环境光照强度；
根据各个c颜色通道图的环境光照强度确定低照度图像的环境光照强度。
进一步地，第一去噪约束模型为：
Figure BDA0003625328390000031
其中，
Figure BDA0003625328390000032
为第二反射分量，R为第一反射分量，
Figure BDA0003625328390000033
表示Frobenius范数的平方，λ表示正则化参数，|| ||*表示核范数，Ω为
Figure BDA0003625328390000034
中所有像素点构成的集合，
Figure BDA0003625328390000035
为映射函数，具体为由n个相似图像块和以像素点x为中心的图像块组合成的张量。
进一步地，基于去噪约束模型去除第一反射分量中的噪声包括：
将第一去噪约束模型改写为基于四元数的第二去噪约束模型；
求解第二去噪约束模型，得到第二反射分量。
进一步地，第二去噪约束模型为：
Figure BDA0003625328390000036
其中，
Figure BDA0003625328390000037
为第一反射分量对应的四元数矩阵，
Figure BDA0003625328390000038
为第二反射分量对应的四元数矩阵。
进一步地，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)具体通过以下公式计算：
Figure BDA0003625328390000039
其中，p和q分别为低照度图像中不同像素点，Ω(p)为以像素点p为中心的窗口区域，Wc(p,q)为像素点q针对像素点p的权重，
Figure BDA00036253283900000310
为经过光照校正后的低照度图像中的像素点q在c颜色通道图的对应位置的亮度值。
进一步地，根据第一像素点集合计算低照度图像对应的c颜色通道图的环境光照强度的具体方法为：
Figure BDA0003625328390000041
其中，Ac为低照度图像对应的c颜色通道图的环境光照强度，Ic(p)为未经过光照校正的低照度图像中的像素点p在c颜色通道图的对应位置的亮度值，num(Ω1)为集合Ω1中元素的个数。
进一步地，根据各个c颜色通道图的环境光照强度确定低照度图像的环境光照强度包括：
Figure BDA0003625328390000042
其中，A为低照度图像的环境光照强度。
本发明的另一种技术方案，基于Retinex模型的极低照度图像增强装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于Retinex模型的极低照度图像增强方法。
本发明的有益效果是：本发明通过构建去噪约束模型可以有效保留RGB三颜色通道间的内在联系，增加去噪效果，进而解决低照度图像增强后颜色失真严重的问题。
附图说明
图1为本发明实施例一种基于Retinex模型的极低照度图像增强方法的流程图；
图2为本发明实施例中对低照度图像进行光照校正前后的图像对比图；
图3为本发明实施例中对校正后的低照度图像进行Retinex分解过程中不同阶段的图像；
图4为通过本发明方法和其他已有方法进行图像增强后的对比图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
在Retinex理论中，当伽马校正因子较小大时，极低照度图像中仍有大部分暗区，当校正因子过大小时，图像部分区域又会过度曝光，色彩失真严重。总之，仅对亮度分量V进行处理后会导致图像颜色失真。而且，经过伽马校正后噪声也会被放大。
本发明公开了一种基于Retinex模型的极低照度图像增强方法，如图1所示，具体包括以下步骤：步骤S110、采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)，并根据光照亮度值Lc(p)确定c颜色通道图的光照分量Lc；其中，c∈{r,g,b}，r,g,b表示RGB三颜色通道；步骤S120、基于c颜色通道图和对应的光照分量Lc计算c颜色通道图对应的第一反射分量；步骤S130、基于第一去噪约束模型去除第一反射分量中的噪声，得到第二反射分量；步骤S140、根据光照分量Lc和第二反射分量生成增强后的低照度图像。
本发明通过构建去噪约束模型可以有效保留RGB三颜色通道间的内在联系，增加去噪效果，进而解决低照度图像增强后颜色失真严重的问题。
在一个实施例中，首先经过图像设备获取需要增强的低照度彩色图像(即低照度图像)，接着将该低照度图像中每个像素点的亮度值进行归一化，使得每个像素点的亮度值均在区间[0，1]中，这样可以方便图像的比较和后续计算，降低计算难度。
接下来，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)之前需要先判定该低照度图像是否需要进行后续处理。根据背景技术内容可知，当低照度图像的环境光照强度小于0.5时，普通的图像增强处理难以达到目的。
因此，在本发明实施例中，需要首先判断低照度图像的环境光照强度，即计算低照度图像的环境光照强度。在本发明实施例中，为了估计极低照度彩色图像的全局光照强度，先根据暗通道先验原理计算低照度图像的暗通道图，即根据低照度图像生成对应的暗通道图。
具体通过以下式1来计算。
Figure BDA0003625328390000061
其中，Idark(p)为暗通道图中像素点p的亮度值，Ω(p)为以像素点p为中心的一个窗口区域，Ic(q)为低照度图像中的像素点p在c颜色通道图的对应位置的亮度值。
然后，基于暗通道图确定第一像素点集合。在暗通道图Idark中选取亮度值排在前10％的像素点，当然，也可以根据需要自己设定像素点的数量，如14％、19％等均可。再令这些像素点构成集合Ω1，根据第一像素点集合(即Ω1)计算低照度图像对应的c颜色通道图的环境光照强度，则每个颜色通道的环境光照强度Ac可用下面公式2计算：
Figure BDA0003625328390000062
其中，Ac为低照度图像对应的c颜色通道图的环境光照强度，Ic(p)为未经过光照校正的低照度图像中的像素点p在c颜色通道图的对应位置的亮度值，num(Ω1)为集合Ω1中元素的个数。
当得到每个颜色通道图的环境光照强度后，则需要确定低照度图像的环境光照强度，即根据各个c颜色通道图的环境光照强度确定低照度图像的环境光照强度。具体的：
Figure BDA0003625328390000071
其中，A为低照度图像的环境光照强度。
如上所示，如果环境光照强度小于0.5，则需要对低照度图像进行光照校正，这样可以避免伽马校正阶段因为校正因子选取不当而引起的部分区域过亮或过暗。当环境光照强度小于第一阈值时，对低照度图像进行光照校正，得到光照校正后的低照度图像；以光照校正后的低照度图像作为新的低照度图像继续执行。
在本发明实施例中，校正方法如下：
Figure BDA0003625328390000072
其中，Iinput为经过光照校正的图像，I为未经过光照校正的图像。
如图2所示，为本发明实施例中对光照校正前后的图像进行对比，其中，图2a是待增强的低照度图像，图2b是经公式4光照校正后的图像，由该图可以看到经过光照校正后的低照度图像更加清晰。
接着，在RGB颜色空间对Iinput进行Retinex分解，采用先求解光照分量L，再求解反射分量的顺序求解策略。在计算光照分量时，由于物体材质与纹理相似的区域通常具有相近的光照强度，所以，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)具体通过以下公式计算：
Figure BDA0003625328390000073
其中，p和q分别为低照度图像中不同像素点，Ω(p)为以像素点p为中心的窗口区域，在该实施例中窗口大小均取以p点为中心的5×5的矩形区域，Wc(p,q)为像素点q针对像素点p的权重，具体为像素点p与q在图像中的欧氏距离|p-q|和像素点p与q在c颜色通道的亮度值差距
Figure BDA0003625328390000088
计算的权重，
Figure BDA0003625328390000089
为经过光照校正后的低照度图像中的像素点q在c颜色通道图的对应位置的亮度值，
Figure BDA0003625328390000081
exp()表示以自然常数e为底的指数函数，σd与σr分别表示低照度图像的像素距离高斯范围值和图像像素亮度高斯范围值。
在计算出低照度图像的c颜色通道图中每个像素点的亮度值Lc(p)后，将所有像素点的亮度值组合即可得到低照度图像的光照分量L，且通过上述方法求取的光照分量L可较好地保留场景物体的边界信息，且L中无噪声。
但是，低照度图像含有大量噪声，经过光照校正后得到的彩色图像Iinput中，噪声会显现出来。依据Retinex模型，Iinput的c颜色通道图
Figure BDA0003625328390000082
可表示为光照分量L和反射分量R的对应颜色通道图的哈达玛积，即
Figure BDA0003625328390000083
其中符号
Figure BDA0003625328390000084
表示两个矩阵的哈达玛积运算。由于Lc中无噪声，则
Figure BDA0003625328390000085
中的噪声都显现在Rc中。如果将反射分量R的RGB三颜色通道图看作独立的灰度图像，进行单独去噪，会破坏各通道之间的关联性，导致增强后的图像颜色失真。所以，本发明实施例采用纯四元数来表述反射分量中三通道颜色分量，并构建基于四元数的低秩矩阵约束对R去噪，这样可以保留三颜色通道之间的相关性。
首先，计算含有噪声信息的反射分量R：
Figure BDA0003625328390000086
其中，
Figure BDA0003625328390000087
为两个矩阵中对应元素相除，令ε＝10-6用来避免分母为0的情况。
然后，为反射分量构建基于低秩矩阵恢复理论的第一去噪约束模型：
Figure BDA0003625328390000091
其中，
Figure BDA0003625328390000092
为第二反射分量，m和n分别代表低照度图像的宽度和高度，R为第一反射分量，
Figure BDA0003625328390000093
表示Frobenius范数的平方，λ表示正则化参数，|| ||*表示核范数，Ω为
Figure BDA0003625328390000094
中所有像素点构成的集合，
Figure BDA0003625328390000095
为映射函数，即为由n个相似图像块和以x为中心的图像块组合成的张量，
Figure BDA0003625328390000096
更为具体的，
Figure BDA0003625328390000097
用于在本图像中寻找前n个与给定图像块(以像素点x为中心的k×k图像块)亮度相似的图像块，相似性的强弱依据两个图像块对应像素点的绝对亮度值差之和(即亮度差的绝对值之和)进行度量，绝对亮度差之和越小，表明两个图像块的相似度越高，并将这些个图像块与给定图像块连接起来重新排列成大小为k2×(n+1)×3的张量，Ω为
Figure BDA0003625328390000098
中所有像素点构成的集合。
在本发明实施例中，为了不破坏RGB三颜色通道的关联性，基于去噪约束模型去除第一反射分量中的噪声包括：将第一去噪约束模型改写为基于四元数的第二去噪约束模型；求解第二去噪约束模型，得到第二反射分量。
进而将式7改为基于四元数的矩阵形式(即第二去噪约束模型)：
Figure BDA0003625328390000099
其中，
Figure BDA00036253283900000910
为第一反射分量对应的四元数矩阵，
Figure BDA00036253283900000911
为第二反射分量对应的四元数矩阵。
Figure BDA00036253283900000912
代表由公式6求取的反射分量R在像素点x处RGB三通道亮度值Rr(x),Rg(x)和Rb(x)构成的纯四元数，i,j,k代表三个虚数单位。同理，将公式6求取的反射分量R中的所有像素点都用四元数表示，则组成四元数矩阵
Figure BDA0003625328390000101
同理，公式7中的去噪后的反射分量
Figure BDA0003625328390000102
可以改写成四元数矩阵
Figure BDA0003625328390000103
表示
Figure BDA0003625328390000104
的RGB三颜色通道图，相应地，公式7中的
Figure BDA0003625328390000105
可改写成四元数矩阵
Figure BDA0003625328390000106
其中，
Figure BDA0003625328390000107
分别表示
Figure BDA0003625328390000108
的RGB三颜色通道图。
对上述公式8进行求解，可得其近似解为：
Figure BDA0003625328390000109
其中，
Figure BDA00036253283900001010
是四元数矩阵
Figure BDA00036253283900001011
的奇异值分解(SVD)，与
Figure BDA00036253283900001012
相似，
Figure BDA00036253283900001013
是由Px(R)的三颜色通道构成的四元数矩阵，即
Figure BDA00036253283900001014
其中Px(R)r，Px(R)g，Px(R)b分别表示Px(R)的RGB三颜色通道图，Px(R)的构建方法同
Figure BDA00036253283900001015
一样。Sλ(Σ)是奇异值阈值收缩运算，具体定义为：
Figure BDA00036253283900001016
其中，上述公式中diag()表示创建对角矩阵，
Figure BDA00036253283900001017
表示四元数矩阵
Figure BDA00036253283900001018
的第i个奇异值。
进而，依据上述公式9和10求得
Figure BDA00036253283900001019
后，对应地获取
Figure BDA00036253283900001020
的三颜色通道图
Figure BDA00036253283900001021
和
Figure BDA00036253283900001022
从
Figure BDA00036253283900001023
中找到像素点x处的RGB三颜色通道值，即可得到
Figure BDA00036253283900001024
即像素点x处去除噪声后的光照反射分量。据此，可求出完整的
Figure BDA00036253283900001025
最后，根据上述的光照分量L和反射分量
Figure BDA00036253283900001028
可以确定增强后的低照度图像，即
Figure BDA00036253283900001026
Lγ是伽玛校正后的光照分量，在本实施例中，γ＝1/2.2是伽马校正因子，符号
Figure BDA00036253283900001027
表示哈达玛积运算。
如图3所示，为本发明实施例中对校正后的低照度图像进行Retinex分解过程中不同阶段的图像，图3a是根据待增强图像求取的Retinex模型中的光照分量，图3b是经公式6求取的含有噪声的反射分量，图3c是去噪后的反射分量，图3d是最后的增强结果图像。其中，图3a显示了求取的光照分量较好地保留了场景物体的边界信息，且光照分量中无噪声，这样可确保待增强图像中噪声都体现在反射分量中，如图3b所示，经过公式8中的噪声约束，求解的第二反射分量中噪声明显被去除，如图3d所示。
为了进一步说明本发明的技术效果，如图4所示，为分别采用不同的图像增强方法得到的图像，图4a是STAR方法(请参见A Structure and Texture Aware Retinex Model)的增强结果图像，图4b是ZeroDCE方法(请参见Zero-Reference Deep Curve Estimationfor Low-Light Image Enhancement)的增强结果图，图4c是ALSM方法(Low-light ImageEnhancement via the Absorption-Light-Scattering-Model)的增强结果图，图4d是本发明实施例方法的增强结果图。其中，STAR，ZeroDCE及ALSM的增强结果中仍然存在明显的暗区，且含有明显的噪声信息和颜色失真问题，而采用本实施例方法得到的增强结果图则不存在上述缺陷。
综上，本发明基于暗通道先验知识，估计图像拍摄环境的环境光照强度，并，依据估计的环境光照强度，对图像光照进行初步校正，可以避免后续伽马校正后颜色失真的问题；接着对经过初步光照校正后的图像进行Retinex分解，采用顺序分解的方法，先求解Retinex模型中的光照分量，再求解Retinex模型中的反射分量，并确保待增强图像中噪声都体现在反射分量中，在求解反射分量时，为其构建了基于四元数的低秩约束去噪模型；最后对得到的光照分量进行伽马校正，最终的增强图像表示为校正后的光照分量与反射分量的哈达玛积。
该方法先估计拍摄场景的利用全局环境光照，然后利用该光照对待增强图像进行初步光照校正，可避免后续伽马校正阶段，校正因子取值不当引起的颜色失真问题，因为待增强图像的光照较低，为了提高图像亮度，常需要较小的伽马校正因子，但校正因子越小，图像暗区的颜色失真越严重，若伽马校正因子过大，图像暗区的动态范围缩小，得不到有效地增强。本发明通过对原始图像进行光照校正，可有效避免该问题；其次该方法让极低照度图像中的噪声体现在反射分量中，并为反射分量构建了基于四元数的低秩矩阵恢复去噪约束，采用四元数的表示形式可保留RGB三颜色通道间的内在联系，该方法主要解决极低照度图像增强后色彩失真严重，噪声放大的问题。
本发明还公开了一种基于Retinex模型的极低照度图像增强装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于Retinex模型的极低照度图像增强方法。
装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，该装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述装置的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置的具体内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

Claims (7)

1.基于Retinex模型的极低照度图像增强方法，其特征在于，具体包括以下步骤：
基于Retinex理论模型，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)，并根据所述光照亮度值Lc(p)确定所述c颜色通道图的光照分量Lc；其中，c∈{r,g,b}，r,g,b表示RGB三颜色通道；
基于所述c颜色通道图和对应的光照分量Lc计算所述c颜色通道图对应的第一反射分量；
基于第一去噪约束模型去除所述第一反射分量中的噪声，得到第二反射分量；
根据所述光照分量Lc和第二反射分量生成增强后的低照度图像；
所述第一去噪约束模型为：
Figure FDA0004064956790000011
其中，
Figure FDA0004064956790000012
为所述第二反射分量，R为所述第一反射分量，
Figure FDA0004064956790000013
表示Frobenius范数的平方，λ表示正则化参数，||||*表示核范数，Ω为
Figure FDA0004064956790000014
中所有像素点构成的集合，
Figure FDA0004064956790000018
为映射函数，具体为由n个相似图像块和以像素点x为中心的图像块组合成的张量；
将所述第一去噪约束模型改写为基于四元数的第二去噪约束模型；
第二去噪约束模型为：
Figure FDA0004064956790000015
其中，
Figure FDA0004064956790000016
为所述第一反射分量对应的四元数矩阵，
Figure FDA0004064956790000017
为所述第二反射分量对应的四元数矩阵；
求解所述第二去噪约束模型，得到所述第二反射分量。
2.如权利要求1所述的基于Retinex模型的极低照度图像增强方法，其特征在于，采用双边滤波器估计所述低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)之前还包括：
计算低照度图像的环境光照强度；
当所述环境光照强度小于第一阈值时，对所述低照度图像进行光照校正，得到光照校正后的低照度图像；
以光照校正后的所述低照度图像作为新的低照度图像继续执行。
3.如权利要求2所述的基于Retinex模型的极低照度图像增强方法，其特征在于，计算低照度图像的环境光照强度包括：
根据所述低照度图像生成对应的暗通道图；
基于所述暗通道图确定第一像素点集合；
根据所述第一像素点集合计算所述低照度图像对应的c颜色通道图的环境光照强度；
根据各个c颜色通道图的环境光照强度确定所述低照度图像的环境光照强度。
4.如权利要求1所述的基于Retinex模型的极低照度图像增强方法，其特征在于，采用双边滤波器估计低照度图像的c颜色通道图中每个像素点的光照亮度值Lc(p)具体通过以下公式计算：
Figure FDA0004064956790000021
其中，p和q分别为所述低照度图像中不同像素点，Ω(p)为以像素点p为中心的窗口区域，Wc(p,q)为像素点q针对像素点p的权重，
Figure FDA0004064956790000031
为经过光照校正后的所述低照度图像中的像素点q在c颜色通道图的对应位置的亮度值。
5.如权利要求3所述的基于Retinex模型的极低照度图像增强方法，其特征在于，根据所述第一像素点集合计算所述低照度图像对应的c颜色通道图的环境光照强度的具体方法为：
Figure FDA0004064956790000032
其中，Ac为所述低照度图像对应的c颜色通道图的环境光照强度，Ic(p)为未经过光照校正的所述低照度图像中的像素点p在c颜色通道图的对应位置的亮度值，num(Ω1)为集合Ω1中元素的个数。
6.如权利要求5所述的基于Retinex模型的极低照度图像增强方法，其特征在于，根据各个c颜色通道图的环境光照强度确定所述低照度图像的环境光照强度包括：
Figure FDA0004064956790000033
其中，A为所述低照度图像的环境光照强度。
7.基于Retinex模型的极低照度图像增强装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的基于Retinex模型的极低照度图像增强方法。
CN202210475548.6A 2022-04-29 2022-04-29 基于Retinex模型的极低照度图像增强方法 Active CN114723638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210475548.6A CN114723638B (zh) 2022-04-29 2022-04-29 基于Retinex模型的极低照度图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210475548.6A CN114723638B (zh) 2022-04-29 2022-04-29 基于Retinex模型的极低照度图像增强方法

Publications (2)

Publication Number Publication Date
CN114723638A CN114723638A (zh) 2022-07-08
CN114723638B true CN114723638B (zh) 2023-03-10

Family

ID=82244884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210475548.6A Active CN114723638B (zh) 2022-04-29 2022-04-29 基于Retinex模型的极低照度图像增强方法

Country Status (1)

Country Link
CN (1) CN114723638B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578084A (zh) * 2013-12-09 2014-02-12 西安电子科技大学 基于亮通道滤波的彩色图像增强方法
CN108053374A (zh) * 2017-12-05 2018-05-18 天津大学 一种结合双边滤波与Retinex的水下图像增强方法
CN110298792A (zh) * 2018-03-23 2019-10-01 北京大学 低光照图像增强与去噪方法、系统及计算机设备
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100624862B1 (ko) * 2004-01-02 2006-09-18 엘지전자 주식회사 영상 처리 장치 및 그 방법
KR100879536B1 (ko) * 2006-10-30 2009-01-22 삼성전자주식회사 영상의 화질 개선을 위한 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578084A (zh) * 2013-12-09 2014-02-12 西安电子科技大学 基于亮通道滤波的彩色图像增强方法
CN108053374A (zh) * 2017-12-05 2018-05-18 天津大学 一种结合双边滤波与Retinex的水下图像增强方法
CN110298792A (zh) * 2018-03-23 2019-10-01 北京大学 低光照图像增强与去噪方法、系统及计算机设备
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
吴贵铭. 基于Retinex及其网络模型的弱光图像增强算法研究.2022,全文. *
魏妍妍.低照度图像增强与超分辨率重建算法研究.2020,全文. *

Also Published As

Publication number Publication date
CN114723638A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
Jiang et al. Image dehazing using adaptive bi-channel priors on superpixels
CN110706174B (zh) 一种图像增强方法、终端设备及存储介质
US9870600B2 (en) Raw sensor image and video de-hazing and atmospheric light analysis methods and systems
CN107172354B (zh) 视频处理方法、装置、电子设备及存储介质
CN111079764B (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN103578084A (zh) 基于亮通道滤波的彩色图像增强方法
CN110782406B (zh) 一种基于信息蒸馏网络的图像去噪方法及装置
Fang et al. Single image dehazing and denoising with variational method
Gupta et al. New contrast enhancement approach for dark images with non-uniform illumination
CN111429371B (zh) 图像处理方法、装置及终端设备
CN114581318A (zh) 一种低照明度图像增强方法及系统
Badki et al. Robust radiometric calibration for dynamic scenes in the wild
CN113344804B (zh) 一种弱光图像增强模型的训练方法和弱光图像增强方法
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN114723638B (zh) 基于Retinex模型的极低照度图像增强方法
Zhao et al. Saliency map-aided generative adversarial network for raw to rgb mapping
CN114862711B (zh) 基于双重互补先验约束的低照度图像增强与去噪方法
CN114429426B (zh) 一种基于Retinex模型的低照度图像质量改善方法
CN116205802A (zh) 图像去噪方法、装置、存储介质及电子设备
Nair et al. A modular architecture for high resolution image dehazing
CN113658118A (zh) 图像噪声程度估计方法、装置、电子设备及存储介质
Piniarski et al. Efficient HDR tone-mapping for ADAS applications
CN117575976B (zh) 图像阴影的处理方法、装置、设备及存储介质
CN111223060B (zh) 基于自适应plip模型的图像处理方法

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