CN114862711A - 基于双重互补先验约束的低照度图像增强与去噪方法 - Google Patents
基于双重互补先验约束的低照度图像增强与去噪方法 Download PDFInfo
- Publication number
- CN114862711A CN114862711A CN202210474048.0A CN202210474048A CN114862711A CN 114862711 A CN114862711 A CN 114862711A CN 202210474048 A CN202210474048 A CN 202210474048A CN 114862711 A CN114862711 A CN 114862711A
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- low
- illumination
- component
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000295 complement effect Effects 0.000 title claims abstract description 14
- 230000009977 dual effect Effects 0.000 title claims description 8
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000003321 amplification Effects 0.000 abstract description 4
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双重互补先验约束的低照度图像增强与去噪方法，该方法如下：求解光照分量，并确保光照分量中不含有噪声，所有噪声都包含在反射分量中；基于非局部自相似性原理，为反射分量构建噪声去除内部先验约束；基于大量自然图像，为增强后图像构建噪声去除外部先验约束；结合上述构建的内部和外部先验约束，使两种先验约束动态互补，求取最后的增强结果。采用该方法解决了低照度图像增强技术中的噪声放大问题。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及基于双重互补先验约束的低照度图像增强与去噪方法。
背景技术
在夜间或逆光等条件下，采集的影像常存在大面积的暗区、对比度低、有效信息少、噪声污染严重等，这些降质给后续视觉任务带来了极大的挑战。低照度图像增强旨在通过一些原理和方法尽可能地恢复场景的真实信息。早期的研究主要面向编码后的图像格式(如PNG,JPEG和BMP等)。近年来，随着图像采集设备计算能力的提升，面向原始光学传感器数据(Raw格式)的增强方法越来越多。然而，很多便携式采集设备仍不支持Raw格式数据，且在一些特殊的应用中，只可获取编码后的图像。
目前，主流的低照度图像增强方法包括两类：基于深度学习的方法和基于Retinex模型的方法。基于深度学习的方法常采用端到端的学习策略来获取低照度图像与正常曝光图像间的映射关系。基于Retinex模型的增强方法常将待增强图像分解为两部分：光照分量与反射分量，然后对光照分量进行伽马校正，增强后的图像表示为校正后的光照分量与反射分量的哈达玛积。但是低照度图像常伴随着高噪声，经过分解和伽马校正后，噪声常被放大。目前，基于Retinex模型的增强方法集中在解决输入图像光照不均匀的欠增强或过增强问题，而忽略了增强过程中的噪声放大问题。
发明内容
本发明的目的是提供一种基于双重互补先验约束的低照度图像增强与去噪方法，解决了低照度图像增强技术中的噪声放大问题。
本发明采用以下技术方案：基于双重互补先验约束的低照度图像增强与去噪方法，该方法包括如下步骤：
步骤1、经图像采集设备获取需要增强的低照度图像Ilow；
步骤2、将所述步骤1中获取的图像Ilow分解为光照分量L和反射分量Rnoise；
步骤3、基于图像内容的非局部相似性原理，利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束；
步骤4、基于深度学习理论，借助正常光照条件下图像去噪任务的公开数据集，为增强后的图像Ien-noise构建噪声去除外部先验约束；
步骤5、结合所述步骤3中的内部先验约束和步骤4中的外部先验约束，构建联合优化目标函数，交替优化求解无噪声的反射分量R和去噪后的增强图像Ien；
步骤6、根据所述反射分量R的更新，构建收敛条件，并判断是否已达到可行解；
步骤7、将
作为最终的增强结果。
进一步地，步骤3的具体过程如下：
依据图像内容的非局部自相似性原理，利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束，令无噪声的反射分量为R，则内部先验约束如下：
其中：||Nij(R)||*代表矩阵Nij(R)的核范数；矩阵Nij(R)是依据图像内容的非局部自相似原理构建：确定R中以像素点(i，j)为中心，大小为b·b的图像块Rij；在R中搜索到n个与块Rij相似的图像块，让这些块连接构成矩阵
所述步骤4的具体过程如下：依据步骤2中求取的光照分量L和反射分量Rnoise，经伽马(Gamma)校正，增强后的含有噪声图像Ien-noise可表示为
本发明依据深度学习理论，借助正常光照条件下图像去噪任务的公开数据集，提前训练一个深度即插即用模块；基于此模块，为Ien-noise构建噪声去除外部先验约束，具体表示如下：
其中：Ien代表去噪声后的增强图像，
是保真项，Θ(Ien)代表采用深度即插即用模块构建的噪声去除正则化项。
进一步地，步骤5的具体过程如下：
将步骤3里构建的内部先验约束公式(5)与步骤4里构建的外部先验约束公式(6)相结合，构建基于双重互补先验约束的联合优化目标函数：
公式(7)可采用交替优化迭代法求解，采用拉格朗日乘子法，引入变量，得到新的目标函数：
其中：α是正则化参数；
步骤5.1、在公式(8)中，待增强低照度图像Ilow，光照分量L和增强后的噪声图像Ien-noise已知，初始化H为元素全为0的矩阵；然后固定变量Ien和H，求解反射分量R的子问题为：
上述(9)式可简化为：
公式(10)是经典的低秩矩阵恢复模型，可采用奇异值收缩法(SVT，SingularValue Thresholding)求取反射分量R；
步骤5.2、在公式(8)中固定变量R和H，求解Ien的子问题可化简为：
上述(11)式可以化简为以下优化目标函数：
将
输入到提前训练好的深度即插即用模块里，求解得到Ien；
步骤5.3、依据步骤5.1和5.2求取的反射分量R和Ien，更新变量H的值，具体计算方法如下：
根据公式(10)、(12)及(13)交替更新R、Ien和H的值。
进一步地，步骤6具体如下：根据公式(10)、(12)与(13)交替迭代更新R、Ien及H的值，直至R的更新幅度小于给定的收敛条件：
其中，Rt与Rt-1分别表示第t次和第t-1次迭代求取的反射分量，ρ是给定的阈值。
5.如权利要求1所述的一种X，其特征在于，步骤7具体为：当公式(14)的收敛条件达到时，将求取的R作为最终的反射分量，则最终的增强结果可表示为
进一步地，步骤2的具体过程如下：在上述步骤1中获取的低照度图像Ilow中常含有噪声，根据Retinex模型理论，Ilow可分解为光照分量L和反射分量Rnoise的哈达玛积，即：
为了求取光照分量L和反射分量Rnoise，步骤2的具体操作如下：
步骤2.1、为L构建了以下优化目标函数：
上述(2)式中
表示矩阵Frobenius范数的平方，
约束，
表示矩阵的L1范数，
为梯度算子，
约束；引入ε＝10-6，(2)式可直接求解；W(i，j)代表权重矩阵W在像素(i，j)点的值，
表示光照分量在像素(i，j)点的梯度，∑是求和符号；其中权重矩阵W计算方法如下：
其中：Gσ是标准偏差为σ的高斯滤波器，*表示卷积运算；
步骤2.2、根据步骤2.1求取光照分量L后，可直接用下式求取反射分量Rnoise：
其中：
表示两个矩阵中对应元素相除，max(L，ε)。
本发明的有益效果是：对低照度图像求解光照分量，并确保光照分量中不含有噪声，这使得所有噪声都包含在反射分量中；基于非局部自相似性原理，为反射分量构建噪声去除内部先验约束；基于大量自然图像，为增强后图像构建噪声去除外部先验约束；构建的内部和外部先验约束，使两种先验约束动态互补，求取最后的增强结果，解决了低照度图像增强技术中噪声放大的问题。
附图说明
图1为本发明实施例中低照度图像及进行Retinex分解的图，其中：
1a为低照度图像；
1b为得到的光照分量；
1c为得到的反射分量；
图2为本发明实施例中基于双重互补先验约束的去噪的结果图，其中：
2a是步骤2中Retinex分解得到含有噪声的反射分量；
2b是利用步骤2中Retinex分解得到的光照分量和反射分量，经伽马校正，增强后的含有噪声的图像；
2c是求解公式(8)时，第一次迭代中求取的反射分量；
2d是求解公式(8)时，第一次迭代中求取的去噪后的增强图像，
2e是求解公式(8)时，第二次迭代中求取的反射分量；
2f是求解公式(8)时，第二次迭代中求取的去噪后的增强图像；
2g是本发明最后的增强结果图。
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。
步骤1、经图像采集设备获取需要增强的低照度图像Ilow，如图1中图a所示，照度低，模糊。以及进行Retinex分解，得到的光照分量和反射分量如图1中b和c所示。
步骤2、将步骤1中获取的低照度图像Ilow分解为光照分量L和反射分量Rnoise，在求解L时，需要考虑两点：一是L应具有与Ilow相似的纹理特征；二是L中无噪声，这样使得低照度图像Ilow中的噪声都表现在Rnoise中，如图2中a所示。
步骤2具体如下：
在上述步骤1中获取的低照度图像Ilow中常含有噪声，根据Retinex模型理论，Ilow可分解为光照分量L和反射分量Rnoise的哈达玛积，即：
为了求取光照分量L和反射分量Rnoise，步骤2的具体操作如下：
步骤2.1、为了使L具有与Ilow相似的纹理特征，且L中无噪声，为L构建了以下优化目标函数：
上述(2)式中
表示矩阵Frobenius范数的平方，
约束是为了让L具有与Ilow相似的纹理特征，
表示矩阵的L1范数，
为梯度算子，
约束是为了使光照分量L中不含有噪声。为了提高求解效率，引入ε＝10-6用于防止分母为零，将基于L1范数的优化问题转化为标准的二次优化问题，(2)式可直接求解。W(i，j)代表权重矩阵W在像素(i，j)点的值，
表示光照分量在像素(i，j)点的梯度，∑是求和符号。其中权重矩阵W计算方法如下：
其中：Gσ是标准偏差为σ的高斯滤波器，*表示卷积运算。
步骤2.2、根据步骤2.1求取光照分量L后，可直接用下式求取反射分量Rnoise：
其中：
表示两个矩阵中对应元素相除，max(L，ε)用于防止分母为0。
步骤3、基于图像内容的非局部相似性原理，利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束；
步骤3具体如下：
依据图像内容的非局部自相似性原理，利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束，令无噪声的反射分量为R，则内部先验约束如下：
其中：||Nij(R)||*代表矩阵Nij(R)的核范数；矩阵Nij(R)是依据图像内容的非局部自相似原理构建：确定R中以像素点(i，j)为中心，大小为b·b的图像块Rij；在R中搜索到n个与块Rii相似的图像块，让这些块连接构成矩阵
步骤4、基于深度学习理论，借助大量自然图像信息，为增强后的图像Ien-noise构建噪声去除外部先验约束；
依据步骤2中求取的光照分量L和反射分量Rnoise，经伽马(Gamma)校正，增强后的含有噪声的图像Ien-oise可表示为
如图2中的b所示。本发明依据深度学习理论，借助大量自然图像，提前训练一个深度即插即用模块。基于此模块，为Ien-noise构建噪声去除外部先验约束，具体表示如下：
其中：Ien代表去噪声后的增强图像，
是保真项，Θ(Ien)代表采用深度即插即用模块构建的噪声去除正则化项。
步骤5、结合步骤3的内部先验约束和步骤4的外部先验约束，构建联合优化目标函数，交替优化求解无噪声的反射分量R和去噪后的增强图像Ien；
步骤5具体如下：
将步骤3里构建的内部先验约束(公式(5))与步骤4里构建的外部先验约束(公式(6))相结合，构建基于双重互补先验约束的联合优化目标函数：
公式(7)可采用交替优化迭代法求解，为了消除约束项
本发明采用拉格朗日乘子法，通过引入变量，得到新的目标函数：
其中：α是正则化参数。
步骤5.1、在公式(8)中，待增强低照度图像Ilow，光照分量L和增强后的噪声图像Ien-noise已知，初始化H为元素全为0的矩阵。然后固定变量Ien和H，求解反射分量R的子问题为：
上述(9)式可简化为：
公式(10)是经典的低秩矩阵恢复模型，可采用奇异值收缩法(SVT，SingularValue Thresholding)求取反射分量R。
步骤5.2、在公式(8)中固定变量R和H，求解Ien的子问题可化简为：
上述(11)式可以化简为以下优化目标函数：
将
输入到提前训练好的深度即插即用模块里，求解得到Ien。
步骤5.3、依据步骤5.1和5.2求取的反射分量R和Ien，更新变量H的值，具体计算方法如下：
根据公式(10)、(12)及(13)交替更新R、Ien和H的值。
求解公式(8)时，第一次迭代中求取的反射分量如图2中c所示，如图所示，展示的反射分量R至少依据R的内部先验知识去噪的结果，很多纹理信息连同噪声一起被去除。第一次迭代中求取的去噪后的增强图像如图2中d所示；第二次迭代中求取的反射分量如图2中e所示，展示的反射分量R是结合内部先验约束和外部先验约束的去噪结果，相比于图2c，更多的纹理信息被保留下来。第二次迭代中求取的去噪后的增强图像如图2中f所示；
步骤6、根据反射分量R的更新，为优化目标函数，即公式(8)构建收敛条件，并判断是否已达到可行解；
如步骤5所述，根据公式(10)、(12)与(13)交替迭代更新R、Ien及H的值，直至R的更新幅度小于给定的收敛条件：
其中，Rt与Rt-1分别表示第t次和第t-1次迭代求取的反射分量，ρ是给定的阈值。
步骤7、将
作为最终的增强结果，γ代表伽马校正因子，Lγ表示对光照分量L矩阵中的每个元素都进行γ次方运算，
表示两个矩阵的对应元素相乘。
步骤7具体如下：
当公式(14)的收敛条件达到时，将求取的R作为最终的反射分量，则最终的增强结果可表示为
如图2中g所示，与图2b相比较，噪声得到了有效去除，并较好的保留了相关纹理特征。其中γ代表伽马(Gamma)校正因子，Lγ表示对光照分量L矩阵中的每个元素都进行γ次方运算。
Claims (6)
1.基于双重互补先验约束的低照度图像增强与去噪方法，其特征在于，该方法包括如下步骤：
步骤1、经图像采集设备获取需要增强的低照度图像Ilow；
步骤2、将所述步骤1中获取的图像Ilow分解为光照分量L和反射分量Rnoise；
步骤3、基于图像内容的非局部相似性原理，利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束；
步骤4、基于深度学习理论，借助正常光照条件下图像去噪任务的公开数据集，为增强后的图像Ien-noise构建噪声去除外部先验约束；
步骤5、结合所述步骤3中的内部先验约束和步骤4中的外部先验约束，构建联合优化目标函数，交替优化求解无噪声的反射分量R和去噪后的增强图像Ien；
步骤6、根据所述反射分量R的更新，构建收敛条件，并判断是否已达到可行解；
步骤7、将
作为最终的增强结果。
2.如权利要求1所述的基于双重互补先验约束的低照度图像增强与去噪方法，其特征在于，所述步骤3的具体过程如下：
依据图像内容的非局部自相似性原理，利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束，令无噪声的反射分量为R，则内部先验约束如下：
其中：||Nij(R)||*代表矩阵Nij(R)的核范数；矩阵Nij(R)是依据图像内容的非局部自相似原理构建：确定R中以像素点(i,j)为中心，大小为b·b的图像块Rij；在R中搜索到n个与块Rij相似的图像块，让这些块连接构成矩阵
所述步骤4的具体过程如下：依据步骤2中求取的光照分量L和反射分量Rnoise，经伽马(Gamma)校正,增强后的含有噪声图像Ien-noise可表示为
本发明依据深度学习理论，借助正常光照条件下图像去噪任务的公开数据集，提前训练一个深度即插即用模块；基于此模块，为Ien-noise构建噪声去除外部先验约束，具体表示如下：
其中：Ien代表去噪声后的增强图像，
是保真项，Θ(Ien)代表采用深度即插即用模块构建的噪声去除正则化项。
3.如权利要求2所述的一种X，其特征在于，所述步骤5的具体过程如下：
将步骤3里构建的内部先验约束公式(5)与步骤4里构建的外部先验约束公式(6)相结合，构建基于双重互补先验约束的联合优化目标函数：
公式(7)可采用交替优化迭代法求解，采用拉格朗日乘子法，引入变量，得到新的目标函数：
其中：α是正则化参数；
步骤5.1、在公式(8)中，待增强低照度图像Ilow，光照分量L和增强后的噪声图像Ien-noise已知，初始化H为元素全为0的矩阵；然后固定变量Ien和H，求解反射分量R的子问题为：
上述(9)式可简化为：
公式(10)是经典的低秩矩阵恢复模型，可采用奇异值收缩法(SVT,Singular ValueThresholding)求取反射分量R；
步骤5.2、在公式(8)中固定变量R和H，求解Ien的子问题可化简为：
上述(11)式可以化简为以下优化目标函数：
将
输入到提前训练好的深度即插即用模块里，求解得到Ien；
步骤5.3、依据步骤5.1和5.2求取的反射分量R和Ien，更新变量H的值，具体计算方法如下：
根据公式(10)、(12)及(13)交替更新R、Ien和H的值。
4.如权利要求1所述的一种X，其特征在于，所述步骤6具体如下：根据公式(10)、(12)与(13)交替迭代更新R、Ien及H的值，直至R的更新幅度小于给定的收敛条件：
其中，Rt与Rt-1分别表示第t次和第t-1次迭代求取的反射分量，ρ是给定的阈值。
5.如权利要求1所述的一种X，其特征在于，步骤7具体为：当公式(14)的收敛条件达到时，将求取的R作为最终的反射分量，则最终的增强结果可表示为
6.如权利要求5所述的一种X，其特征在于，所述步骤2的具体过程如下：在上述步骤1中获取的低照度图像Ilow中常含有噪声，根据Retinex模型理论，Ilow可分解为光照分量L和反射分量Rnoise的哈达玛积，即：
为了求取光照分量L和反射分量Rnoise，步骤2的具体操作如下：
步骤2.1、为L构建了以下优化目标函数：
上述(2)式中
表示矩阵Frobenius范数的平方，
约束，
表示矩阵的L1范数，
为梯度算子，
约束；引入ε＝10-6，(2)式可直接求解；W(i,j)代表权重矩阵W在像素(i,j)点的值，
表示光照分量在像素(i,j)点的梯度，∑是求和符号；其中权重矩阵W计算方法如下：
其中：Gσ是标准偏差为σ的高斯滤波器，*表示卷积运算；
步骤2.2、根据步骤2.1求取光照分量L后，可直接用下式求取反射分量Rnoise：
其中：
表示两个矩阵中对应元素相除，max(L,ε)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210474048.0A CN114862711B (zh) | 2022-04-29 | 2022-04-29 | 基于双重互补先验约束的低照度图像增强与去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210474048.0A CN114862711B (zh) | 2022-04-29 | 2022-04-29 | 基于双重互补先验约束的低照度图像增强与去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114862711A true CN114862711A (zh) | 2022-08-05 |
| CN114862711B CN114862711B (zh) | 2023-03-31 |
Family
ID=82635332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210474048.0A Active CN114862711B (zh) | 2022-04-29 | 2022-04-29 | 基于双重互补先验约束的低照度图像增强与去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862711B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
| AU2020100175A4 (en) * | 2020-02-04 | 2020-04-09 | Hu, Wei MR | Retinex-based progressive image enhancement method |
| 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 |
| CN113808036A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 基于Retinex模型的低照度图像增强与去噪方法 |
| CN113947535A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
-
2022
- 2022-04-29 CN CN202210474048.0A patent/CN114862711B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
| AU2020100175A4 (en) * | 2020-02-04 | 2020-04-09 | Hu, Wei MR | Retinex-based progressive image enhancement method |
| 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 |
| CN113947535A (zh) * | 2020-07-17 | 2022-01-18 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
| CN113808036A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 基于Retinex模型的低照度图像增强与去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 牟琦等: "改进的Retinex低照度图像增强算法研究", 《哈尔滨工程大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114862711B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| CN109087255B (zh) | 一种基于混合损失的轻量级深度图像去噪方法 | |
| CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
| CN114821449B (zh) | 一种基于注意力机制的车牌图像处理方法 | |
| CN113012068B (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
| CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
| CN110930327B (zh) | 基于级联深度残差网络的视频去噪方法 | |
| CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
| CN113052775B (zh) | 一种图像去阴影方法及装置 | |
| CN118742918A (zh) | 用于高效单图像超分辨率的高频注意力网络的方法和系统 | |
| CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
| 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 | |
| CN113808036A (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
| CN115239602A (zh) | 一种基于空洞卷积扩大感受野的车牌图像去模糊方法 | |
| CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
| Yogananda et al. | Graph laplacian regularization with sparse coding in secure image restoration and representation for Internet of Things. | |
| CN116611995B (zh) | 一种基于深度展开网络的手写文本图像超分辨率重建方法 | |
| CN113096032A (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
| CN117078553A (zh) | 一种基于多尺度深度学习的图像去雾方法 | |
| CN116703768A (zh) | 盲点去噪网络模型的训练方法、装置、介质和设备 | |
| CN115272131B (zh) | 基于自适应多光谱编码的图像去摩尔纹系统及方法 | |
| CN116385280A (zh) | 一种图像降噪系统、方法及降噪神经网络训练方法 | |
| CN115222606A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
| CN113658072A (zh) | 一种基于渐进式反馈网络的水下图像增强方法 | |
| Nair et al. | A modular architecture for high resolution image dehazing |
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 |