CN114897833B - 一种多帧激励下的正则化随机共振强背景弱目标增强方法 - Google Patents

一种多帧激励下的正则化随机共振强背景弱目标增强方法 Download PDF

Info

Publication number
CN114897833B
CN114897833B CN202210521446.3A CN202210521446A CN114897833B CN 114897833 B CN114897833 B CN 114897833B CN 202210521446 A CN202210521446 A CN 202210521446A CN 114897833 B CN114897833 B CN 114897833B
Authority
CN
China
Prior art keywords
image
target
iteration
formula
frame
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
CN202210521446.3A
Other languages
English (en)
Other versions
CN114897833A (zh
Inventor
李美惠
淡冰冰
唐涛
祁小平
欧阳益民
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.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics of CAS
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 Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN202210521446.3A priority Critical patent/CN114897833B/zh
Publication of CN114897833A publication Critical patent/CN114897833A/zh
Application granted granted Critical
Publication of CN114897833B publication Critical patent/CN114897833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种多帧激励下的正则化随机共振强背景弱目标增强方法。该方法以随机共振模型中的共振激励为切入点，引入多帧累加概念，利用图像序列的时间信息提高图像信噪比，同时在变分框架下利用单帧图像的空间域信息进一步减弱噪声，使图像更平滑。求解时，将变分框架下的最小化问题转化为偏微分方程，利用欧拉丸山迭代实现。本发明充分利用图像序列的时空信息，在防止背景过曝的同时，增强目标的亮度，使得目标从强背景中浮现。

Description

一种多帧激励下的正则化随机共振强背景弱目标增强方法
技术领域
本发明属于图像处理技术领域，具体涉及一种多帧激励下的正则化随机共振强背景弱目标增强方法。
背景技术
强背景下的弱目标图像增强是一直以来的难题，此类图像有着图像整体灰度值偏高、目标与背景灰度值相近、噪声较大的特点，因此需要利用合适的图像处理算法提高此类图像的信噪比、增大目标明显度。
经典的图像增强算法有很多。直方图均衡化(HE)(R.Hummel,"IMAGE-ENHANCEMENTBY HISTOGRAM TRANSFORMATION,"Computer Graphics and Image Processing 6,184-195(1977).)通过改变灰度值分布来增强图像。然而，当存在一小部分图像显示出截然不同的强度分布时，HE方法将放弃图像其余部分的均衡化，因为它以全局方式考虑整个图像的直方图。为了解决这一问题，对比度受限自适应直方图均衡化(CLAHE)(S.M.Pizer,E.P.Amburn,J.D.Austin,R.Cromartie,A.Geselowitz,T.Greer,B.Terhaarromeny,J.B.Zimmerman,and K.Zuiderveld,"ADAPTIVE HISTOGRAM EQUALIZATION AND ITSVARIATIONS,"Computer Vision Graphics and Image Processing 39,355-368(1987))被提出。Retinex(E.H.Land and J.J.McCann,"LIGHTNESS AND RETINEX THEORY,"Journalofthe Optical Society ofAmerica 61,1-&(1971).)算法将图像表示为照明和反射两部分，通过在原始图像中去除或降低照射图像的影响从而保留本质的反射属性来增强图像。拉普拉斯算子法(D.Marr and E.Hildreth,"THEORY OF EDGE-DETECTION,"Proceedingsof the Royal Society Series B-Biological Sciences 207,187-217(1980).)通过对图像的二次微分实现图像的锐化。当上述这些方法用于增强白天空间目标图像时，图像中的噪声会不可避免地被放大，并且还会产生光晕区域过曝的问题，导致目标彻底消失。
发明内容
本发明针对现有图像增强算法无法在增强时突出强背景下目标的问题，提供了一种多帧激励下的正则化随机共振强背景弱目标增强方法。该方法将多帧图像作为共振激励，充分利用图像序列的时间信息突出目标，同时在变分框架下引入全变分正则化项，该项使用邻域像素来消除噪声。
本发明采用的技术方案如下：一种多帧激励下的正则化随机共振强背景弱目标增强方法，通过以下两个阶段五个步骤实现：
阶段一：图像预处理阶段
该阶段通过以下两个步骤实现：
步骤一：对图像序列进行归一化。由于随机共振系统的输入需为弱信号，但图像的灰度值范围往往为[0,255]或[0,65535]，因此并不能直接输入随机共振系统中，需要将图像信号进行归一化，使灰度值范围分布在[0,1]之间。
步骤二：减去均值。随机共振系统中采用的双稳态势函数是关于原点对称的，因而在增强前需首先减去图像的均值,目标增强结束后再加回均值。
阶段二：目标增强阶段
该阶段通过以下三个步骤实现目标增强：
步骤一：计算并设定系统参数
公式(1)中各符号含义为：
a,b：双稳态函数中的参数；
σ：图像方差；
步骤二：求解下面的优化问题，实现目标的增强
公式(2)中各符号含义为：
f：图像序列中的大小为M*N的待增强原始图像；
u：第n次迭代后大小为M*N的增强后图像；
a,b：系统参数，通过计算图像方差求得；
λ：正则项系数
步骤三：加回均值，得到增强后的目标图像；再减去原始图像，得到目标。
进一步地，阶段一步骤一的归一化过程按照如下公式进行计算：
公式(3)中各符号含义为：
max(f)：图像所有灰度值中的最大值；
min(f)：图像所有灰度值中的最小值；
进一步地，阶段二步骤二的优化问题可利用梯度下降法将模型的求解转化为求解非线性偏微分方程：
公式(4)中各符号的意义为：
f：原图像；
u：增强后的图像；
梯度算子；
div(·)：散度算子；
全变分正则项；
迭代公式为：
公式(5)中各符号的意义为：
un：第n次迭代后的图像；
un+1：第n+1次迭代后的图像；
fn：原始图像序列中第n帧图像；
Δt：迭代步长；
梯度算子；
div(·)：散度算子；
每次迭代完成后，判断增强后的图像是否满足迭代停止条件，若满足，则迭代终止，输出最终的增强图像；否则，继续进行步骤四的迭代计算，直至满足终止条件为止。
进一步地，阶段二步骤二中求解优化问题时采用的终止条件为：
公式(6)中各符号的意义为：
ET为目标区域的均值；
EB为背景区域的均值；
σB为背景区域的标准差，一般取背景区域为目标区域的3倍；
δ为一个很小的数。
公式(6)左侧为局部信噪比计算公式，即当目标的局部信噪比足够小时，停止迭代。
本发明与现有技术相比的优点在于：本发明充分利用图像序列的时空信息，能够在增强目标趋于亮度的同时抑制图像噪声；能够避免由于光晕区域的过度曝光而使目标消失的问题；本发明在白天背景下的目标检测与跟踪领域有广泛的应用前景。
附图说明
图1为本发明一种多帧激励下的正则化随机共振图像增强方法具体流程图；
图2为本发明的实验测试图像，其中，图2(a)为实际拍摄得到的非均匀性强背景弱小目标图像，图2(b)为实际拍摄得到的噪声强背景弱小目标图像；
图3为本发明与现有图像增强算法对实验测试图像2(a)增强后的对比，其中，(a)为实验测试图像图2(a)，(b)为CLAHE算法的增强结果，(c)为Retinex算法的增强结果，(d)为Laplacian算法的增强结果，(e)为SR算法的增强结果，(f)为TV-SR算法的增强结果，(g)为MFSR算法的增强结果，(h)为TV-MFSR算法的增强结果；
图4为本发明与现有图像增强算法对实验测试图像图2(b)增强后的对比，其中，(a)实验测试图像图2(b)，(b)为CLAHE算法的增强结果，(c)为Retinex算法的增强结果，(d)为Laplacian算法的增强结果，(e)为SR算法的增强结果，(f)为TV-SR算法的增强结果，(g)为MFSR算法的增强结果，(h)为TV-MFSR算法的增强结果；
图5为本发明增强后的图像与原始实验测试图像图2差分后的目标检测结果，其中，图5(a)为本发明对实验测试图像图2(a)的目标检测结果，图5(b)为本发明对实验测试图像图2(b)的目标检测结果。
具体实施方式
下面结合附图与具体实施例对本发明作进一步详细描述。
如图1所示，本发明一种多帧激励下的正则化随机共振图像增强方法具体流程如下：
阶段一：图像预处理阶段
该阶段通过以下两个步骤实现：
步骤一：对图像序列进行归一化。由于随机共振系统的输入需为弱信号，但图像的灰度值范围往往为[0,255]或[0,65535]，因此并不能直接输入随机共振系统中，需要将图像信号进行归一化，使灰度值范围分布在[0,1]之间。
步骤二：减去均值。随机共振系统中采用的双稳态势函数是关于原点对称的，因而在增强前需首先减去图像的均值,目标增强结束后再加回均值。
阶段二：目标增强阶段
该阶段通过以下三个步骤实现目标增强：
步骤一：计算并设定系统参数
公式(1)中各符号含义为：
a,b：双稳态函数中的参数；
σ：图像方差；
步骤二：求解下面的优化问题，实现目标的增强
公式(2)中各符号含义为：
f：图像序列中的大小为M*N的待增强原始图像；
u：第n次迭代后大小为M*N的增强后图像；
a,b：系统参数，通过计算图像方差求得；
λ：正则项系数；
步骤三：加回均值，得到增强后的目标图像；再减去原始图像，得到目标。
进一步地，阶段一步骤一的归一化过程按照如下公式进行计算：
公式(3)中各符号含义为：
max(f)：图像所有灰度值中的最大值；
min(f)：图像所有灰度值中的最小值；
进一步地，阶段二步骤二的优化问题可利用梯度下降法将模型的求解转化为求解非线性偏微分方程：
公式(4)中各符号的意义为：
f：原图像；
u：增强后的图像；
梯度算子；
div(·)：散度算子；
全变分正则项；
迭代公式为：
公式(5)中各符号的意义为：
un：第n次迭代后的图像；
un+1：第n+1次迭代后的图像；
fn：原始图像序列中第n帧图像；
Δt：迭代步长；
梯度算子；
div(·)：散度算子；
每次迭代完成后，判断增强后的图像是否满足迭代停止条件，若满足，则迭代终止，输出最终的增强图像；否则，继续进行步骤四的迭代计算，直至满足终止条件为止。
进一步地，阶段二步骤二中求解优化问题时采用的终止条件为：
公式(6)中各符号的意义为：
ET为目标区域的均值；
EB为背景区域的均值；
σB为背景区域的标准差，一般取背景区域为目标区域的3倍；
δ为一个很小的数。
公式(6)左侧为局部信噪比计算公式，即当目标的局部信噪比足够小时，停止迭代。
实施例
1)实验条件：实验所用的计算机为Intel(R)Core(TM)i5-10400 CPU，内存为16.0GB，编程平台为MATLAB R2021a。实验所用的测试图像为分辨率128*128，位深度16，bmp格式的外场实验实拍图像，见图2，其中，图2(a)为实际拍摄得到的非均匀性强背景弱小目标图像，图2(b)为实际拍摄得到的噪声强背景弱小目标图像。
2)实验内容：
将本发明提出的方法与常用的图像增强算法进行比较，并为了体现多帧激励与全变分正则项本方法的贡献，增加了消融实验进行对比，其中常用的图像增强算法主要包括：
(1)CLAHE：S.M.Pizer,E.P.Amburn,J.D.Austin,R.Cromartie,A.Geselowitz,T.Greer,B.Terhaarromeny,J.B.Zimmerman,and K.Zuiderveld,"ADAPTIVE HISTOGRAMEQUALIZATION AND ITS VARIATIONS,"Computer Vision Graphics and ImageProcessing 39,355-368(1987).
(2)Laplacian：D.Marr and E.Hildreth,"THEORY OF EDGE-DETECTION,"Proceedings ofthe Royal Society Series B-Biological Sciences 207,187-217(1980).
(3)Retinex：D.H.Choi,I.H.Jang,M.H.Kim,and N.C.Kim,"Color imageenhancement using single-scale retinex based on an improved image formationmodel,"in 2008 16th European Signal Processing Conference,(IEEE,2008),1-5.
目标是图像中的关键内容，因此本实验以局部信噪比LSNR作为评价指标，可以更好地反映目标信息的增强程度。
表1给出了几种方法的LSNR比较。实验结果表明：对于原始图像LSNR低于0dB的强背景弱目标图像，本发明所提出的方法可以将图像的LSNR提升至少1dB，且优于其他几种图像增强算法。
表1几种方法的LSNR比较
图3-图4给出了7种方法对实验图像的增强结果。实验结果表明：CLAHE与Laplacian增强后的图像对比度有所提升，但不能有效地突出目标；Retinex与SR具有消除噪声的功能，但也不能有效地突出目标，甚至会出现过度曝光的问题。与SR相比，TV-SR可以使图像平滑，但不能解决过度曝光的问题；MFSR可以突出显示目标，但噪声仍然存在。本发明提出的方法TV-MFSR不仅可以提高目标亮度，而且可以有效地消除噪声，由此也可证明多帧共振激励与全变分正则项都是不可或缺的。
图5为本发明增强后的图像与原始实验测试图像图2差分后的目标检测结果，其中，图5(a)为本发明对实验测试图像图2(a)的目标检测结果，图5(b)为本发明对实验测试图像图2(b)的目标检测结果。实验结果表明：差分图像有着非常清晰的目标。
本发明提出了一种多帧激励下的正则化随机共振强背景弱目标增强方法。本发明以随机共振理论为核心，在其基础上利用多帧激励提升图像的信噪比，并针对图像的噪声问题，在变分随机共振框架下引入了全变分正则项进行去噪。本发明通过充分利用图像序列的时空信息，在实现增强目标的同时最大程度上降低噪声，同时也避免了图像过曝使目标湮没的问题。
本发明未详述部分属于本技术领域的公知技术。以上所述仅为本发明的具体实例而已，并不用于以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种多帧激励下的正则化随机共振强背景弱目标增强方法，其特征在于，通过以下两个阶段五个步骤实现强背景下弱目标的增强：
阶段一：图像预处理阶段
该阶段通过以下两个步骤实现：
步骤一：对图像序列进行归一化，使灰度值范围分布在[0,1]之间；
步骤二：减去均值；
阶段二：目标增强阶段
该阶段通过以下三个步骤实现目标增强：
步骤一：计算并设定系统参数
公式(1)中各符号含义为：
a,b：双稳态函数中的参数；
σ：图像方差；
步骤二：求解下面的优化问题，实现目标的增强：
公式(2)中各符号含义为：
f：图像序列中的大小为M*N的待增强原始图像；
u：第n次迭代后大小为M*N的增强后图像；
a,b：系统参数，通过计算图像方差求得；
λ：正则项系数；
步骤三：加回均值，得到增强后的目标图像；再减去原始图像，得到目标。
2.根据权利要求1所述的多帧激励下的正则化随机共振强背景弱目标增强方法，其特征在于：阶段一步骤一的归一化过程按照如下公式进行计算：
公式(3)中各符号含义为：
max(f)：图像所有灰度值中的最大值；
min(f)：图像所有灰度值中的最小值。
3.根据权利要求1所述的多帧激励下的正则化随机共振强背景弱目标增强方法，其特征在于：阶段二步骤二的优化问题可利用梯度下降法将模型的求解转化为求解非线性偏微分方程：
公式(4)中各符号含义为：
f：原图像；
u：增强后的图像；
梯度算子；
div(·)：散度算子；
全变分正则项；
λ：正则项系数；
迭代公式为：
公式(5)中各符号的意义为：
un：第n次迭代后的图像；
un+1：第n+1次迭代后的图像；
fn：原始图像序列中第n帧图像；
Δt：迭代步长；
梯度算子；
div(·)：散度算子；
每次迭代完成后，判断增强后的图像是否满足迭代停止条件，若满足，则迭代终止，输出最终的增强图像；否则，继续进行步骤四的迭代计算，直至满足终止条件为止。
4.根据权利要求1所述的多帧激励下的正则化随机共振强背景弱目标增强方法，其特征在于：阶段二步骤二中求解优化问题时采用的终止条件为：
公式(6)中各符号的意义为：
ET为目标区域的均值；
EB为背景区域的均值；
σB为背景区域的标准差，取背景区域为目标区域的3倍；
δ为一个很小的数；
公式(6)左侧为局部信噪比计算公式，即当目标的局部信噪比足够小时，停止迭代。
CN202210521446.3A 2022-05-13 2022-05-13 一种多帧激励下的正则化随机共振强背景弱目标增强方法 Active CN114897833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210521446.3A CN114897833B (zh) 2022-05-13 2022-05-13 一种多帧激励下的正则化随机共振强背景弱目标增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210521446.3A CN114897833B (zh) 2022-05-13 2022-05-13 一种多帧激励下的正则化随机共振强背景弱目标增强方法

Publications (2)

Publication Number Publication Date
CN114897833A CN114897833A (zh) 2022-08-12
CN114897833B true CN114897833B (zh) 2023-08-11

Family

ID=82721639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210521446.3A Active CN114897833B (zh) 2022-05-13 2022-05-13 一种多帧激励下的正则化随机共振强背景弱目标增强方法

Country Status (1)

Country Link
CN (1) CN114897833B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009138996A2 (en) * 2008-05-16 2009-11-19 Department Of Biotechnology A medical image enhancement technique based on image transform resonance
CN102693529A (zh) * 2012-05-24 2012-09-26 杭州电子科技大学 基于延迟自反馈fhn随机共振机制的灰度图像增强方法
CN105487062A (zh) * 2015-12-22 2016-04-13 南京信息工程大学 基于二维Duffing振子的海杂波微弱信号检测方法
CN106408524A (zh) * 2016-08-17 2017-02-15 南京理工大学 基于二维图像辅助的深度图像增强方法
CN107292844A (zh) * 2017-06-20 2017-10-24 南京理工大学 全变差正则化变分随机共振自适应暗图像滤波增强方法
CN108550116A (zh) * 2018-03-12 2018-09-18 西安理工大学 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法
CN109669169A (zh) * 2018-12-05 2019-04-23 南京信息工程大学 一种海杂波背景下的微弱目标信号检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11478603B2 (en) * 2017-12-31 2022-10-25 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009138996A2 (en) * 2008-05-16 2009-11-19 Department Of Biotechnology A medical image enhancement technique based on image transform resonance
CN102693529A (zh) * 2012-05-24 2012-09-26 杭州电子科技大学 基于延迟自反馈fhn随机共振机制的灰度图像增强方法
CN105487062A (zh) * 2015-12-22 2016-04-13 南京信息工程大学 基于二维Duffing振子的海杂波微弱信号检测方法
CN106408524A (zh) * 2016-08-17 2017-02-15 南京理工大学 基于二维图像辅助的深度图像增强方法
CN107292844A (zh) * 2017-06-20 2017-10-24 南京理工大学 全变差正则化变分随机共振自适应暗图像滤波增强方法
CN108550116A (zh) * 2018-03-12 2018-09-18 西安理工大学 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法
CN109669169A (zh) * 2018-12-05 2019-04-23 南京信息工程大学 一种海杂波背景下的微弱目标信号检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈可.弱信号随机共振检测机制及其在图像增强中的应用研究.中国优秀硕士学位论文全文数据库 信息科技辑.2011,(第09期),I138-935. *

Also Published As

Publication number Publication date
CN114897833A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Tao et al. Low-light image enhancement using CNN and bright channel prior
CN103578084B (zh) 基于亮通道滤波的彩色图像增强方法
Goossens et al. An improved non-local denoising algorithm
Srinivas et al. Low light image enhancement with adaptive sigmoid transfer function
CN109064426B (zh) 一种用于抑制低照度图像中眩光并增强图像的方法及装置
Yang et al. Visibility restoration of single image captured in dust and haze weather conditions
CN107292834B (zh) 红外图像细节增强方法
Nnolim An adaptive RGB colour enhancement formulation for logarithmic image processing-based algorithms
CN104899862A (zh) 基于全局与局部阈值的视网膜血管分割算法
Kaur et al. Performance evaluation of fuzzy and histogram based color image enhancement
Sandoub et al. A low‐light image enhancement method based on bright channel prior and maximum colour channel
CN112070717A (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN116681606A (zh) 一种水下不均匀光照图像增强方法、系统、设备及介质
CN114998186B (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统
Wu et al. A novel scheme for infrared image enhancement by using weighted least squares filter and fuzzy plateau histogram equalization
CN104616259A (zh) 一种噪声强度自适应的非局部均值图像去噪方法
CN114240990A (zh) Sar图像点目标分割方法
CN111652821B (zh) 基于梯度信息的微光视频图像降噪处理方法、装置和设备
EP4091130A1 (en) Variable clipping level calculation method for clahe algorithm
Liu et al. Structure-aware texture filtering based on local histogram operator
Noori et al. Digital image defogging using joint Retinex theory and independent component analysis
CN114897833B (zh) 一种多帧激励下的正则化随机共振强背景弱目标增强方法
CN116862809A (zh) 一种低曝光条件下的图像增强方法
Rama Lakshmi et al. A Review on Image Denoising Algorithms for Various Applications
Xie et al. DHD-Net: A novel deep-learning-based dehazing network

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