CN114972074A - 一种基于微光环境夜视图像分析系统 - Google Patents
一种基于微光环境夜视图像分析系统 Download PDFInfo
- Publication number
- CN114972074A CN114972074A CN202210450699.6A CN202210450699A CN114972074A CN 114972074 A CN114972074 A CN 114972074A CN 202210450699 A CN202210450699 A CN 202210450699A CN 114972074 A CN114972074 A CN 114972074A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- component
- low
- night vision
- 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 37
- 238000010191 image analysis Methods 0.000 title claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 4
- 230000002457 bidirectional effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001931 thermography 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
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微光环境夜视图像分析系统，属于图像分析技术领域，其包括图像获取单元，所述图像获取单元的输出端与小波变换模型建立模块的输出端连接，所述小波变换模型建立模块与小波图像降噪单元双向连接，其中，所述小波图像降噪单元包括图像空间转换模块，所述图像空间转换模块的输出端与分量变换模块的输入端连接。本发明中，通过利用离散小波变化将图像的成分进行有效分离，分别进行降噪及增强处理，较好保证了低照度图像增强的效果，在去除照射分量、消除噪声的同时较好地保护了图像的边缘及纹理信息，基于自适应增强算法对图像对比度进行了拉伸处理，有效提升了图像的质量，且算法具有较好的时效性。
Description
技术领域
本发明属于图像分析技术领域，具体为一种基于微光环境夜视图像分析系统。
背景技术
夜视技术，是借助于光电成象器件实现夜间观察的一种光电技术，夜视技术包括微光夜视和红外夜视两方面，微光夜视技术又称像增强技术，是通过带像增强管的夜视镜，对夜天光照亮的微弱目标像进行增强，以供观察的光电成像技术，红外夜视技术分为主动红外夜视技术和被动红外夜视技术，主动红外夜视技术是通过主动照射并利用目标反射红外源的红外光来实施观察的夜视技术，对应装备为主动红外夜视仪，被动红外夜视技术是借助于目标自身发射的红外辐射来实现观察的红外技术，它根据目标与背景或目标各部分之间的温差或热辐射差来发现目标，其装备为热像仪。热成像仪具有不同于其它夜视仪的独特优点，如可在雾、雨、雪的天气下工作，作用距离远，能识别伪装和抗干扰等，已成国外夜视装备的发展重点，并将在一定成度上取代微光夜视仪。
目前，视频监控技术广泛应用于社会治理与公共安全领域，然而当在夜晚光照条件不足的情况下，采集到的视频图像质量会急剧恶化，给社会安全视频监测带来了一定影响，通过提高视频监控设备硬件质量获得高亮度图像，但提高图像硬件设备质量花费过大，增加成本。
针对基于微光环境夜视图像降噪技术中，目前大多采用的方法主要包括：
1）使用直方图进行图像增强及降噪方法；
2）应用同态滤波进行图像增强及降噪方法；
3）基于Retinex理论的图像增强方法。
具体如下：
基于直方图的增强算法主要为全局图像增强，容易减弱图像的层次感，效果难以控制，且容易造成过大面积增强。
基于同态滤波的增强方法的需要设定前提条件，需要假设为图像采集环境光照均匀，而监控现场很难做到，因此该方法对于夜间图像的增强效果较差。
基于Retinex理论的增强方法具有较好的图像增强能力，但存在照射分量难以准确估计的问题。
因此，难以满足基于微光环境夜视图像降噪以及图像增强的目的，需一种基于微光环境夜视图像分析系统来解决上述问题。
发明内容
（一）解决的技术问题
为了克服现有技术的上述缺陷，本发明提供了一种基于微光环境夜视图像分析系统，目的为：
利用离散小波变化将图像的成分进行有效分离，分别进行降噪及增强处理，较好保证了低照度图像增强的效果，在去除照射分量、消除噪声的同时较好地保护了图像的边缘及纹理信息。
（二）技术方案
为实现上述目的，本发明提供如下技术方案：一种基于微光环境夜视图像分析系统，包括图像获取单元，所述图像获取单元的输出端与小波变换模型建立模块的输出端连接，所述小波变换模型建立模块与小波图像降噪单元双向连接。
其中，所述小波图像降噪单元包括图像空间转换模块，所述图像空间转换模块的输出端与分量变换模块的输入端连接，所述分量变换模块的输出端与滤波处理模块的输入端连接，所述滤波处理模块的输出端与去噪计算模块的输入端连接，所述去噪计算模块的输出端与图像拉伸模块的输入端连接，所述图像拉伸模块的输出端与分量图像合成单元的输入端连接，所述分量图像合成单元的输出端与图像空间转换模块的输入端连接。
作为本发明的进一步方案：所述图像获取单元包括图像采集模块、图像转换模块和图像缓存模块。
图像采集模块：用于将摄像机采集的数据进行图像解码，并且获得图像对应的控制信号。
所述图像采集模块的具体步骤实施如下：
首先摄像机采集图像信息，并在FPGA驱动控制时序下输出到图像解码部分，将实时数据先送入解码芯片进行转换解码，并且获得图像对应的控制信号。
图像转换模块：在FPGA时序控制下将摄像机输出原始图像的控制信号转换为数字信号。
图像缓存模块：用于将图像转换模块中图像数字信号压缩储存在外部同步动态存储器内。
作为本发明的进一步方案：所述小波变换模型建立模块用于进行图像二维离散小波变换。
所述小波变换模型建立模块的建立步骤如下：
S10、设二维图像
，x、y分别表示图像数字信号中的横坐标和纵坐标，
表示平面上平方可积函数空间，具体为：
S20、将
为二维小波基函数，则二维连续小波变换定义为：
所述小波变换模型建立模块中二维离散小波变换包括分解和重构两个过程：
所述二维离散小波分解步骤如下：
首先对图像数字信号进行一维小波变换，在在水平方向获得低频分量L和高频分量H，然后对变换后低、高频分量上对每一列进行一维小波变换，在水平及垂直方向上分别获得4个分量LL、LH、HL、HH。
所述二维离散小波重构步骤如下：
首先在垂直方向上对图像列数据进行一维小波逆变换，然后在水平方向上对图像行数据进行一维小波逆变换，最终获得重构后的图像。
作为本发明的进一步方案：所述图像空间转换模块用于将微光环境下的图像数字信号中像素点I（x,y）从RGB空间转换至HSV空间，记色调分量为H（x,y）、饱和度分量为S（x,y）、亮度分量为V（x,y）。
作为本发明的进一步方案：所述分量变换模块用于将图像的亮度分量为V（x,y）进行三级离散小波变换，得到单个低频子带
和三个方向的高频子带
、
和
。
作为本发明的进一步方案：所述滤波处理模块用于对低频子带
使双边滤波器进行滤波处理，去除多余照射分量。
作为本发明的进一步方案：所述去噪计算模块用于对高频子带
、
和
进行模糊增强与去噪，采用Pal-King模糊增强算法进行模糊增强与去噪。
所述去噪计算模块中，其隶属度函数为：
式中，
表示图像数字信号中像素点（i,j）相对于某个灰度级
的隶属度，
为
的最大灰度值，
为为倒数模糊因子，
为指数模糊因子，取值为2。
所述去噪计算模块中，采用Pal-King模糊增强算法的非线性增强变换函数为：
作为本发明的进一步方案：所述图像拉伸模块用于对V分量图像进行自适应对比度增强处理，采用基于Beta变换曲线的优化方法对分量图像V进行拉伸处理。
所述图像拉伸模块中，通过利用反DWT重建经过处理后的V分量。
所述图像拉伸模块中，Beta变换曲线为：
式中，x为归一化像素值，α和β为参数，且0<α，β<10。
作为本发明的进一步方案：所述分量图像合成单元用于将增强后得到的V分量与H、S分量合成，即可得到经过降噪与增强处理后的低照度图像。
（三）有益效果
与现有技术相比，本发明的有益效果在于：
1、本发明中，通过利用离散小波变化将图像的成分进行有效分离，分别进行降噪及增强处理，较好保证了低照度图像增强的效果，在去除照射分量、消除噪声的同时较好地保护了图像的边缘及纹理信息。
2、本发明中，基于自适应增强算法对图像对比度进行了拉伸处理，有效提升了图像的质量，且算法具有较好的时效性。
附图说明
图1为本发明系统的示意框图；
图2为本发明系统的流程示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
如图1-2所示，本发明提供一种技术方案：一种基于微光环境夜视图像分析系统，包括图像获取单元，图像获取单元的输出端与小波变换模型建立模块的输出端连接，小波变换模型建立模块与小波图像降噪单元双向连接。
其中，小波图像降噪单元包括图像空间转换模块，图像空间转换模块的输出端与分量变换模块的输入端连接，分量变换模块的输出端与滤波处理模块的输入端连接，滤波处理模块的输出端与去噪计算模块的输入端连接，去噪计算模块的输出端与图像拉伸模块的输入端连接，图像拉伸模块的输出端与分量图像合成单元的输入端连接，分量图像合成单元的输出端与图像空间转换模块的输入端连接。
图像获取单元包括图像采集模块、图像转换模块和图像缓存模块。
图像采集模块：用于将摄像机采集的数据进行图像解码，并且获得图像对应的控制信号。
图像采集模块的具体步骤实施如下：
首先摄像机采集图像信息，并在FPGA驱动控制时序下输出到图像解码部分，将实时数据先送入解码芯片进行转换解码，并且获得图像对应的控制信号。
图像转换模块：在FPGA时序控制下将摄像机输出原始图像的控制信号转换为数字信号。
图像缓存模块：用于将图像转换模块中图像数字信号压缩储存在外部同步动态存储器内。
小波变换模型建立模块用于进行图像二维离散小波变换。
小波变换模型建立模块的建立步骤如下：
S10、设二维图像
，x、y分别表示图像数字信号中的横坐标和纵坐标，
\* MERGEFORMAT 表示平面上平方可积函数空间，具体为：
S20、将
为二维小波基函数，则二维连续小波变换定义为：
小波变换模型建立模块中二维离散小波变换包括分解和重构两个过程：
二维离散小波分解步骤如下：
首先对图像数字信号进行一维小波变换，在在水平方向获得低频分量L和高频分量H，然后对变换后低、高频分量上对每一列进行一维小波变换，在水平及垂直方向上分别获得4个分量LL、LH、HL、HH。
二维离散小波重构步骤如下：
首先在垂直方向上对图像列数据进行一维小波逆变换，然后在水平方向上对图像行数据进行一维小波逆变换，最终获得重构后的图像。
图像空间转换模块用于将微光环境下的图像数字信号中像素点I（x,y）从RGB空间转换至HSV空间，记色调分量为H（x,y）、饱和度分量为S（x,y）、亮度分量为V（x,y）。
分量变换模块用于将图像的亮度分量为V（x,y）进行三级离散小波变换，得到单个低频子带
和三个方向的高频子带
、
和
。
滤波处理模块用于对低频子带
使双边滤波器进行滤波处理，去除多余照射分量。
去噪计算模块用于对高频子带
、
和
进行模糊增强与去噪，采用Pal-King模糊增强算法进行模糊增强与去噪。
去噪计算模块中，其隶属度函数为：
式中，
表示图像数字信号中像素点（i,j）相对于某个灰度级
的隶属度，
为
的最大灰度值，
为为倒数模糊因子，
为指数模糊因子，取值为2。
去噪计算模块中，采用Pal-King模糊增强算法的非线性增强变换函数为：
图像拉伸模块用于对V分量图像进行自适应对比度增强处理，采用基于Beta变换曲线的优化方法对分量图像V进行拉伸处理。
图像拉伸模块中，通过利用反DWT重建经过处理后的V分量。
图像拉伸模块中，Beta变换曲线为：
式中，x为归一化像素值，α和β为参数，且0<α，β<10。
分量图像合成单元用于将增强后得到的V分量与H、S分量合成，即可得到经过降噪与增强处理后的低照度图像。
实施例：
一种基于微光环境夜视图像分析系统，包括以下流程步骤：
a、首先通过图像获取单元对采集的数据进行图像解码，并且获得图像对应的控制信号，并在FPGA驱动控制时序下输出到图像解码部分，将实时数据先送入解码芯片进行转换解码，并且获得图像对应的控制信号，在FPGA时序控制下将摄像机输出原始图像的控制信号转换为数字信号。
b、其次通过所获取的图像数字信号建立小波变换模型建立模块，并且进行进行图像二维离散小波变换。
设二维图像
，x、y分别表示图像数字信号中的横坐标和纵坐标，
表示平面上平方可积函数空间，具体为：
将
为二维小波基函数，则二维连续小波变换定义为：
小波变换模型建立模块中二维离散小波变换包括分解和重构两个过程：
二维离散小波分解步骤如下：
首先对图像数字信号进行一维小波变换，在在水平方向获得低频分量L和高频分量H，然后对变换后低、高频分量上对每一列进行一维小波变换，在水平及垂直方向上分别获得4个分量LL、LH、HL、HH。
二维离散小波重构步骤如下：
首先在垂直方向上对图像列数据进行一维小波逆变换，然后在水平方向上对图像行数据进行一维小波逆变换，最终获得重构后的图像。
c、通过图像空间转换模块将微光环境下的图像数字信号中像素点I（x,y）从RGB空间转换至HSV空间，记色调分量为H（x,y）、饱和度分量为S（x,y）、亮度分量为V（x,y）。
d、其次，将图像的亮度分量为V（x,y）进行三级离散小波变换，得到单个低频子带
和三个方向的高频子带
、
和
。
e、通过滤波处理方式对低频子带
使双边滤波器进行滤波处理，去除多余照射分量。
f、再通过去噪计算模块对高频子带
、
和
进行模糊增强与去噪，采用Pal-King模糊增强算法进行模糊增强与去噪。
去噪计算模块中，其隶属度函数为：
采用Pal-King模糊增强算法的非线性增强变换函数为：
g、其次，通过利用反DWT重建经过处理后的V分量，对V分量图像进行自适应对比度增强处理，采用基于Beta变换曲线的优化方法对分量图像V进行拉伸处理。
Beta变换曲线为：
h、最终将增强后得到的V分量与H、S分量合成，再反向进行图像空间转换，将微光环境下的图像数字信号中像素点的HSV空间转换成RGB空间即可得到经过降噪与增强处理后的低照度图像。
通过上述图像分析，采用MATLAB 2015b软件对实验结果进行仿真，将本文中去噪计算方式针对不同图像进行仿真实验，以峰值信噪比PSNR和均方根误差RMSE来作为去噪效果的客观评价标准，其定义分别为：
由上述计算得出下表：
| 去噪图像 | PSRN（db） | RMSE（db） |
| 图像1 | 25.15 | 115.85 |
| 图像2 | 30.55 | 135.86 |
| 图像3 | 45.53 | 215.73 |
其中，MSE为均方误差，
为原始图像信号，
为去噪后的图像信号，N表示图像信号长度。
综上所得：
通过利用离散小波变化将图像的成分进行有效分离，分别进行降噪及增强处理，较好保证了低照度图像增强的效果，在去除照射分量、消除噪声的同时较好地保护了图像的边缘及纹理信息；基于自适应增强算法对图像对比度进行了拉伸处理，有效提升了图像的质量，且算法具有较好的时效性。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (9)
1.一种基于微光环境夜视图像分析系统，包括图像获取单元，其特征在于：所述图像获取单元的输出端与小波变换模型建立模块的输出端连接，所述小波变换模型建立模块与小波图像降噪单元双向连接；
其中，所述小波图像降噪单元包括图像空间转换模块，所述图像空间转换模块的输出端与分量变换模块的输入端连接，所述分量变换模块的输出端与滤波处理模块的输入端连接，所述滤波处理模块的输出端与去噪计算模块的输入端连接，所述去噪计算模块的输出端与图像拉伸模块的输入端连接，所述图像拉伸模块的输出端与分量图像合成单元的输入端连接，所述分量图像合成单元的输出端与图像空间转换模块的输入端连接。
2.根据权利要求1所述的一种基于微光环境夜视图像分析系统，其特征在于：所述图像获取单元包括图像采集模块、图像转换模块和图像缓存模块；
图像采集模块：用于将摄像机采集的数据进行图像解码，并且获得图像对应的控制信号；
图像转换模块：在FPGA时序控制下将摄像机输出原始图像的控制信号转换为数字信号；
图像缓存模块：用于将图像转换模块中图像数字信号压缩储存在外部同步动态存储器内。
3.根据权利要求1所述的一种基于微光环境夜视图像分析系统，其特征在于：所述小波变换模型建立模块用于进行图像二维离散小波变换。
4.根据权利要求1所述的一种基于微光环境夜视图像分析系统，其特征在于：所述图像空间转换模块用于将微光环境下的图像数字信号中像素点I（x,y）从RGB空间转换至HSV空间，记色调分量为H（x,y）、饱和度分量为S（x,y）、亮度分量为V（x,y）。
5.根据权利要求4所述的一种基于微光环境夜视图像分析系统，其特征在于：所述分量变换模块用于将图像的亮度分量为V（x,y）进行三级离散小波变换，得到单个低频子带
和三个方向的高频子带
、
和
。
6.根据权利要求5所述的一种基于微光环境夜视图像分析系统，其特征在于：所述滤波处理模块用于对低频子带
使双边滤波器进行滤波处理，去除多余照射分量。
7.根据权利要求6所述的一种基于微光环境夜视图像分析系统，其特征在于：所述去噪计算模块用于对高频子带
、和
进行模糊增强与去噪，采用Pal-King模糊增强算法进行模糊增强与去噪。
8.根据权利要求7所述的一种基于微光环境夜视图像分析系统，其特征在于：所述图像拉伸模块用于对V分量图像进行自适应对比度增强处理，采用基于Beta变换曲线的优化方法对分量图像V进行拉伸处理。
9.根据权利要求1所述的一种基于微光环境夜视图像分析系统，其特征在于：所述分量图像合成单元用于将增强后得到的V分量与H、S分量合成，即可得到经过降噪与增强处理后的低照度图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210450699.6A CN114972074A (zh) | 2022-04-27 | 2022-04-27 | 一种基于微光环境夜视图像分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210450699.6A CN114972074A (zh) | 2022-04-27 | 2022-04-27 | 一种基于微光环境夜视图像分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972074A true CN114972074A (zh) | 2022-08-30 |
Family
ID=82979597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210450699.6A Pending CN114972074A (zh) | 2022-04-27 | 2022-04-27 | 一种基于微光环境夜视图像分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972074A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460736A (zh) * | 2018-02-07 | 2018-08-28 | 国网福建省电力有限公司泉州供电公司 | 一种低照度电力设备图像曲波域增强方法 |
| CN109658350A (zh) * | 2018-11-26 | 2019-04-19 | 山东科技大学 | 一种夜间人脸视频图像增强与降噪方法 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN111968041A (zh) * | 2020-07-03 | 2020-11-20 | 南昌大学 | 一种自适应图像增强方法 |
| CN112801925A (zh) * | 2021-01-12 | 2021-05-14 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
| CN113870135A (zh) * | 2021-09-28 | 2021-12-31 | 国网上海市电力公司 | 一种基于天牛须优化算法的nsst域红外图像增强方法 |
-
2022
- 2022-04-27 CN CN202210450699.6A patent/CN114972074A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460736A (zh) * | 2018-02-07 | 2018-08-28 | 国网福建省电力有限公司泉州供电公司 | 一种低照度电力设备图像曲波域增强方法 |
| CN109658350A (zh) * | 2018-11-26 | 2019-04-19 | 山东科技大学 | 一种夜间人脸视频图像增强与降噪方法 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN111968041A (zh) * | 2020-07-03 | 2020-11-20 | 南昌大学 | 一种自适应图像增强方法 |
| CN112801925A (zh) * | 2021-01-12 | 2021-05-14 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
| CN113870135A (zh) * | 2021-09-28 | 2021-12-31 | 国网上海市电力公司 | 一种基于天牛须优化算法的nsst域红外图像增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| 贾翔宇: "基于小波变换的夜间低照度图像降噪与增强算法", 《信息技术与信息化》 * |
| 郑勋烨, 西安：西安交通大学出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
| CN104240194B (zh) | 一种基于抛物线函数的低照度图像增强算法 | |
| CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
| CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
| CN110163807B (zh) | 一种基于期望亮通道的低照度图像增强方法 | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
| CN110675332A (zh) | 一种金属腐蚀图像质量的增强方法 | |
| CN112750090A (zh) | 一种改进小波阈值的水下图像降噪方法及系统 | |
| CN109544470A (zh) | 一种边界约束的卷积神经网络单幅图像去雾方法 | |
| CN115249211A (zh) | 一种基于水下非均匀入射光模型的图像复原方法 | |
| CN114972074A (zh) | 一种基于微光环境夜视图像分析系统 | |
| CN115409872B (zh) | 一种水下摄像机图像优化方法 | |
| CN111260588A (zh) | 一种高清数字cmos成像组件图像增强方法 | |
| CN113222833B (zh) | 一种侧扫声呐图像处理方法与装置 | |
| CN112822343B (zh) | 一种面向夜间视频的清晰化方法及存储介质 | |
| CN113554567B (zh) | 一种基于小波变换的鲁棒去重影系统及方法 | |
| CN114549343A (zh) | 基于双支残差特征融合去雾方法 | |
| CN113160066A (zh) | 一种低照度图像高效增强方法 | |
| Alluhaidan et al. | Retinex-based visibility enhancement system during inclement weather | |
| Guo et al. | Adaptive dark channel prior enhancement algorithm for different source night vision halation images | |
| CN113379632B (zh) | 一种基于小波透射率优化的图像去雾方法及系统 | |
| Liu et al. | Low Illumination Image Enhancement Algorithm Combining Homomorphic Filtering and Retinex | |
| Patil et al. | Contrast Enhancement Technique for Remote Sensing Images | |
| Dhandapani et al. | Fusion based underwater image enhancement and detail preserving |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |
|
| RJ01 | Rejection of invention patent application after publication |