CN115358948A - 一种基于改进Retinex算法的低照度图像增强方法 - Google Patents
一种基于改进Retinex算法的低照度图像增强方法 Download PDFInfo
- Publication number
- CN115358948A CN115358948A CN202211012700.3A CN202211012700A CN115358948A CN 115358948 A CN115358948 A CN 115358948A CN 202211012700 A CN202211012700 A CN 202211012700A CN 115358948 A CN115358948 A CN 115358948A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- frequency component
- channel
- converting
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 230000002146 bilateral effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 45
- 239000000126 substance Substances 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进Retinex算法的低照度图像增强方法,应用于图像增强技术领域,包括:对低照度图像进行离散小波分解,得到图像低频和高频分量;将低频分量转为HSV,并单独对V通道进行亮度矫正,随后转回RGB进行双边滤波后再转为HSV提取V通道;采用基于双边滤波器与高斯滤波器联合加权作为新的中心环绕函数的改进Retinex算法对低频分量进行图像增强,并进行中值滤波处理,随后转为HSV提取V通道;将两个V通道加权融合,保留算法增强后的H、S通道,再转回RGB,与去噪后的高频分量进行离散小波融合,并拉伸输出增强后的低照度图像。本发明能够有效保证图像的色彩、边缘细节、避免图像出现局部失真现象。
Description
技术领域
本发明涉及图像增强技术领域,特别涉及一种基于改进Retinex算法的低照度图像增强方法。
背景技术
随着我国工业技术的发展,工业主导地位的提升导致工业生产结构向技术、知识密集型发展,与此同时,工业智能化迅速发展,机器视觉被应用到各生产领域,其作为现代化数字测量手段,关注度逐渐升高。但是,由于视觉对光照度较为敏感,在低光照的环境下,获取的图像质量较差,无法实现对检测物体进行数据感知。因此,如何增强低照度图像,成为图像处理领域的热点问题。
CN113850744A公开了基于自适应Retinex和小波融合的图像增强算法,其都是在RGB空间进行的算法处理,RGB域的图像颜色关联程度高,进行图像增强之后,无法同时保证增强图像的色彩恢复度和图像细节。
CN113344798A公开了一种基于Retinex的暗图像增强方法,运用的网络卷积核单一,因其自身的局限性,导致提取的特征也会单一化,在适用性方面稍显逊色,导致处理的图像产生局部失真,处理效果不理想。
CN114418889A公开了一种基于多尺度网络结构的低光图像增强方法,采用多尺度网络结构的图像增强模型进行图像增强,增强图像的细节同时,恢复图像的色彩失真问题,但是其需要较为复杂的运算过程,对硬件要求也较高,其次,其处理速度较一般图像增强算法慢,实时性较差。
为此,如何提供一种能够有效保证图像的色彩、边缘细节、避免图像出现局部失真现象的基于改进Retinex算法的低照度图像增强方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提出了一种基于改进Retinex算法的低照度图像增强方法。通过将图像低频分量从RGB空间域转为HSV空间域,并只对V通道进行Gamma亮度矫正,再与改进Retinex算法处理后的图像低频分量融合之后转为RGB空间域,通过在HSV空间域进行V通道Gamma亮度矫正以及图像低频分量融合,实现了在矫正图像亮度的同时有效保证图像的色彩,避免图像出现局部失真现象;采用改进Retinex算法,即将双边滤波器与高斯滤波器进行加权计算,得到全新的中心环绕函数进行图像增强处理,从而达到在增强图像的同时,保持图像的平滑度,改善其对比度,并且改进后的算法对图像边缘细节有保护效果,避免图像部分细节失真现象,同时,通过改进Retinex算法对低照度图像进行图像增强,有利于视觉检测装置在光照复杂环境下的应用,提高了检测装置的泛性,可实现对检测目标进行精准识别,不仅能对生产线进行精准控制,还能做到工艺技术上的充分改良,提升整体的生产效率,推动具体企业项目(智能制造)的搭建和实施。
为了实现上述目的,本发明采用如下技术方案:
一种基于改进Retinex算法的低照度图像增强方法,包括:
步骤(1):获取低照度图像,并进行离散小波分解,得到第一图像低频分量和第一图像高频分量。
步骤(2):将第一图像低频分量从RGB空间域转为HSV空间域,并单独对V通道进行亮度矫正,得到第二图像低频分量,随后将第二图像低频分量转回RGB空间域进行双边滤波处理后再转回HSV空间域,得到第三图像低频分量,并提取第三图像低频分量的V通道。
步骤(3):采用基于双边滤波器与高斯滤波器联合加权作为新的中心环绕函数的改进Retinex算法对第一图像低频分量进行图像增强,并进行中值滤波处理,得到第四图像低频分量,随后将第四图像低频分量从RGB空间域转为HSV空间域,得到第五图像低频分量,并提取第五图像低频分量的V通道。
步骤(4):将第三图像低频分量的V通道与第五图像低频分量的V通道进行加权融合,保留第五图像低频分量的H、S通道,得到第六图像低频分量,随后将第六图像低频分量从HSV空间域转为RGB空间域,得到第七图像低频分量。
步骤(5):对第一图像高频分量进行去噪,得到第二图像高频分量,随后将第七图像低频分量和第二图像高频分量进行离散小波融合,并进行图像拉伸,输出增强后的低照度图像。
可选的,步骤(1)中,离散小波分解的表达式如下:
其中,为第一图像低频分量;为第一图像高频分量,包括:水平高频分量H,垂直高频分量V,对角高频分量D;为离散小波二维尺度函数;为水平、垂直、对角三个方向上的二维尺度函数;Y(i,j)为低照度图像;MN为图像的像素尺寸;l0为初始函数尺度;m,n为离散偏移量。
可选的,步骤(2)中,将第一图像低频分量从RGB空间域转为HSV空间域的表达式如下:
V=max
其中,r,g,b分别为图像红、绿、蓝三通道颜色,取0-1;max为RGB中的最大值,min为RGB中的最小值。
可选的,步骤(2)中,采用Gamma单独对V通道进行亮度矫正,Gamma值取0.5。
可选的,步骤(3)中,改进Retinex算法的表达式如下:
其中,N为高斯环绕函数个数;wn为权重系数;*为卷积运算符号;n为高斯环绕函数的n个不同尺度;R(i,j)为反射分量;I(i,j)原始图像(第一图像低频分量);hn(i,j)为双边滤波器与高斯滤波器联合加权得到的新的中心环绕函数。
可选的,步骤(3)中,中值滤波为:将窗口中心点的像素值排除,将其余像素值进行排序,取中位数据替换原窗口中心点的像素值,得到滤波后的数据。
可选的,步骤(4)中,第七图像低频分量的表达式如下:
C=V×S
X=C×(1-|(H/60°)mod2-1|)
m=V-C
(R,G,B)=((R'+m)×255,(G'+m)×255,(B'+m)×255)
其中:H为色调,取值范围为0-360度;S为饱和度,取值范围0-1;V为饱和度,取值范围0-1。
可选的,步骤(5)中,离散小波融合的表达式如下:
其中,为第一图像低频分量;为第一图像高频分量,包括:水平高频分量H,垂直高频分量V,对角高频分量D;为离散小波二维尺度函数;为水平、垂直、对角三个方向上的二维尺度函数;Z(i,j)为融合增强后的低照度图像;MN为图像的像素尺寸;l0为初始函数尺度;m,n为离散偏移量。
经由上述的技术方案可知,与现有技术相比,本发明提出了一种基于改进Retinex算法的低照度图像增强方法。通过将图像低频分量从RGB空间域转为HSV空间域,并只对V通道进行Gamma亮度矫正,再与改进Retinex算法处理后的图像低频分量融合之后转为RGB空间域,通过在HSV空间域进行V通道Gamma亮度矫正以及图像低频分量融合,实现了在矫正图像亮度的同时有效保证图像的色彩,避免图像出现局部失真现象;采用改进Retinex算法,即将双边滤波器与高斯滤波器进行加权计算,得到全新的中心环绕函数进行图像增强处理,从而达到在增强图像的同时,保持图像的平滑度,改善其对比度,并且改进后的算法对图像边缘细节有保护效果,避免图像部分细节失真现象,同时,通过改进Retinex算法对低照度图像进行图像增强,有利于视觉检测装置在光照复杂环境下的应用,提高了检测装置的泛性,可实现对检测目标进行精准识别,不仅能对生产线进行精准控制,还能做到工艺技术上的充分改良,提升整体的生产效率,推动具体企业项目(智能制造)的搭建和实施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图。
图2为本发明的中值滤波示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例1公开了一种基于改进Retinex算法的低照度图像增强方法,如图1所示,包括:
步骤(1):获取低照度图像,并利用Matlab进行离散小波分解,得到第一图像低频分量和第一图像高频分量,表达式如下:
其中,为第一图像低频分量;为第一图像高频分量,包括:水平高频分量H,垂直高频分量V,对角高频分量D;为离散小波二维尺度函数;为水平、垂直、对角三个方向上的二维尺度函数;Y(i,j)为原始图像(低照度图像);MN为图像的像素尺寸;l0为初始函数尺度;m,n为离散偏移量。
步骤(2):在RGB空间域进行计算时,由于RGB三通道关联度高,处理之后的图像会出现过增强、局部失真现象,因此将第一图像低频分量从RGB空间域转为HSV空间域,在HSV域中,各通道相互关联程度低,结果较在RGB空间域处理不会出现上述问题,表达式如下:
V=max
其中,r,g,b分别为图像红、绿、蓝三通道颜色,取0-1之间的实数;max为RGB中的最大值,min为RGB中的最小值。
并采用Gamma单独对V通道进行亮度矫正,Gamma值取0.5,得到第二图像低频分量,随后将第二图像低频分量转回RGB空间域进行双边滤波处理(亮度矫正之后图像会出现噪声点,需要对处理之后的图像进行双边滤波处理)后再转回HSV空间域,得到第三图像低频分量,并提取第三图像低频分量的V通道,进行下一步的图像低频分量融合。
步骤(3):采用基于双边滤波器与高斯滤波器联合加权作为新的中心环绕函数的改进Retinex算法对第一图像低频分量进行图像增强,较传统的Retinex算法在图像平滑度保持、增强对比度、保留边缘等方面有进一步的提升,改进Retinex算法的得出过程如下:
基于Retinex理论相关算法有SSR算法、MSR算法、MSRCR算法;单尺度Retinex(SingleScaleRetinex)算法的中心环绕函数为高斯函数,可以表示为:
I(i,j)=R(i,j)L(i,j)
其中,I(i,j)为原始图像(第一图像低频分量);R(i,j)为反射分量;L(i,j)为入射分量。
对其进行对数变换可得:
Log[R(i,j)]=Log[I(i,j)]-Log[I(i,j)*f(i,j)]
其中,*为卷积运算符号;f(i,j)为高斯环绕函数,表达式如下:
其中,c为高斯归一条件,σ为高斯环绕尺度,且满足如下条件:
∫∫f(i,j)didj=1
单尺度Retinex中的高斯核参数直接影响图像处理结果,参数单一,导致SSR局限性强;为改善SSR算法的局限性,多尺度Retinex(Multi Scale Retinex)算法将图像局部与整体信息相结合,通过不同尺度的高斯环绕函数进行加权计算,表达式如下:
传统的MSR虽然避免了单一尺度问题,但是其中心环绕函数还是高斯滤波器,会增加图像噪声,导致图像部分细节失真现象,造成增强图像质量差等问题。基于此,在MSR的基础之上,将对算法中的中心环绕核函数进行改进,将双边滤波器与高斯滤波器进行加权融合,形成新的中心环绕核函数进行图像增强处理。
其中,双边滤波器表达式如下:
其中,w(i,j,k,l)为双边加权系数,其值为空间域核d(i,j,k,l)与值域核r(i,j,k,l)的乘积,公式可表示为:
其中,f(x,y)为图像在点(x,y)处的像素值;f(k,l)为图像在点(k,l)处的像素值;σd为高斯函数的标准差核函数;σr为高斯函数标准差;(k,l)为模板窗口中心点坐标;(x,y)为定义某点坐标。
将fn(i,j)g(i,j)与加权融合,得到新的中心环绕函数hn(i,j),则改进Retinex算法的表达式如下:
其中,hn(i,j)为双边滤波器与高斯滤波器联合加权得到的新的中心环绕函数。
并进行中值滤波处理,得到第四图像低频分量,中值滤波如图2所示,为:将3X3的邻域窗口中心点的像素值排除,将其余像素值进行排序,取中位数据替换原窗口中心点的像素值,得到滤波后的数据。
随后将第四图像低频分量从RGB空间域转为HSV空间域,得到第五图像低频分量,并提取第五图像低频分量的V通道,方便进行下一步的图像低频分量融合。
步骤(4):将第三图像低频分量的V通道与第五图像低频分量的V通道进行加权融合,保留第五图像低频分量的H、S通道,得到第六图像低频分量,随后将第六图像低频分量从HSV空间域转为RGB空间域,得到第七图像低频分量,第七图像低频分量的表达式如下:
C=V×S
X=C×(1-|(H/60°)mod2-1|)
m=V-C
(R,G,B)=((R'+m)×255,(G'+m)×255,(B'+m)×255)
其中:H为色调,取值范围为0-360度;S为饱和度,取值范围0-1;V为饱和度,取值范围0-1。
步骤(5):对第一图像高频分量进行去噪,得到第二图像高频分量,经离散小波变换分解得到的第一图像高频分量,为原始图像的边缘轮廓、图像细节,图像中的噪声在大部分情况下也是高频的,因此需要通过图像去噪提高图像的质量,在去除噪声的同时兼顾保留图像的有效边缘细节,随后将第七图像低频分量和第二图像高频分量进行离散小波融合,离散小波融合的表达式如下:
其中,为第一图像低频分量;为第一图像高频分量,包括:水平高频分量H,垂直高频分量V,对角高频分量D;为离散小波二维尺度函数;为水平、垂直、对角三个方向上的二维尺度函数;Z(i,j)为重构图像(融合增强后的低照度图像);MN为图像的像素尺寸;l0为初始函数尺度;m,n为离散偏移。
并进行图像拉伸,改善图像的对比度,输出增强后的低照度图像。
本发明实施例公开了一种基于改进Retinex算法的低照度图像增强方法。通过将图像低频分量从RGB空间域转为HSV空间域,并只对V通道进行Gamma亮度矫正,再与改进Retinex算法处理后的图像低频分量融合之后转为RGB空间域,通过在HSV空间域进行V通道Gamma亮度矫正以及图像低频分量融合,实现了在矫正图像亮度的同时有效保证图像的色彩,避免图像出现局部失真现象;采用改进Retinex算法,即将双边滤波器与高斯滤波器进行加权计算,得到全新的中心环绕函数进行图像增强处理,从而达到在增强图像的同时,保持图像的平滑度,改善其对比度,并且改进后的算法对图像边缘细节有保护效果,避免图像部分细节失真现象,同时,通过改进Retinex算法对低照度图像进行图像增强,有利于视觉检测装置在光照复杂环境下的应用,提高了检测装置的泛性,可实现对检测目标进行精准识别,不仅能对生产线进行精准控制,还能做到工艺技术上的充分改良,提升整体的生产效率,推动具体企业项目(智能制造)的搭建和实施。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于改进Retinex算法的低照度图像增强方法,其特征在于,包括:
步骤(1):获取低照度图像,并进行离散小波分解,得到第一图像低频分量和第一图像高频分量;
步骤(2):将所述第一图像低频分量从RGB空间域转为HSV空间域,并单独对V通道进行亮度矫正,得到第二图像低频分量,随后将所述第二图像低频分量转回RGB空间域进行双边滤波处理后再转回HSV空间域,得到第三图像低频分量,并提取所述第三图像低频分量的V通道;
步骤(3):采用基于双边滤波器与高斯滤波器联合加权作为新的中心环绕函数的改进Retinex算法对所述第一图像低频分量进行图像增强,并进行中值滤波处理,得到第四图像低频分量,随后将所述第四图像低频分量从RGB空间域转为HSV空间域,得到第五图像低频分量,并提取所述第五图像低频分量的V通道;
步骤(4):将所述第三图像低频分量的V通道与所述第五图像低频分量的V通道进行加权融合,保留所述第五图像低频分量的H、S通道,得到第六图像低频分量,随后将所述第六图像低频分量从HSV空间域转为RGB空间域,得到第七图像低频分量;
步骤(5):对所述第一图像高频分量进行去噪,得到第二图像高频分量,随后将所述第七图像低频分量和所述第二图像高频分量进行离散小波融合,并进行图像拉伸,输出增强后的所述低照度图像。
4.根据权利要求1所述的一种基于改进Retinex算法的低照度图像增强方法,其特征在于,步骤(2)中,采用Gamma单独对V通道进行亮度矫正,Gamma值取0.5。
6.根据权利要求1所述的一种基于改进Retinex算法的低照度图像增强方法,其特征在于,步骤(3)中,所述中值滤波为:将窗口中心点的像素值排除,将其余像素值进行排序,取中位数据替换原窗口中心点的像素值,得到滤波后的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211012700.3A CN115358948A (zh) | 2022-08-23 | 2022-08-23 | 一种基于改进Retinex算法的低照度图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211012700.3A CN115358948A (zh) | 2022-08-23 | 2022-08-23 | 一种基于改进Retinex算法的低照度图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358948A true CN115358948A (zh) | 2022-11-18 |
Family
ID=84002752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211012700.3A Pending CN115358948A (zh) | 2022-08-23 | 2022-08-23 | 一种基于改进Retinex算法的低照度图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422656A (zh) * | 2023-12-14 | 2024-01-19 | 西南交通大学 | 一种低照度模糊交通图像增强方法、装置、设备及介质 |
-
2022
- 2022-08-23 CN CN202211012700.3A patent/CN115358948A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422656A (zh) * | 2023-12-14 | 2024-01-19 | 西南交通大学 | 一种低照度模糊交通图像增强方法、装置、设备及介质 |
CN117422656B (zh) * | 2023-12-14 | 2024-04-12 | 西南交通大学 | 一种低照度模糊交通图像增强方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
CN109389560B (zh) | 一种自适应加权滤波图像降噪方法、装置及图像处理设备 | |
CN110246088B (zh) | 基于小波变换的图像亮度降噪方法及其图像降噪系统 | |
CN112561804A (zh) | 基于多尺度细节增强的低光照水下图像增强方法 | |
CN107169977B (zh) | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 | |
CN107784639B (zh) | 一种无人机遥感图像改进多边滤波去噪方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
Liu et al. | Low-light video image enhancement based on multiscale retinex-like algorithm | |
CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
KR20130000827A (ko) | 이미지의 에지 향상 방법 | |
CN111968065A (zh) | 一种亮度不均匀图像的自适应增强方法 | |
Peng et al. | Multi-algorithm fusion of RGB and HSV color spaces for image enhancement | |
CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
CN115358948A (zh) | 一种基于改进Retinex算法的低照度图像增强方法 | |
CN112070717A (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
CN110675332A (zh) | 一种金属腐蚀图像质量的增强方法 | |
CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN111611940A (zh) | 一种基于大数据处理的快速视频人脸识别方法 | |
CN111598794A (zh) | 一种去除水下重叠情况的图像成像方法及装置 | |
CN110545414A (zh) | 一种图像锐化方法 |
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 |