CN115526806A - 基于人工智能的黑光图像自动校色方法 - Google Patents
基于人工智能的黑光图像自动校色方法 Download PDFInfo
- Publication number
- CN115526806A CN115526806A CN202211312537.2A CN202211312537A CN115526806A CN 115526806 A CN115526806 A CN 115526806A CN 202211312537 A CN202211312537 A CN 202211312537A CN 115526806 A CN115526806 A CN 115526806A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- contrast
- background image
- template
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Abstract
本发明涉及数据处理技术领域,具体涉及基于人工智能的黑光图像自动校色方法,包括:获取灰度图像中的背景图像;获取灰度图像与模板图像对应的角点的对比度比值;根据灰度图像与模板图像中对应的角点的对比度比值及背景图像与模板图像的对比度得到灰度图像与模板图像的对比度系数;根据灰度图像与模板图像的对比度系数和背景图像中像素点的灰度值对背景图像进行伽马变换得到变换后的背景图像,获取变换后背景图像的失真程度;根据失真程度对背景图像的变换程度进行调整得到背景图像的最佳增强程度,根据最佳增强程度对灰度图像进行增强得到增强后的灰度图像。本发明在保证黑光图像不失真的前提下,实现了夜间黑光图像的校色。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于人工智能的黑光图像自动校色方法。
背景技术
随着社会的发展,为了克服也玩啊光线黑暗而导致视频监控不清晰的问题,制造出了黑光摄像机满足低照度场景下全彩成像的使用环境要求,全面提升夜间监控效果,提供彩色、清晰、透亮的监控画面,有效提升对细节信息的捕获能力。既解决传统摄像机因红外补光而丢失色彩信息的难题,又解决星光摄像机因夜间环境光不足而导致画面噪点过大的困难,但是在夜晚光线弱的环境下黑光摄像机会因为光线弱导致在视觉上出现色彩偏差的情况。
现有技术对黑光图像进行色彩校正是基于传统图像处理的颜色校正方法,使用暗部,中灰,亮部模块分别对图像的暗部区域、中灰区域和高亮区域进行调节,每个模块都有R、G、B三个参数可调,分别调节图像R、G、B通道的数值,实现对该区域色彩信息的调节;但是对低照度的黑光图像进行增强,因为照度低导致黑光图像的颜色差异较小,若直接调节黑光图像R、G、B通道的数值,会因为各通道的颜色差异值太小,在校色的过程中导致黑光图像失真,使得黑光图像无法识别。
发明内容
本发明提供基于人工智能的黑光图像自动校色方法,以解决现有的在校色的过程中导致黑光图像失真的问题。
本发明的基于人工智能的黑光图像自动校色方法,采用如下技术方案:
获取监控设备在白天无人状态时拍摄的任意一帧监控图像作为模板图像,获取夜间任意一帧的黑光图像,并将该黑光图像转换为灰度图像,获取灰度图像中的背景图像;
对所述灰度图像与模板图像进行角点匹配得到匹配的角点对,利用角点对中每个角点的灰度值与该角点邻域内每个像素点灰度值得到每个角点对的对比度比值;
利用每个角点对的对比度比值及背景图像和模板图像的对比度得到灰度图像与模板图像的对比度系数,将该对比度系数作为最大对比度系数;
根据最大对比度系数及小于最大对比度系数内的多个数值对背景图像进行伽马变换得到每次变换后的背景图像,根据每次变换前后背景图像中像素点的灰度值得到每个对比度系数下背景图像的变换程度和变换后背景图像的失真程度,将失真程度最小时对应的背景图像的变换程度作为最佳增强程度;
利用最佳增强程度对黑光图像进行增强得到增强后的黑光图像。
进一步的,所述灰度图像中的背景图像是按如下方法确定的:
利用SIFT算法获取灰度图像与模板图像中对应的角点;
根据灰度图像与模板图像中对应的角点得到灰度图像与模板图像对应的像素点;
对灰度图像与模板图像间对应的像素点进行差分得到灰度图像的背景图像。
进一步的,所述得到每个角点对的对比度比值的方法是:
获取灰度图像与模板图像对应的角点在灰度图像中的灰度值及该角点在灰度图像中的灰度值与该角点8邻域每个像素点的灰度值的差值得到多个第一差值;
将每个第一差值进行累加得到第一差值的累加和;
同理,得到该角点在模板图像中的灰度值与该角点8邻域每个像素点的灰度值的差值得到多个第二差值;
将每个第二差值进行累加得到第二差值的累加和;
根据每个角点对应的第一差值的累加和及第二差值的累加和得到灰度图像与模板图像对应的角点对的对比度比值。
进一步的,所述灰度图像与模板图像的对比度系数的具体表达式为:
式中:Q表示灰度图像与模板图像的对比度系数,Cy1表示模板图像的对比度,Cy2表示背景图像的对比度,Zy′表示灰度图像与模板图像对应的角点的对比度比值的均值。
进一步的,所述变换后的背景图像是按如下方法确定的:
将灰度图像与模板图像的对比度系数作为伽马系数对背景图像中的每个像素点进行
变换得到背景图像中每个变换后的像素点;
将背景图像中每个变换后的像素点所组成的图像作为变换后的背景图像。
进一步的,将变换前后背景图像中对应位置任意像素点的灰度值的比值作为背景图像的变换程度。
进一步的,所述变换后背景图像的失真程度是按如下方法确定的:
获取每个对比度系数下变换前后的背景图像中对应像素点的灰度差,将每个对比度系数每个灰度差平方并求和得到每个对比度系数对应的累加和;
对每个对比度系数对应的累加和求均值得到每个对比度系数下变换后背景图像的失真程度。
进一步的,所述增强后的黑光图像是按如下方法确定的:
对黑光图像中的像素点的像素值进行归一化得到归一化后黑光图像中像素点的像素值;
利用最佳增强程度分别对归一化后黑光图像中像素点的像素值进行增强得到黑光图像中每个增强后的像素点的像素值;
将黑光图像中每个增强后的像素点的像素值所组成的图像作为增强后的黑光图像。
本发明的有益效果是:本发明的首先获取了待增强图像的背景图像和前景图像,根据背景图像获取了对比度系数的范围,根据对比度系数的范围对背景图像进行变换,并计算变换后背景图像的失真程度,根据每个对比度系数下的失真程度得到最佳增强程度,保证了对黑光图像进行校正时不失真;再根据最佳增强程度对夜间的黑光图像进行整体增强,因此,本发明首先利用背景图像与模板图像存在的相同的部分进行参照,获取最佳增强程度,其次根据最佳增强程度对夜间的黑光图像进行整体增强,保证了增强后的黑光图像不失真,即完成了对夜间黑光图像的校色。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于人工智能的黑光图像自动校色方法的实施例的流程示意图。
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。
本发明的基于人工智能的黑光图像自动校色方法的实施例,如图1所示,包括:
S1、获取监控设备在白天无人状态时拍摄的任意一帧监控图像作为模板图像,获取夜间任意一帧的黑光图像,并将该黑光图像转换为灰度图像,获取灰度图像中的背景图像。
本发明主要是对夜晚的黑光图像进行增强,根据白天的黑光图像对夜晚的黑光图像进行校正,因为安装的夜视智能相机的位置的固定的,通过旋转摄像头来采集不同方位的图像,因此,为了提高图像匹配的精度,需要采集多张白天光照充足环境下的不同方位的黑光图像,且是监控视频的监控区域白天无人状态时的黑光图像,将每个方位的黑光图像作为模板图像进行保存,获取同一监控视频不同方位的夜间的黑光图像,将不同方位的夜间黑光图像进行保存,本实施例以同一角度下的模板图像和黑光图像(均为RGB图像)为例,根据模板图像对黑光图像进行校正,后文中所有模板图像和黑光图像均指同一角度下的模板图像和黑光图像。
对模板图像和黑光图像进行灰度化和去噪处理,得到模板图像的灰度图像和黑光图像的灰度图像,后文中的模板图像均为模板图像的灰度图像,灰度图像均为黑光图像的灰度图像,在这里采用中值滤波对图像进行去噪,中值滤波为现有已知技术,在此不再赘述。
获取灰度图像的背景图像的具体步骤为:利用SIFT算法获取灰度图像与模板图像中对应的角点,根据灰度图像与模板图像中对应的角点得到灰度图像与模板图像对应的像素点,对灰度图像与模板图像间对应的像素点进行差分得到灰度图像的背景图像和前景图像。
通过SIFT角点匹配的方法找到灰度图像与模板图像的角点,对两幅图像进行角点匹配,对角点匹配后的灰度图像与模板图像进行图像差分,因为灰度图像与模板图像之间存在位置差异,因此在进行图像差分时,根据角点匹配的结果,首先将对应的角点进行对应得到匹配后的角点对,然后再将图像进行差分,在图像差分的过程中,根据上述匹配成功的角点对得到灰度图像与模板图像对应的像素点,然后根据两幅图像对应的像素点进行差分,获得差分图像与背景图像。其中,差分图像为前景图像,至此得到了灰度图像的背景图像和前景图像。
S2、分别获取背景图像与模板图像的对比度,根据灰度图像与模板图像中对应的角点在灰度图像和模板图像中的灰度值及该角点所在8邻域的灰度值得到灰度图像与模板图像对应的角点的对比度比值。
获取背景图像与模板图像的对比度Cy1和Cy2,利用对比度计算公式可直接获取。
得到灰度图像与模板图像对应的角点的对比度比值的具体步骤为:获取灰度图像与模板图像对应的角点在灰度图像中的灰度值及该角点在灰度图像中的灰度值与该角点8邻域每个像素点的灰度值的差值得到多个第一差值;将每个第一差值进行累加得到第一差值的累加和;同理,得到该角点在模板图像中的灰度值与该角点8邻域每个像素点的灰度值的差值得到多个第二差值;将每个第二差值进行累加得到第二差值的累加和;根据每个角点对应的第一差值的累加和及第二差值的累加和得到灰度图像与模板图像对应的该角点的对比度比值,灰度图像与模板图像对应的角点的对比度比值的具体表达式为:
式中:Zy表示灰度图像与模板图像对应的角点的对比度比值,I1z表示该角点在模板图像中的灰度值,I1i表示该角点在模板图像中该角点8邻域内第i个像素点的灰度值,I2z表示该角点在灰度图像中的灰度值,I2j表示该角点在灰度图像中该角点8邻域内第j个像素点的灰度值。
其中,该公式根据灰度图像与模板图像中,对应角点的八邻域像素点,周围像素点与中心像素点的灰度差值的比值表示相同位置之间的对比度差异,若两幅图像的相同位置的差异越大,说明图像的对比度的差异越大,根据此公式可得到每个对应的角点的对比度比值。
需要说明的是,灰度图像与模板图像进行角点匹配得到匹配的角点对,利用角点对中每个角点的灰度值与该角点邻域内每个像素点灰度值得到每个角点对的对比度比值,其中,角点对即为灰度图像与模板图像中对应的角点。
S3、利用每个角点对的对比度比值及背景图像和模板图像的对比度得到灰度图像与模板图像的对比度系数,将该对比度系数作为最大对比度系数。
获取灰度图像与模板图像中每个对应的角点的对比度比值的均值Zy′,根据背景图像与模板图像的对比度Cy1和Cy2,以及Zy′得到灰度图像与模板图像的对比度系数,具体表达式为:
式中:Q表示灰度图像与模板图像的对比度系数,Cy1表示模板图像的对比度,Cy2表示背景图像的对比度,Zy′表示灰度图像与模板图像对应的角点的对比度比值的均值,0.35、0.65为权重。
其中,对整体对比度参数与局部像素点的对比度差异赋予不同的权重,得到最终的两幅图像的对比度差异参数,因为整体的对比度参数是主要评价图像变化的特征量,因此赋予较大的权重,局部像素点的对比度是对图像的整体对比度的修正,因此赋予较小的权重。
需要说明的是,该对比度系数为灰度图像与模板图像的最大对比度系数,因为利用模板图像对夜间黑光图像进行校色,因此,该对比度系数为灰度图像与模板图像的最大对比度系数。
S4、根据最大对比度系数及小于最大对比度系数内的多个数值对背景图像进行伽马变换得到每次变换后的背景图像,根据每次变换前后背景图像中像素点的灰度值得到每个对比度系数下背景图像的变换程度和变换后背景图像的失真程度,将失真程度最小时对应的背景图像的变换程度作为最佳增强程度。
得到每个对比度系数下变换后的背景图像的具体步骤为:将最大对比度系数及小于最大对比度系数内的多个数值作为伽马系数对背景图像中的每个像素点进行变换得到每个对比度系数下背景图像中每个变换后的像素点;将每个对比度系数下背景图像中每个变换后的像素点所组成的图像作为每个对比度系数下变换后的背景图像。
采用伽马变换实现图像的增强,在本发明中根据最大对比度系数及小于最大对比度系数内的多个数值对背景图像进行增强,其每个对比度系数就为一次伽马变换中的伽马系数,将背景图像中每个像素点的灰度值进行归一化得到背景图像中每个像素点归一化后的灰度值,对背景图像中每个像素点归一化后的灰度值进行伽马变换,具体表达式为:
sQv=c·rv Q
式中:sQv表示对比度系数Q下背景图像中第v个像素点变换后的灰度值,rv表示背景图像中第v个像素点归一化后的灰度值,Q表示灰度图像与模板图像的最大对比度系数,c表示校正系数,为常数。
其中,通过伽马变换对图像实现增强,其特点为将灰度过高或者灰度过低的图片进行修正,能够增强图像的对比度,灰度图像与模板图像的对比度系数越大,说明背景图像的对比度就越小,需要变换的程度就越大,因此将灰度图像与模板图像的对比度系数作为伽马变换的系数,能够实现根据每个图像对比度不同,而增强程度不同。该公式为现有技术,本发明不再赘述。
将背景图像中每个像素点变换后的灰度值所组成的图像作为变换后的背景图像,至此,得到了变换后的灰度图像。
需要说明的是,根据最大对比度系数及小于最大对比度系数内的多个数值重复步骤S4得到每个对比度系数下变换后的背景图像。
根据最大对比度系数及小于最大对比度系数内的多个数值对变换后背景图像进行校正,因为在对图像进行校正的过程中不可能与原背景图像相同,在校正到一定程度变换后的背景图像会出现失真的现象,因此需要一边矫正一边计算变换后的背景图像的失真率。
得到每个对比度系数下背景图像的变换程度和变换后背景图像的失真程度的具体步骤为:将每次变换前后背景图像中对应位置任意像素点的灰度值的比值作为每个对比度系数下背景图像的变换程度,因为变换是同等程度的,因此,利用每次变换前后背景图像中对应位置任意像素点的灰度值的比值作为背景图像的变换程度即可;变换后背景图像的失真程度的具体表达式如下:
式中:MSEQ表示对比度系数Q下变换后背景图像的失真程度,SQ(i,j)表示对比度系数Q下变换后背景图像中像素点(i,j)的灰度值,K(i,j)表示背景图像中像素点(i,j)的灰度值,变换前后像素点个数不变,对应位置不变,m*n表示像素点的个数。该公式为现有技术,本发明不再赘述。
需要说明的是,每个对比度系数下变换后的背景图像都对应一个失真程度。
其中,MSEQ的取值范围为[0,+∞],当取值越小时,表示变换后的背景图像的失真程度越小,当取值越大时,表示变换后的背景图像的失真程度越大,则通过变换后的背景图像与模板图像进行比较,获得变换后的背景图像的失真程度,该公式为现有技术,本发明不再赘述。
S5、利用最佳增强程度对黑光图像进行增强得到增强后的黑光图像。
将变换后背景图像的最小失真程度对应的背景图像的变换程度作为背景图像的最佳增强程度Gs′max。
得到增强后的黑光图像的具体步骤为:对黑光图像中的像素点的像素值进行归一化得到归一化后灰度图像中像素点的像素值;利用最佳增强程度分别对归一化后黑光图像中像素点的像素值进行增强得到黑光图像中每个增强后的像素点的像素值;将黑光图像中每个增强后的像素点的像素值所组成的图像作为增强后的黑光图像,完成了对夜间黑光图像的增强,以最佳变换程度为伽马系数对黑光图像进行增强,具体表达式为:
式中:s′z表示黑光图像中第z个增强后的像素点的像素值,Gs′max表示最佳变换程度,c表示校正系数,为常数,rz表示黑光图像中第z个像素点的像素值,该公式逻辑与所述公式sv=c·rv Q的逻辑相同,本发明不再赘述。
得到增强后的黑光图像,即完成了对夜间黑光图像的增强,即完成了对夜间黑光图像的校正,补偿了视觉上存在的视觉偏差。
本发明的有益效果是:本发明的首先获取了待增强图像的背景图像和前景图像,根据背景图像获取了对比度系数的范围,根据对比度系数的范围对背景图像进行变换,并计算变换后背景图像的失真程度,根据每个对比度系数下的失真程度得到最佳增强程度,保证了对黑光图像进行校正时不失真;再根据最佳增强程度对夜间的黑光图像进行整体增强,因此,本发明首先利用背景图像与模板图像存在的相同的部分进行参照,获取最佳增强程度,其次根据最佳增强程度对夜间的黑光图像进行整体增强,保证了增强后的黑光图像不失真,即完成了对夜间黑光图像的校色。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于人工智能的黑光图像自动校色方法,其特征在于,包括:
获取监控设备在白天无人状态时拍摄的任意一帧监控图像作为模板图像,获取夜间任意一帧的黑光图像,并将该黑光图像转换为灰度图像,获取灰度图像中的背景图像;
对所述灰度图像与模板图像进行角点匹配得到匹配的角点对,利用角点对中每个角点的灰度值与该角点邻域内每个像素点灰度值得到每个角点对的对比度比值;
利用每个角点对的对比度比值及背景图像和模板图像的对比度得到灰度图像与模板图像的对比度系数,将该对比度系数作为最大对比度系数;
根据最大对比度系数及小于最大对比度系数内的多个数值对背景图像进行伽马变换得到每次变换后的背景图像,根据每次变换前后背景图像中像素点的灰度值得到每个对比度系数下背景图像的变换程度和变换后背景图像的失真程度,将失真程度最小时对应的背景图像的变换程度作为最佳增强程度;
利用最佳增强程度对黑光图像进行增强得到增强后的黑光图像。
2.根据权利要求1所述的基于人工智能的黑光图像自动校色方法,其特征在于,所述灰度图像中的背景图像是按如下方法确定的:
利用SIFT算法获取灰度图像与模板图像中对应的角点;
根据灰度图像与模板图像中对应的角点得到灰度图像与模板图像对应的像素点;
对灰度图像与模板图像间对应的像素点进行差分得到灰度图像的背景图像。
3.根据权利要求1所述的基于人工智能的黑光图像自动校色方法,其特征在于,所述得到每个角点对的对比度比值的方法是:
获取灰度图像与模板图像对应的角点在灰度图像中的灰度值及该角点在灰度图像中的灰度值与该角点8邻域每个像素点的灰度值的差值得到多个第一差值;
将每个第一差值进行累加得到第一差值的累加和;
同理,得到该角点在模板图像中的灰度值与该角点8邻域每个像素点的灰度值的差值得到多个第二差值;
将每个第二差值进行累加得到第二差值的累加和;
根据每个角点对应的第一差值的累加和及第二差值的累加和得到灰度图像与模板图像对应的角点对的对比度比值。
5.根据权利要求1所述的基于人工智能的黑光图像自动校色方法,其特征在于,所述变换后的背景图像是按如下方法确定的:
将灰度图像与模板图像的对比度系数作为伽马系数对背景图像中的每个像素点进行变换得到背景图像中每个变换后的像素点;
将背景图像中每个变换后的像素点所组成的图像作为变换后的背景图像。
6.根据权利要求1所述的基于人工智能的黑光图像自动校色方法,其特征在于,将变换前后背景图像中对应位置任意像素点的灰度值的比值作为背景图像的变换程度。
7.根据权利要求1所述的基于人工智能的黑光图像自动校色方法,其特征在于,所述变换后背景图像的失真程度是按如下方法确定的:
获取每个对比度系数下变换前后的背景图像中对应像素点的灰度差,将每个对比度系数每个灰度差平方并求和得到每个对比度系数对应的累加和;
对每个对比度系数对应的累加和求均值得到每个对比度系数下变换后背景图像的失真程度。
8.根据权利要求1所述的基于人工智能的黑光图像自动校色方法,其特征在于,所述增强后的黑光图像是按如下方法确定的:
对黑光图像中的像素点的像素值进行归一化得到归一化后黑光图像中像素点的像素值;
利用最佳增强程度分别对归一化后黑光图像中像素点的像素值进行增强得到黑光图像中每个增强后的像素点的像素值;
将黑光图像中每个增强后的像素点的像素值所组成的图像作为增强后的黑光图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211312537.2A CN115526806B (zh) | 2022-10-25 | 2022-10-25 | 基于人工智能的黑光图像自动校色方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211312537.2A CN115526806B (zh) | 2022-10-25 | 2022-10-25 | 基于人工智能的黑光图像自动校色方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115526806A true CN115526806A (zh) | 2022-12-27 |
CN115526806B CN115526806B (zh) | 2023-10-20 |
Family
ID=84704573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211312537.2A Active CN115526806B (zh) | 2022-10-25 | 2022-10-25 | 基于人工智能的黑光图像自动校色方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526806B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN116863253A (zh) * | 2023-09-05 | 2023-10-10 | 光谷技术有限公司 | 基于大数据分析的运维风险预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007298778A (ja) * | 2006-04-28 | 2007-11-15 | Sony Corp | 表示輝度最適化装置、自発光表示装置及びコンピュータプログラム |
US20080252791A1 (en) * | 2007-04-13 | 2008-10-16 | Tomoo Mitsunaga | Image processing device and method, and program |
JP2010062919A (ja) * | 2008-09-04 | 2010-03-18 | Ricoh Co Ltd | 画像処理装置、画像処理方法、プログラムおよび記録媒体 |
CN107527333A (zh) * | 2017-07-31 | 2017-12-29 | 湖北工业大学 | 一种基于伽马变换的快速图像增强方法 |
CN107945163A (zh) * | 2017-11-23 | 2018-04-20 | 广州酷狗计算机科技有限公司 | 图像增强方法及装置 |
WO2019223068A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 虹膜图像局部增强方法、装置、设备及存储介质 |
-
2022
- 2022-10-25 CN CN202211312537.2A patent/CN115526806B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007298778A (ja) * | 2006-04-28 | 2007-11-15 | Sony Corp | 表示輝度最適化装置、自発光表示装置及びコンピュータプログラム |
US20080252791A1 (en) * | 2007-04-13 | 2008-10-16 | Tomoo Mitsunaga | Image processing device and method, and program |
JP2010062919A (ja) * | 2008-09-04 | 2010-03-18 | Ricoh Co Ltd | 画像処理装置、画像処理方法、プログラムおよび記録媒体 |
CN107527333A (zh) * | 2017-07-31 | 2017-12-29 | 湖北工业大学 | 一种基于伽马变换的快速图像增强方法 |
CN107945163A (zh) * | 2017-11-23 | 2018-04-20 | 广州酷狗计算机科技有限公司 | 图像增强方法及装置 |
WO2019223068A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 虹膜图像局部增强方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张鸿雁;罗永莲;武丽芬;: "关联规则的红外图像对比度自适应增强方法", 激光杂志, vol. 38, no. 05, pages 1454 - 1458 * |
金秋明;王朔中;李茜;张新鹏;: "基于角点检测的稳健图像摘要", 中国图象图形学报, vol. 13, no. 08, pages 1454 - 1459 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN116843584B (zh) * | 2023-09-01 | 2023-11-07 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN116863253A (zh) * | 2023-09-05 | 2023-10-10 | 光谷技术有限公司 | 基于大数据分析的运维风险预警方法 |
CN116863253B (zh) * | 2023-09-05 | 2023-11-17 | 光谷技术有限公司 | 基于大数据分析的运维风险预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115526806B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115526806B (zh) | 基于人工智能的黑光图像自动校色方法 | |
US20210049744A1 (en) | Method for image dehazing based on adaptively improved linear global atmospheric light of dark channel | |
CN102682436B (zh) | 一种改进的多尺度Retinex理论的图像增强方法 | |
CN107798652A (zh) | 图像处理方法、装置、可读存储介质和电子设备 | |
CN112419181B (zh) | 一种宽动态红外图像细节增强方法 | |
CN111292257B (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
CN106454014B (zh) | 一种提高逆光场景车辆抓拍图像质量的方法及装置 | |
CN110414308B (zh) | 一种针对输电线路上动态异物的目标识别方法 | |
CN110163807B (zh) | 一种基于期望亮通道的低照度图像增强方法 | |
CN109660736A (zh) | 平场校正方法及装置、图像验证方法及装置 | |
CN113643214B (zh) | 一种基于人工智能的图像曝光校正方法及系统 | |
KR102377318B1 (ko) | 광노출 보정 및 화질 개선을 위한 hdr 기법 | |
CN112104847B (zh) | 一种基于残差和高频替换的sony-rgbw阵列彩色重构方法 | |
CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
CN109118450B (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN115984535A (zh) | 一种用于钻井作业现场的低照度图像判断以及图像增强方法 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN113432723B (zh) | 用于弱化杂散辐射的图像处理方法、系统及计算机系统 | |
CN111325688A (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
CN113781367A (zh) | 一种低照度图像直方图均衡后降噪方法 | |
CN111476732B (zh) | 一种图像融合及去噪的方法及系统 | |
KR102277005B1 (ko) | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 | |
CN111932478A (zh) | 一种非制冷红外焦平面的自适应非均匀校正方法 | |
CN113706424B (zh) | 一种基于人工智能的果冻效应图像校正方法及系统 | |
CN110674737A (zh) | 一种虹膜识别的增强方法 |
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 |