CN115564682A - 一种光照不均图像增强方法及系统 - Google Patents
一种光照不均图像增强方法及系统 Download PDFInfo
- Publication number
- CN115564682A CN115564682A CN202211320688.2A CN202211320688A CN115564682A CN 115564682 A CN115564682 A CN 115564682A CN 202211320688 A CN202211320688 A CN 202211320688A CN 115564682 A CN115564682 A CN 115564682A
- Authority
- CN
- China
- Prior art keywords
- illumination
- component
- correction
- image
- components
- 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 434
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 189
- 230000004927 fusion Effects 0.000 claims abstract description 85
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims 1
- 238000012935 Averaging Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation 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
-
- 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
-
- 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
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种光照不均图像增强方法及系统。该方法包括:将待增强图像转换到HSV空间得到亮度分量,并基于亮度分量进行多尺度滤波和加权平均后得到平均光照分量;再对平均光照分量进行细化处理后进行多尺度光照校正,得到校正幅度不同的光照校正分量;然后基于光照分量进行二值化得到光照正常区域遮罩和光照不足区域遮罩,并基于不同的光照区域遮罩和不同的光照校正分量进行加权融合,得到两个融合光照分量;再基于两个融合光照分量进行加权计算,得到融合亮度分量;最后再转换回RGB空间得到增强后图像。本发明能有效避免单尺度校正导致的图像部分区域过增强和部分区域欠增强,实现有针对性的光照校正,提升图像增强质量。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种光照不均图像增强方法及系统。
背景技术
数字图像处理系统广泛应用于工业生产、视频监控、智能检测等多个领域,并发挥着重要的作用。然而,由于图像采集过程中各种不可控因素导致的各种缺陷,特别是室内照明、夜间照明、多云天气等光照不均的不利条件下,使得图像采集系统采集的图像往往存在较大缺陷。例如采集的图像存在色彩失真、噪声过大、亮度过低和光照不均等问题。因此,在光照不均条件下采集到清晰的图像成为了亟待解决的问题。图像增强技术提供了一种可能的解决方案,因为图像增强不仅满足了更好的视觉体验的需要,而且提高了视觉系统的可靠性和鲁棒性,使得增强后的图像更能满足图像处理系统的要求。现有的图像增强算法虽能实现不良光照条件下的图像增强,但是增强效果有待提高。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种光照不均图像增强方法及系统,能有效解决。
为实现上述目的,按照本发明的一个方面,提供了一种光照不均图像增强方法,其包括:
获取待增强图像,并将所述待增强图像转换到HSV空间,得到色调分量图、饱和度分量图和亮度分量图;
基于所述亮度分量图进行多尺度滤波得到多个不同尺度的光照分量,并基于多个所述光照分量加权平均得到平均光照分量;
基于所述平均光照分量进行细化处理,得到细化图像;
基于所述细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量;
基于光照分量进行二值化并调整尺寸至与所述亮度分量图相同,并进行滤波得到光照正常区域遮罩和光照不足区域遮罩;
基于两个所述光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量;
基于PCA算法确定两个所述融合光照分量的权重进行加权融合,得到融合亮度分量;
基于所述融合亮度分量、所述色调分量图和所述饱和度分量图转换到RGB空间,得到增强后图像。
在一些实施方式中,所述基于所述细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量包括:
基于所述饱和度分量图和两个权重系数确定两个光照校正系数;
基于两个所述光照校正系数、所述细化图像和所述亮度分量图进行光照校正,得到两个所述光照校正分量,其中,光照校正系数与光照校正分量的校正幅度为负相关关系。
在一些实施方式中,所述基于所述饱和度分量图和两个权重系数确定两个光照校正系数包括:
基于所述饱和度分量图确定其平均值;
将所述平均值分别与两个所述权重系数相乘,得到两个所述光照校正系数,其中,所述光照校正系数与所述权重系数为正相关关系。
在一些实施方式中,所述将所述平均值分别与两个所述权重系数相乘,得到两个所述光照校正系数包括:
所述基于两个所述光照校正系数、所述细化图像和所述亮度分量图进行光照校正,得到两个所述光照校正分量包括:
在一些实施方式中,所述基于光照分量进行二值化并调整至与所述亮度分量图相同的尺寸,得到光照正常区域遮罩和光照不足区域遮罩包括:
确定多个所述不同尺度的光照分量中的最小尺度光照分量;
基于所述最小尺度光照分量进行遍历计算,得到不同阈值对应的多个类间方差;
确定多个所述类间方差中最大值对应的阈值作为最终阈值;
基于所述最终阈值对所述最小尺度光照分量进行二值化,并进行滤波得到光照正常区域和光照不足区域分开的二值图;
基于所述二值图进行放大至与所述亮度分量图相同的尺寸,得到所述光照正常区域遮罩和所述光照不足区域遮罩。
在一些实施方式中,所述基于两个所述光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量包括:
基于两个所述光照校正分量中的第一光照校正分量、第一亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第一融合光照分量;
基于两个所述光照校正分量中的第二光照校正分量、第二亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第二融合光照分量;其中,所述第一光照校正分量的校正幅度大于所述第二光照校正分量;所述第一亮度调整系数小于所述第二亮度调整系数。
在一些实施方式中,所述基于两个所述光照校正分量中的第一光照校正分量、第一亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第一融合光照分量包括:
根据如下公式进行所述第一融合光照分量的加权计算:Iv1′=Mn*(coef1*Iv1+(1-coef1)*Iv)+Md*Iv1,其中,Iv1′表示所述第一融合光照分量,coef1表示所述第一亮度调整系数,Iv表示所述亮度分量图,Mn和Md分别表示所述光照正常区域遮罩和所述光照不足区域遮罩;
所述基于两个所述光照校正分量中的第二光照校正分量、第二亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第二融合光照分量包括:
根据如下公式进行所述第二融合光照分量的加权计算:Iv2′=Mn*(coef2*Iv2+(1-coef2)*Iv)+Md*Iv2,其中,Iv2′表示所述第二融合光照分量,coef2表示所述第二亮度调整系数。
根据本发明的另一方面,提供了一种光照不均图像增强系统,其包括:
输入转换模块,用于获取待增强图像,还用于将所述待增强图像转换到HSV空间,得到色调分量图、饱和度分量图和亮度分量图;
滤波细化模块,用于基于所述亮度分量图进行多尺度滤波得到多个不同尺度的光照分量,还用于基于多个所述光照分量加权平均得到平均光照分量;还用于基于所述平均光照分量进行细化处理,得到细化图像;
校正分区模块,用于基于所述细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量;还用于基于光照分量进行二值化并调整尺寸至与所述亮度分量图相同,得到光照正常区域遮罩和光照不足区域遮罩;
加权融合模块,用于基于两个所述光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量;还用于基于PCA算法确定两个所述融合光照分量的权重进行加权融合,得到融合亮度分量;
增强转换模块,用于基于所述融合亮度分量、所述色调分量图和所述饱和度分量图转换到RGB空间,得到增强后图像。
根据本发明的又一方面,提供了一种电子设备,包括:处理器;与处理器通信连接的存储器;存储器存储有可被处理器执行的指令,指令被处理器执行,以使处理器能够执行上述光照不均图像增强方法。
根据本发明的又一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现上述光照不均图像增强方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:通过将待增强图像转换到HSV空间得到亮度分量,并基于亮度分量进行多尺度滤波和加权平均后得到平均光照分量,保证光照分量提取的精度;再对平均光照分量进行细化处理后进行多尺度光照校正,得到校正幅度不同的光照校正分量,实现对光照不足区域进行较大幅度的校正、对光照正常区域进行较小幅度的校正;然后基于光照分量进行二值化阈值分割得到光照正常区域遮罩和光照不足区域遮罩,并基于不同的光照区域遮罩和不同的光照校正分量进行加权融合,得到两个融合光照分量;再基于两个融合光照分量进行特征提取确定不同的权重系数来加权计算,得到融合亮度分量;最后再转换回RGB空间得到增强后图像。本发明通过不同尺度的光照校正来对光照亮度不同的区域进行差异化校正,同时通过准确提取光照正常区域遮罩和光照不足区域遮罩,并结合差异化校正后的光照分量设置不同权重系数,进一步对不同光照亮度的区域分别进行不同程度的增强,从而有效避免单尺度校正导致的图像部分区域过增强和部分区域欠增强,实现有针对性的光照校正,提升图像增强质量。
附图说明
图1是本发明实施例的光照不均图像增强方法的流程示意图;
图2是本发明实施例的多尺度光照校正的流程示意图;
图3是本发明实施例的确定不同区域遮罩的流程示意图;
图4是本发明实施例的确定融合光照分量的流程示意图;
图5是本发明实施例的待增强图像的示意图;
图6是基于现有算法对图5进行图像增强后的结果示意图;
图7是本发明实施例的对图5进行图像增强后的结果示意图;
图8是本发明实施例的电子设备的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。正如本领域技术人员可以认识到的那样,在不脱离本申请的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
现有的图像增强算法主要分为以下4类,包括:1)基于直方图均衡化的图像增强算法;2)基于Retinex理论的图像增强算法;3)基于图像融合的图像增强算法;4)基于深度学习的图像增强算法。
基于直方图均衡化的图像增强算法主要包括AHE、CLAHE、POSHE、WAHE、EPMPCE、BBHE和CVC等算法。基于Retinex理论的图像增强算法主要包括SSR、MSR、MSRCR和STAR等算法。基于图像融合的图像增强算法主要包括全局和局部增强融合算法。基于深度学习的图像增强算法主要包括SSDA和MSR-net等算法。以上算法虽然都能实现光照不均条件下的图像增强,但是效果均存在不足。
本发明提供的光照不均图像增强方法及系统,可对不良光照条件下的图像进行有效改善。尤其是在处理背光条件下拍摄的图像时,本发明可有效避免图像由于同时存在光照正常和光照不足区域而容易出现对光照正常区域过增强和光照不足区域欠增强的问题,实现可靠的图像增强。
如图1所示,本发明实施例的光照不均图像增强方法包括如下步骤S1至S8:
S1:获取待增强图像,并将待增强图像转换到HSV空间,得到色调分量图、饱和度分量图和亮度分量图。
在一些实施方式中,通过图像采集设备获取待增强图像I,将输入的RGB图像I转换到HSV空间,得到色调分量图Ih、饱和度分量图Is和亮度分量图Iv。具体地,可通过如下公式(1)至(6)来计算得到色调分量图Ih、饱和度分量图Is和亮度分量图Iv。
(R′,G′,B′)=(R,G,B)/255.0 (1)
Max=max(R′,G′,B′) (2)
Min=min(R′,G′,B′) (3)
Iv=Max (5)
Is=Max-Min (6)
其中,R、G、B分别表示待增强图像I的RGB各通道分量;R'、G'和B'分别表示R、G和B的归一化结果;Max和Min分别表示R'、G'和B'分量中的最大值和最小值。
S2:基于亮度分量图进行多尺度滤波得到多个不同尺度的光照分量,并基于多个光照分量加权平均得到平均光照分量。
在一些实施方式中,对亮度分量图Iv进行多尺度滤波,通过改变滤波参数,提取到多个不同尺度的光照分量Iv_f1、Iv_f2、……,再进行加权平均得到平均光照分量Iv_f。具体地,通过如下公式(7)计算平均值得到平均光照分量Iv_f。
其中,Iv_fi(x,y)表示第i个尺度滤波提取的光照分量,N表示尺度数,Iv_f(x,y)表示融合后的平均光照分量。可以理解的是,可选择的滤波方案有高斯滤波和均值滤波等,本发明对此不作限制。
S3:基于平均光照分量进行细化处理,得到细化图像。在一些实施方式中,对平均光照分量Iv_f进行细化处理,得到细化图像Iv_g,以此保留光照分量的局部特征,有效减少图像的细节丢失。具体地,可使用的细化处理方案有引导滤波和基于加权最小二乘法的保边缘平滑滤波器等边缘保持滤波器等。在本发明实施例中使用引导滤波,其计算量较小,图像质量也较好。具体通过如下公式(8)至(18)实现对平均光照分量Iv_f的细化处理:
MI=fmean(I) (8)
Mp=fmean(P) (9)
CI=fmean(I.*I) (10)
CIP=fmean(I.*P) (11)
VI=CI-MI.*MI (12)
CovIP=CIP-MI.*MP (13)
a=CovIP./(VI+ε) (14)
b=MP-a.*MI (15)
Ma=fmean(a) (16)
Mb=fmean(b) (17)
Q=Ma.*I+Mb (18)
其中,I表示参考图像,P表示滤波输入图像,Q表示滤波输出图像,fmean()表示矩形窗口尺寸为r*r的像素的均值,M表示均值结果,r表示窗口尺寸,C表示相关矩阵,.*表示矩阵点乘,V表示方差矩阵,Cov表示协方差矩阵,a和b表示对参考图像进行线性变换的系数,ε表示正则化参数。在本发明实施例中,参考图像I设置为亮度分量图Iv,滤波输入图像设置为平均光照分量Iv_f,r设置为5,正则化参数ε设置为0.01,得到的输出图像Q即为细化图像Iv_g。
S4:基于细化图像和亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量。在一些实施方式中,基于细化图像Iv_g和亮度分量图Iv进行多尺度光照校正,得到校正后的光照校正分量Iv1和Iv2,Iv1和Iv2的校正幅度不同。其中,光照校正分量Iv1的校正幅度较大,主要是对光照不足区域的光照校正;光照校正分量Iv2的校正幅度较小,主要是针对光照正常区域的光照校正。不同尺度的校正可以有效避免单尺度校正导致图像部分区域过增强和部分区域欠增强,实现针对性的光照校正。
图2所示为本发明实施例的多尺度光照校正的流程示意图,包括步骤S41至S42:
S41:基于饱和度分量图和两个权重系数确定两个光照校正系数。在本发明实施例中,所述基于所述饱和度分量图和两个权重系数确定两个光照校正系数包括:基于饱和度分量图Is确定其平均值Is;将平均值Is分别与两个权重系数α1和α2相乘,得到两个光照校正系数k1和k2,其中,光照校正系数与权重系数为正相关关系。具体地,根据如下公式(19)得到两个光照校正系数k1和k2:
S42:基于两个光照校正系数、细化图像和亮度分量图进行光照校正,得到两个光照校正分量,其中,光照校正系数与光照校正分量的校正幅度为负相关关系。在本发明实施例中,根据如下公式(20)得到两个光照校正分量Iv1和Iv2:
其中,Ivi表示两个光照校正分量,i=1、2,Iv表示亮度分量图,Iv_g表示细化图像。
在本发明实施例中,权重系数越小,图像校正幅度越大,为了获取两个不同尺度的光照分量校正结果,可将α1和α2分别设置为0.1和1,以获得2个不同校正程度的光照校正分量Iv1和Iv2,且两种尺度的光照校正分量区别较大,包含的光照范围更广,有利于后续选择合适的光照强度。另外,在校正函数中采用max(Iv,Iv_g)抑制对光照校正分量Ivi的过增强问题,可明显改善图像质量。
在其他一些实施方式中,在步骤S2之前,还可包括将亮度分量图Iv缩小N倍(例如N=6),得到图像Iv_d的步骤,该步骤主要是为了减少后续对于亮度分量图Iv处理的计算量,缩短处理时间。可以理解的是,当存在缩小步骤时,后续步骤S2则对缩小后的图像Iv_d进行多尺度滤波后得到多个不同尺度的光照分量,并基于多个光照分量进行加权平均得到平均光照分量。相应地,当存在缩小步骤时,在步骤S3之前,还包括将S2得到的平均光照分量Iv_f放大N倍,得到图像Iv_up,并在步骤S3中基于图像Iv_up进行细化处理,得到细化图像Iv_g。
S5:基于光照分量进行二值化并调整尺寸至与亮度分量图相同,并进行滤波得到光照正常区域遮罩和光照不足区域遮罩。在一些实施方式中,通过OTSU阈值分割算法对最小尺度光照分量进行二值化,主要是依据亮度分量图Iv的亮度信息进行阈值计算,获取到一个合适的阈值进行阈值分割,使得光照正常和光照较暗区域mask,为后期针对不同区域分别进行不同强度的增强做准备,有效避免图像同一尺度增强导致的光照正常区域过增强和光照不足区域欠增强问题。
图3所示为本发明实施例的确定不同区域遮罩的流程示意图,包括步骤S51至S55:
S51:确定多个不同尺度的光照分量中的最小尺度光照分量。具体地,在上述步骤S2中多尺度滤波得到的多个不同尺度的光照分量Iv_f1、Iv_f2、……中,确定光照分量Iv_f1为最小尺度光照分量。
S52:基于最小尺度光照分量进行遍历计算,得到不同阈值对应的多个类间方差。具体地,根据如下公式(21)基于光照分量Iv_f1进行遍历计算,得到不同阈值i时的类间方差g:
g(i)=p0(i)*p1(i)*(m0(i)-m1(i))2 (21)
其中,p0(i)和p1(i)分别表示阈值为i时背景像素和前景像素占总像素的比例,m0(i)和m1(i)分别表示阈值为i时背景像素和前景像素的平均值。
S53:确定多个类间方差中最大值对应的阈值作为最终阈值。具体地,在上述步骤得到的g(i)中选取最大值对应的阈值i作为最终阈值对图像进行分割。
S54:基于最终阈值对最小尺度光照分量进行二值化,得到光照正常区域和光照不足区域分开的二值图。具体地,根据如下公式(22)对光照分量Iv_f1进行二值化:
其中,out表示输出像素,in表示输入像素,即小于阈值i的像素赋值为0,大于阈值i的像素赋值为1,得到光照正常和光照不足区域分开的二值图。
S55:基于二值图进行放大至与亮度分量图相同的尺寸,并进行滤波得到光照正常区域遮罩和光照不足区域遮罩。具体地,将上述步骤得到的二值图放大到与亮度分量图Iv相同的尺寸,得到Iv_b,便于后续mask加权融合。然后通过对Iv_b进行高斯滤波得到滤波结果Iv_bf,再通过如下公式(23)至(24)进一步提取出光照正常区域遮罩Mn和光照不足区域遮罩Md:
Mn=Iv_bf (23)
Md=1-Mn (24)
在本发明实施例中,上述高斯滤波的尺度参数设置为30,也可根据实际需求设置为不同的数值大小,本发明对此不作限制。
S6:基于两个光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量。在一些实施方式中,使用上述步骤S5得到的光照正常区域遮罩Mn和光照不足区域遮罩Md对步骤S4得到的校正后的光照校正分量Iv1和Iv2进行mask加权融合得到Iv1′和Iv2′,减少对亮度正常区域的校正程度。在进行加权融合时,通过调整光照正常区域和光照不足区域的权重控制不同区域的光照校正尺度。
图4所示为本发明实施例的确定融合光照分量的流程示意图,包括步骤S61至S62:
S61:基于两个光照校正分量中的第一光照校正分量、第一亮度调整系数、亮度分量图、光照正常区域遮罩和光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第一融合光照分量。具体地,通过如下公式(25)对第一光照校正分量Iv1进行mask加权融合,得到第一融合光照分量Iv1′:
Iv1′=Mn*(coef1*Iv1+(1-coef1)*Iv)+Md*Iv1 (25)
其中,coef1表示第一亮度调整系数。
S62:基于两个光照校正分量中的第二光照校正分量、第二亮度调整系数、亮度分量图、光照正常区域遮罩和光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第二融合光照分量。具体地,通过如下公式(26)对第二光照校正分量Iv2进行mask加权融合,得到第二融合光照分量Iv2′:
Iv2′=Mn*(coef2*Iv2+(1-coef2)*Iv)+Md*Iv2 (26)
其中,coef2表示第二亮度调整系数。
在一些实施方式中,第一光照校正分量的校正幅度大于第二光照校正分量;第一亮度调整系数小于第二亮度调整系数。在本发明实施例中,coef1和coef2分别设置成0.4和0.6,可以理解的是,该系数越大,对光照正常区域的校正幅度就越大。
在本发明实施例中,对于光照正常区域遮罩Mn,使用光照校正分量Iv1或Iv2与原始亮度分量图Iv进行加权融合,光照校正分量Iv1或Iv2的融合权重比光照不足区域遮罩Md的权重小,一定程度上避免亮度正常区域的过增强。对于光照不足区域遮罩Md,直接使用光照校正分量Iv1和Iv2,即光照校正分量Iv1和Iv2的权重的值设置为1,亮度分量图Iv的权重设置为0,最大程度实现对光照不足区域的增强,从而有效避免亮度不足区域的欠增强。
对于光照正常区域,第一光照校正分量Iv1和第二光照校正分量Iv2的权重的值设置得较小,而原始的亮度分量图Iv的权重设置得较大,避免对亮度正常区域的过增强;对于光照不足区域,第一光照校正分量Iv1和第二光照校正分量Iv2的权重的值设置得较大,而原始的亮度分量图Iv的权重设置得较小,以避免亮度对不足区域的欠增强。由此实现对不同光照区域进行不同程度的光照校正,有效避免对图像的过增强或欠增强,提升整体的图像增强效果。
S7:基于PCA算法确定两个融合光照分量的权重进行加权融合,得到融合亮度分量。在一些实施方式中,通过PCA算法计算出Iv1′和Iv2′的权重并进行加权融合得到,得到融合亮度分量Iv_p,实现多尺度光照校正融合,提升图像质量。具体地,将第一融合光照分量Iv1′和第二融合光照分量Iv2′分别展开一个n维列向量,用Xp表示,其中p=1,2,如下公式(27)所示:
通过如下公式(28)至(29)计算矩阵X的协方差矩阵C:
创建特征值公式|λI-C|=0,并计算出协方差矩阵C的特征值(λ1,λ2)和对应的特征向量(ξ1,ξ2),其中,ξi是一个2维列的向量,即[ξi1,ξi2]T。
通过如下公式(30)选择较大的特征值:
r=arg max(λl) (30)
其中,l=1或2。
通过如下公式(31)计算最大特征值对应的特征向量,从而计算各融合光照分量的权重系数:
然后根据计算得到的不同权重系数ω1和ω2通过如下公式(32)计算最终融合亮度分量Iv_p:
Iv_p=ω1Iv1′+ω2Iv2′ (32)
由此,基于不同融合光照分量结合PCA算法确定最大特征值对应的特征向量,计算各融合光照分量不同的权重系数,根据图像特征进行加权融合,有效提升图像质量。
S8:基于融合亮度分量、色调分量图和饱和度分量图转换到RGB空间,得到增强后图像。在一些实施方式中,将上述加权融合后的融合亮度分量Iv_p作为亮度分量,结合色调分量图Ih和饱和度分量图Is将HSV空间转换到RGB空间,得到增强后图像Ic。具体地,通过如下公式(33)至(36)将色调分量图Ih、饱和度分量图Is和融合亮度分量Iv_p组成的HSV空间转换到RGB空间,得到增强后图像Ic:
C=S (33)
X=C(1-|H′mod2-1|) (35)
其中,H、S和V分量分别表示输入的HSV空间色调分量图Ih、饱和度分量图Is和亮度分量图Iv_p,R、G和B分别表示增强后图像Ic对应RGB空间的R、G和B分量。
可以理解的是,在一些实施方式中,还包括输出增强后图像Ic。
图5所示为待增强图像的示例,可见其中存在较大的光照强度较暗区域,图像显示效果较差。图6所示为基于现有的其他算法对图5进行图像增强后的结果,图7所示为基于本发明实施例的光照不均图像增强方法对图5进行图像增强后的结果,经对比可见,本发明的图像增强方法可在有效提升光照不足区域的亮度的同时保留更多的细节,且不存在过增强或欠增强情况,整体对图像的增强效果更好。
采用本发明实施例的光照不均图像增强方法,通过将待增强图像转换到HSV空间得到亮度分量,并基于亮度分量进行多尺度滤波和加权平均后得到平均光照分量,保证光照分量提取的精度;再对平均光照分量进行细化处理后进行多尺度光照校正,得到校正幅度不同的光照校正分量,实现对光照不足区域进行较大幅度的校正、对光照正常区域进行较小幅度的校正;然后基于光照分量进行二值化阈值分割得到光照正常区域遮罩和光照不足区域遮罩,并基于不同的光照区域遮罩和不同的光照校正分量进行加权融合,得到两个融合光照分量;再基于两个融合光照分量进行特征提取确定不同的权重系数来加权计算,得到融合亮度分量;最后再转换回RGB空间得到增强后图像。本发明通过不同尺度的光照校正来对光照亮度不同的区域进行差异化校正,同时通过准确提取光照正常区域遮罩和光照不足区域遮罩,并结合差异化校正后的光照分量设置不同权重系数,进一步对不同光照亮度的区域分别进行不同程度的增强,从而有效避免单尺度校正导致的图像部分区域过增强和部分区域欠增强,实现有针对性的光照校正,且不同亮度区域的边界融合较好,整体有效提升了图像增强质量。
本申请实施例还提供了一种光照不均图像增强系统,包括:
输入转换模块,用于获取待增强图像,还用于将待增强图像转换到HSV空间,得到色调分量图、饱和度分量图和亮度分量图;
滤波细化模块,用于基于亮度分量图进行多尺度滤波得到多个不同尺度的光照分量,还用于基于多个光照分量加权平均得到平均光照分量;还用于基于平均光照分量进行细化处理,得到细化图像;
校正分区模块,用于基于细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量;还用于基于光照分量进行二值化并调整尺寸至与亮度分量图相同,得到光照正常区域遮罩和光照不足区域遮罩;
加权融合模块,用于基于两个光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量;还用于基于PCA算法确定两个融合光照分量的权重进行加权融合,得到融合亮度分量;
增强转换模块,用于基于融合亮度分量、色调分量图和饱和度分量图转换到RGB空间,得到增强后图像。
在一些实施方式中,校正分区模块用于基于饱和度分量图和两个权重系数确定两个光照校正系数;还用于基于两个光照校正系数、细化图像和亮度分量图进行光照校正,得到两个光照校正分量,其中,光照校正系数与光照校正分量的校正幅度为负相关关系。
在一些实施方式中,校正分区模块用于基于饱和度分量图确定其平均值;还用于将平均值分别与两个所述权重系数相乘,得到两个光照校正系数,其中,光照校正系数与权重系数为正相关关系。
在一些实施方式中,校正分区模块用于根据如下公式得到两个光照校正系数:其中,αi表示权重系数,i=1、2,表示饱和度分量图的平均值,W表示饱和度分量图像素的总数;还用于根据如下公式得到两个光照校正分量:其中,Ivi表示两个光照校正分量,i=1、2,Iv表示亮度分量图,Iv_g表示细化图像。
在一些实施方式中,校正分区模块,用于确定多个不同尺度的光照分量中的最小尺度光照分量;还用于基于最小尺度光照分量进行遍历计算,得到不同阈值对应的多个类间方差;还用于确定多个类间方差中最大值对应的阈值作为最终阈值;还用于基于最终阈值对最小尺度光照分量进行二值化,得到光照正常区域和光照不足区域分开的二值图;还用于基于二值图进行放大至与亮度分量图相同的尺寸,并进行滤波得到光照正常区域遮罩和光照不足区域遮罩。
在一些实施方式中,加权融合模块,用于基于两个光照校正分量中的第一光照校正分量、第一亮度调整系数、亮度分量图、光照正常区域遮罩和光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第一融合光照分量;还用于基于两个光照校正分量中的第二光照校正分量、第二亮度调整系数、亮度分量图、光照正常区域遮罩和光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第二融合光照分量;其中,第一光照校正分量的校正幅度大于第二光照校正分量;第一亮度调整系数小于第二亮度调整系数。
在一些实施方式中,加权融合模块,用于根据如下公式进行第一融合光照分量的加权计算:Iv1′=Mn*(coef1*Iv1+(1-coef1)*Iv)+Md*Iv1,其中,Iv1′表示第一融合光照分量,coef1表示第一亮度调整系数,Iv表示亮度分量图,Mn和Md分别表示光照正常区域遮罩和光照不足区域遮罩;还用于根据如下公式进行第二融合光照分量的加权计算:Iv2′=Mn*(coef2*Iv2+(1-coef2)*Iv)+Md*Iv2,其中,Iv2′表示第二融合光照分量,coef2表示第二亮度调整系数。
本发明的光照不均图像增强系统的各个模块的更具体实现方式可以参见对于本发明的光照不均图像增强方法的描述,且具有与之相似的有益效果,在此不再赘述。
图8为根据本申请一实施例的电子设备的结构框图。本申请实施例还提供了一种电子设备,如图8所示,该电子设备包括:至少一个处理器701,以及与至少一个处理器701通信连接的存储器703。存储器703内存储有可被至少一个处理器701执行的指令。指令被至少一个处理器701执行。处理器701执行该指令时实现上述实施例中的光照不均图像增强方法。存储器703和处理器701的数量可以为一个或多个。该电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
该电子设备还可以包括通信接口705,用于与外界设备进行通信,进行数据交互传输。各个设备利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器701可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器703、处理器701及通信接口705集成在一块芯片上,则存储器703、处理器701及通信接口705可以通过内部接口完成相互间的通信。
应理解的是,上述处理器可以是中央处理器(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(Advanced RISC Machines,ARM)架构的处理器。
本申请实施例提供了一种计算机可读存储介质(如上述的存储器703),其存储有计算机指令,该程序被处理器执行时实现本申请实施例中提供的方法。
可选的,存储器703可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据驾驶场景重构方法的电子设备的使用所创建的数据等。此外,存储器703可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器703可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至驾驶场景重构方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或多个(两个或两个以上)用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种光照不均图像增强方法,其特征在于,包括:
获取待增强图像,并将所述待增强图像转换到HSV空间,得到色调分量图、饱和度分量图和亮度分量图;
基于所述亮度分量图进行多尺度滤波得到多个不同尺度的光照分量,并基于多个所述光照分量加权平均得到平均光照分量;
基于所述平均光照分量进行细化处理,得到细化图像;
基于所述细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量;
基于光照分量进行二值化并调整尺寸至与所述亮度分量图相同,并进行滤波得到光照正常区域遮罩和光照不足区域遮罩;
基于两个所述光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量;
基于PCA算法确定两个所述融合光照分量的权重进行加权融合,得到融合亮度分量;
基于所述融合亮度分量、所述色调分量图和所述饱和度分量图转换到RGB空间,得到增强后图像。
2.如权利要求1所述的光照不均图像增强方法,其特征在于,所述基于所述细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量包括:
基于所述饱和度分量图和两个权重系数确定两个光照校正系数;
基于两个所述光照校正系数、所述细化图像和所述亮度分量图进行光照校正,得到两个所述光照校正分量,其中,光照校正系数与光照校正分量的校正幅度为负相关关系。
3.如权利要求2所述的光照不均图像增强方法,其特征在于,所述基于所述饱和度分量图和两个权重系数确定两个光照校正系数包括:
基于所述饱和度分量图确定其平均值;
将所述平均值分别与两个所述权重系数相乘,得到两个所述光照校正系数,其中,所述光照校正系数与所述权重系数为正相关关系。
5.如权利要求1所述的光照不均图像增强方法,其特征在于,所述基于光照分量进行二值化并调整至与所述亮度分量图相同的尺寸,并进行滤波得到光照正常区域遮罩和光照不足区域遮罩包括:
确定多个所述不同尺度的光照分量中的最小尺度光照分量;
基于所述最小尺度光照分量进行遍历计算,得到不同阈值对应的多个类间方差;
确定多个所述类间方差中最大值对应的阈值作为最终阈值;
基于所述最终阈值对所述最小尺度光照分量进行二值化,得到光照正常区域和光照不足区域分开的二值图;
基于所述二值图进行放大至与所述亮度分量图相同的尺寸,并进行滤波得到所述光照正常区域遮罩和所述光照不足区域遮罩。
6.如权利要求1至5中任一项所述的光照不均图像增强方法,其特征在于,所述基于两个所述光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量包括:
基于两个所述光照校正分量中的第一光照校正分量、第一亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第一融合光照分量;
基于两个所述光照校正分量中的第二光照校正分量、第二亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第二融合光照分量;其中,所述第一光照校正分量的校正幅度大于所述第二光照校正分量;所述第一亮度调整系数小于所述第二亮度调整系数。
7.如权利要求5所述的光照不均图像增强方法,其特征在于,所述基于两个所述光照校正分量中的第一光照校正分量、第一亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第一融合光照分量包括:
根据如下公式进行所述第一融合光照分量的加权计算:Iv1′=Mn*(coef1*Iv1+(1-coef1)*Iv)+Md*Iv1,其中,Iv1′表示所述第一融合光照分量,coef1表示所述第一亮度调整系数,Iv表示所述亮度分量图,Mn和Md分别表示所述光照正常区域遮罩和所述光照不足区域遮罩;
所述基于两个所述光照校正分量中的第二光照校正分量、第二亮度调整系数、所述亮度分量图、所述光照正常区域遮罩和所述光照不足区域遮罩进行加权计算,得到两个融合光照分量中的第二融合光照分量包括:
根据如下公式进行所述第二融合光照分量的加权计算:Iv2′=Mn*(coef2*Iv2+(1-coef2)*Iv)+Md*Iv2,其中,Iv2′表示所述第二融合光照分量,coef2表示所述第二亮度调整系数。
8.一种光照不均图像增强系统,其特征在于,包括:
输入转换模块,用于获取待增强图像,还用于将所述待增强图像转换到HSV空间,得到色调分量图、饱和度分量图和亮度分量图;
滤波细化模块,用于基于所述亮度分量图进行多尺度滤波得到多个不同尺度的光照分量,还用于基于多个所述光照分量加权平均得到平均光照分量;还用于基于所述平均光照分量进行细化处理,得到细化图像;
校正分区模块,用于基于所述细化图像和所述亮度分量图进行多尺度光照校正,得到两个校正幅度不同的光照校正分量;还用于基于光照分量进行二值化并调整尺寸至与所述亮度分量图相同,得到光照正常区域遮罩和光照不足区域遮罩;
加权融合模块,用于基于两个所述光照校正分量、光照正常区域遮罩和光照不足区域遮罩进行加权融合,得到两个融合光照分量;还用于基于PCA算法确定两个所述融合光照分量的权重进行加权融合,得到融合亮度分量;
增强转换模块,用于基于所述融合亮度分量、所述色调分量图和所述饱和度分量图转换到RGB空间,得到增强后图像。
9.一种电子设备,其特征在于,包括:
处理器;
与所述处理器通信连接的存储器;
所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行权利要求1至7中任一项所述的光照不均图像增强方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1至7中任一项所述的光照不均图像增强方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022108429471 | 2022-07-18 | ||
CN202210842947 | 2022-07-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564682A true CN115564682A (zh) | 2023-01-03 |
Family
ID=84768387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211320688.2A Pending CN115564682A (zh) | 2022-07-18 | 2022-10-26 | 一种光照不均图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564682A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI831688B (zh) * | 2023-05-04 | 2024-02-01 | 和碩聯合科技股份有限公司 | 監控圖像中亮度改變的方法及其裝置 |
-
2022
- 2022-10-26 CN CN202211320688.2A patent/CN115564682A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI831688B (zh) * | 2023-05-04 | 2024-02-01 | 和碩聯合科技股份有限公司 | 監控圖像中亮度改變的方法及其裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Biologically inspired image enhancement based on Retinex | |
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 | |
Kim et al. | Optimized contrast enhancement for real-time image and video dehazing | |
Sun et al. | Fast single image haze removal via local atmospheric light veil estimation | |
Sahu et al. | Single image dehazing using a new color channel | |
Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
CN115115554B (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
CN111369570B (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
Zou et al. | Infrared and low-light visible image fusion based on hybrid multiscale decomposition and adaptive light adjustment | |
CN115578284A (zh) | 一种多场景图像增强方法及系统 | |
CN108229583B (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
Mu et al. | Low and non-uniform illumination color image enhancement using weighted guided image filtering | |
Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
Shi et al. | A joint deep neural networks-based method for single nighttime rainy image enhancement | |
Jeon et al. | Low-light image enhancement using inverted image normalized by atmospheric light | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN115564682A (zh) | 一种光照不均图像增强方法及系统 | |
Vijayalakshmi et al. | A strategic approach towards contrast enhancement by two-dimensional histogram equalization based on total variational decomposition | |
CN117422631A (zh) | 基于自适应滤波分层的红外图像增强方法 | |
Ma et al. | Image adaptive contrast enhancement for low-illumination lane lines based on improved Retinex and guided filter | |
Singh et al. | Multiscale reflection component based weakly illuminated nighttime image enhancement | |
CN116452447A (zh) | 一种低照度高清图像处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |