CN116188339A - 一种基于Retinex及图像融合的暗视觉图像增强方法 - Google Patents
一种基于Retinex及图像融合的暗视觉图像增强方法 Download PDFInfo
- Publication number
- CN116188339A CN116188339A CN202211578929.3A CN202211578929A CN116188339A CN 116188339 A CN116188339 A CN 116188339A CN 202211578929 A CN202211578929 A CN 202211578929A CN 116188339 A CN116188339 A CN 116188339A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- original
- scotopic
- retinex
- 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
- 230000004296 scotopic vision Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 20
- 230000002146 bilateral effect Effects 0.000 claims description 18
- 238000005286 illumination Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000004438 eyesight Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012942 design verification Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20028—Bilateral 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Abstract
本发明属于计算机视觉与图像处理技术领域,具体涉及一种基于Retinex及图像融合的暗视觉图像增强方法,该方法包括:获取原始暗视觉图像的V分量,进行改进的Retinex增强处理,得到第一处理图像;基于V分量进行设计的自适应亮度补偿策略得到第二处理图像;基于第二处理图像进行对比度补偿得到第三处理图像;分别基于图像的亮度、图像梯度、曝光度对三张处理图像进行多尺度融合得到增强V分量,得到最终的增强图像。本发明能够获得较佳的图像增强效果,可以在亮度增强、对比度增强和自然度保持三者之间取得良好的平衡,使图像增强后更符合人类视觉特征。
Description
技术领域
本发明属于计算机视觉与图像处理技术领域,具体涉及一种基于Retinex理论与图像融合技术的暗视觉图像增强方法。
背景技术
在人们日常的生活及生产中,难免会在夜晚采集数字图像,从而获取当时的信息,以视频监控为例,在夜晚环境中采集到的图像,由于夜间照明的特性,光源来源复杂,强弱不一,使得拍摄的图像呈现出大量的暗区,亮度值可能极低,并且可能存在大量的噪声,人眼视觉的对比度分辨率严重下降,导致人们很难观察到图像中的有用信息。因此,暗视觉环境下图像的细节、结构信息恢复是一个严峻的挑战。
暗视觉环境下的图像相比较一般的低照度图像,其灰度值更低,且灰度差别很小,通常在几十级内,加之图像存在整体灰度值偏低和局部灰度值偏低两种情况,现有的方法不能很好的满足暗视觉环境下的图像增强,现如今国内外的许多专家学者提出了大量的低照度图像增强方法,但适合暗视觉环境下的图像增强算法需要进一步设计验证,且现有方法也存在很多缺点,如:基于直方图均衡化的方法能有效提高对比度且处理速度快,但易出现色偏现象,而且由于灰度级合并而丢失细节信息;基于Retinex理论的方法在图像的边缘等光照变化较为强烈的区域,容易产生“光晕”现象;基于去雾模型的方法虽能够在一定程度上提高视觉质量,但增强后的图像往往不符合实际场景,且容易在边缘出现伪影。
发明内容
有鉴于此,本发明提供了一种基于Retinex及图像融合的暗视觉图像增强方法,可以提高暗视觉环境下图像的亮度及对比度,使图像看起来更加自然。本发明的技术方案步骤包括如下:
获取原始暗视觉图像,并提取出所述原始暗视觉图像的V分量;
对所述原始暗视觉图像的V分量进行改进的Retinex增强,得到第一处理图像;
对所述原始暗视觉图像的V分量进行自适应亮度补偿,得到第二处理图像;
对所述第二处理图像进行对比度补偿,得到第三处理图像;
对三张处理图像分别按照亮度权重、图像梯度权重、图像曝光度权重进行多尺度融合,得到最终增强的暗视觉图像V分量。
本发明的有益效果:
本发明通过改进的联合双边滤波用于Retinex增强,可以更好的保留暗视觉图像中光照突变的边缘部分,避免了过度平滑导致增强结果中的光晕现象;本发明通过对非完全Beta函数灰度变换参数的自适应调整,能够在暗视觉图像增强上表现出极大的灵活性,可以进一步提升图像的亮度;本发明通过将图像的亮度分布权重、图像梯度权重,图像曝光度权重组合,应用在现有的拉普拉斯金字塔融合方法上,得到融合图像,最终得到增强图像。本发明具有增强图像画面清晰,整体亮度均匀,对比度更高,画面细节更多等效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对实施例中需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一部分实施例,对于本领域普通技术人员来说,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是本发明的一种基于Retinex及多尺度融合的暗视觉图像增强方法流程图;
图2是本发明的改进的Retinex增强流程示意图;
图3是本发明的光照分量估计示意图;
图4是本发明在暗视觉环境下采集到的图像;
图5是本发明进行图像增强后的效果图。
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。
本申请实例提供一种基于Retinex及多尺度融合的暗视觉图像增强方法,具体实施流程如图1所示,在本发明实例中,本发明获取原始图像;再进行改进的Retinex增强处理得到第一处理图像;进行设计的自适应亮度补偿策略得到第二处理图像;进行对比度补偿得到第三处理图像;最后将三张处理图像基于设计的图像权重信息进行多尺度融合,得到目标图像。具体包括以下步骤:
S1:获取原始暗视觉图像,并提取出所述原始暗视觉图像的V分量;
其中,暗视觉图像是指使用图像采集设备在环境亮度低于0.001cd/m2时的成像环境中采集的原始图像,所述原始图像的平均背景灰度在0到47之间,本发明可以对所述原始图像的具体内容不做出限制,例如所述原始图像可以是包含人物对象的图像,也可以是包含汽车对象的图像,还可以是包含环境对象的图像。
其中,获取原始图像的方式可以有很多种,比如可以用相机通过控制环境光亮度拍摄符合要求的原始图像等等。
在一实施例中,还可以从现有的数据集,如LOL数据集中筛选符合要求的作为原始图像。
在本发明实施例中,需要从原始图像的HSV通道中提取出V分量,其中,HSV代表的参数分别为:色调(H),饱和度(S),亮度(V)。色调H:用角度度量,取值范围为0°~360,红、绿、蓝分别相隔120度。互补色分别相差180度。人类对色彩的感知中,最显著的、最重要的一方面确实可以说是色相;饱和度S:表示颜色纯净的程度,取值范围为0.0~1.0,S=0时,只有灰度;亮度V:表示颜色的明暗程度,取值范围为0.0(黑色)~1.0(白色);通过提取出表征亮度的V分量,能够更好的获取暗视觉图像中亮度信息。S2:对所述原始暗视觉图像的V分量进行改进的Retinex增强,得到第一处理图像;
在一些实施例中,如图2所示,可以采用下述方法的3个步骤(1)、(2)、(3)进行改进的Retinex增强:
(1)将原始图像从RGB颜色空间转为HSV颜色空间
具体地,可以采用现有的下述公式进行转换:
V=max(R,G,B)
其中,R表示输入RGB图像中R通道的值,G表示输入RGB图像中G通道的值,B表示输入RGB图像中B通道的值,即将原始图像输入到R、G、B通道中得到的图像的矩阵。提取原始图像V分量的目的是可以只对图像的亮度通道V进行处理,不改变色调H和饱和度S。
(2)根据V分量进行图像的照度分量估计。
在本发明实例中,将原始Retinex理论中估计图像照度分量的高斯滤波替代为改进的联合双边滤波。
具体地,改进的联合双边滤波包括:将原始图像在YCbCr空间上的Y通道图像作为联合滤波的引导图像,作为值域权重计算的依据;在联合双边滤波空间域相似相度量中引入图像结构相似性指数,利用所述图像结构相似性指数计算得到联合双边滤波值域权重,并通过所述结构相似性参数的归一化系数计算得到引导图像与所述原始暗视觉图像的V分量之间的联合双边滤波输出图像,即为Retinex理论中所需的入射分量L。
原始图像中的Y分量可以利用下述计算获得:
Y=0.257*R+0.504*G+0.098*B+16
其中,R表示输入RGB图像中R通道的值,G表示输入RGB图像中G通道的值,B表示输入RGB图像中B通道的值,即将原始图像输入到R、G、B通道中得到的图像的矩阵。
引入的结构性指数SSIM可以利用下述变换公式获得:
对所述结构相似性参数进行归一化,其对应的归一化系数KSM为:
利用结构相似性参数和归一化系数KSM,得到改进后的联合双边滤波相似性度量函数可以表示为:
其中,Ω表示像素点集合,Kp表示归一化因子,I表示输入图像,即原始暗视觉图像的V分量,Ω表示像素点集合,Iq表示原始暗视觉图像的V分量上像素点q的灰度值。
进一步展开可得:
其中,σs是控制空间邻近度因子的标准差,Kp为归一化因子:
(x,y)和(u,v)分别为p像素点和q像素点的坐标。
(3)根据Retinex算法计算原始V通道图像的反射分量,获得增强图像。
具体地,Retinex理论把原始暗视觉图像分解为两个不同的图像:反射图像和光照图像,可以通过对光照分量进行估计,如图3所示,从而得到反应图像本质的反射分量,可以通过下述公式获得:、
其中,R为反射分量(反射图像),I为原始暗视觉图像的V分量,L为入射分量(光照图像,即为上述步骤(2)中的JBF[I]p的值),δ为极小值,防止分母为0的情况。
S3:对所述原始暗视觉图像的V分量进行自适应亮度补偿,得到第二处理图像;
具体地,采用JND自适应的控制非完全Beta函数中α,β参数的值,并用于图像的灰度调整。
具体地,非完全Beta函数变换如下:
其中,(α,u)∈[0,10],K为原始图像像素,F(u)为灰度变换后的图像。
增强步骤如下:
(1)对图像的像素值进行归一化处理;
其中,f′(x,y)表示图像归一化的灰度值,max(G)和min(G)分别表示原图像灰度的最大值和最小值。
(2)采用JND自适应的控制非完全Beta函数中α,β参数的值;
对控制非完全Beta函数参数的JND表达式为:
其中,T(x,y)表示随光照变化JND的值,L(x,y)表示图像的背景亮度,采用图像的V分量。
对JND值进行归一化处理,其表达式为:
确定控制参数α,β的值,其表达式为:
其中ρ为图像背景亮度的均值,表达式为:
(3)使用改进的非完全Beta函数对归一化后的图像进行增强处理;
g′(x,y)=F(f′(x,y))
(4)对增强后的图像进行反变换处理,得到输出图像g″(x,y)。
g″(x,y)={max(G′)-min(G′)}*g′(x,y)+min(G′)
其中,max(G′)=255,min(G′)=0。
S4:对所述第二处理图像进行对比度补偿,得到第三处理图像;
具体地,本实施例可以采用限制对比度自适应直方图均衡化(CLAHE)算法,得到第三处理图像。
当然,本发明也可以采用其他对比度补偿方法,此处不再一一列举。
S5:对三张处理图像分别按照亮度权重、图像梯度权重、图像曝光度权重进行多尺度融合,得到最终增强的暗视觉图像V分量。
具体地,本实施例分别基于处理图像的亮度权重、图像梯度权重、曝光度权重,进行多尺度融合。
三个权重值表达式分别为:
(1)确定亮度权重WB,k(x,y)表达式:
WB,k(x,y)=1-Hk(x,y)
Hk(x,y)=|Vk(x,y)-mk(x,y)|
其中,Hk(x,y)表示第k融合图像与融合图像均值的绝对值,Vk(x,y)表示第k张融合图像V分量的值,mk(x,y)表示融合图像的均值,N是融合输入图像的数量,取值为3;
(2)确定图像梯度WG,k(x,y)权重:
(3)确定图像曝光度WE,k(x,y)权重:
其中,Ik(x,y)表示归一化后的输入图像的均值,标准差σ取0.2
确定最终的权重Wk(x,y):
Wk(x,y)=WB,k(x,y)*WG,k(x,y)*WE,k(x,y)
在本发明优选实施例中,采用现有的拉普拉斯金字塔融合方法对输入的处理图像与权重图进行融合确定融合图像。
拉普拉斯金字塔融合采用的公式表示为:
Wk(x,y)=WB,k(x,y)*WG,k(x,y)*WE,k(x,y)
其中,C表示金字塔分解的层数,k表示融合输入图像索引,即处理图像索引,Wk(x,y)表示第k处理图像最终的权重值,WB,k(x,y)表示第k处理图像的亮度权重,WG,k(x,y)表示第k处理图像的图像梯度权重,WE,k(x,y)表示第k个处理图像的图像曝光度权重,FC(x,y)表示金字塔中第C层的融合图像,GC表示第C层高斯金字塔分解,LPC表示拉普拉斯金子塔的第C层图像,F(x)为最后的多尺度融合结果,↑d代表该过程采用上采样方式,其中d=2C-1。
在本发明的优选实施例中,本发明的一种基于Retinex及图像融合的暗视觉图像增强方法还包括步骤S6;具体包括:
S6:将融合图像从HSV颜色空间转回RGB颜色空间,获得增强的暗视觉图像。
具体地,可以采用现有的下述公式进行转换:
C=V*S
m=V-C
(R,G,B)=((R′+m)*255,(G′+m)*255,(B+m)*255)
图4是本发明暗视觉环境下采集到的图像,该图像亮度、对比度极低,图像有效信息被淹没,如图4所示;图5是本发明进行图像增强后的效果图,增强后图像具体表现在图像细节清晰、对比度明显、曝光适中、不会产生局部过曝或者过暗等问题,更加美观,如图5所示。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,该方法步骤包括:
获取原始暗视觉图像,并提取出所述原始暗视觉图像的V分量;
对所述原始暗视觉图像的V分量进行改进的Retinex增强,得到第一处理图像;
对所述原始暗视觉图像的V分量进行自适应亮度补偿,得到第二处理图像;
对所述第二处理图像进行对比度补偿,得到第三处理图像;
对三张处理图像分别按照亮度权重、图像梯度权重、图像曝光度权重进行多尺度融合,得到最终增强的暗视觉图像V分量。
2.根据权利要求1所述的一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,对所述原始暗视觉图像的V分量进行改进的Retinex增强包括:
用改进的联合双边滤波对所述原始暗视觉图像的V分量进行照度估计,得到所述原始暗视觉图像的入射分量,将原始图像及所述入射分量作为Retinex算法的输入,计算所述原始暗视觉图像的反射分量,获得第一处理图像。
3.根据权利要求2所述的一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,所述改进的联合双边滤波包括:将原始暗视觉图像在YCbCr空间上的Y通道图像作为联合滤波的引导图像,在联合双边滤波空间域相似相度量中引入图像结构相似性指数,利用所述图像结构相似性指数计算得到联合双边滤波值域权重,并通过所述结构相似性参数的归一化系数计算得到所述引导图像与所述原始暗视觉图像的V分量之间的联合双边滤波输出图像,即为Retinex算法中所需的入射分量L。
4.根据权利要求3所述的一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,所述联合双边滤波输出图像表示为:
其中,Kp表示归一化因子,I表示输入图像,即原始暗视觉图像的V分量,Ω表示像素点集合,Iq表示原始暗视觉图像的V分量上像素点q的灰度值,表示原始暗视觉图像的V分量上像素点q与像素点p之间的联合双边滤波权重分布函数,/>表示引导图像上对应像素点/>与像素点/>之间改进后的联合双边滤波权重分布函数,具体表示为:
表示引导图像上对应像素点/>与像素点/>之间的结构相似性参数,/> 分别表示引导图像上对应像素点/>与像素点/>的灰度值,σr是控制灰度范围相似度因子的标准差;/>表示归一化系数;所述结构相似性参数具体表示为:
6.根据权利要求1所述的一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,对所述原始暗视觉图像的V分量进行自适应亮度补偿包括:采用JND自适应控制非完全Beta函数中α,β参数的值,并用于原始暗视觉图像的灰度调整,得到第二处理图像;其中JND表示随图像光照变化的恰可分辨差。
8.根据权利要求1所述的一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,所述进行多尺度融合采用的公式表示为:
Vk(x,y)=WB,k(x,y)*WG,k(x,y)*WE,k(x,y)
F(x)=∑CFC(x,y)↑d其中,C表示金字塔分解的层数,k表示融合输入图像索引,即处理图像索引,Wk(x,y)表示第k处理图像最终的权重值,WB,k(x,y)表示第k处理图像的亮度权重,WG,k(x,y)表示第k处理图像的图像梯度权重,WE,k(x,y)表示第k个处理图像的图像曝光度权重,FC(x,y)表示金字塔中第C层的融合图像,GC表示第C层高斯金字塔分解,LPC表示拉普拉斯金子塔的第C层图像,F(x)为最后的多尺度融合结果,↑d代表该过程采用上采样方式,其中d=2C-1。
9.根据权利要求1或8所述的一种基于Retinex及图像融合的暗视觉图像增强方法,其特征在于,三张处理图像亮度权重、图像梯度权重、图像曝光度权重依次包括:
亮度权重WB,k(x,y)表示为:
WB,k(x,y)=1-Hk(x,y)
Hk(x,y)=|Vk(x,y)-mk(x,y)|
其中,Hk(x,y)表示第k处理图像与各处理图像均值的绝对值,Vk(x,y)表示第k处理图像的V分量的值,mk(x,y)表示第k处理图像的均值,N是融合输入图像的数量,即处理图像数量,取值为3;
图像梯度权重WG,k(x,y)表示为:
图像曝光度WE,k(x,y)权重:
其中,Ik(x,y)表示归一化后的输入图像的均值,σ表示标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578929.3A CN116188339A (zh) | 2022-12-07 | 2022-12-07 | 一种基于Retinex及图像融合的暗视觉图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578929.3A CN116188339A (zh) | 2022-12-07 | 2022-12-07 | 一种基于Retinex及图像融合的暗视觉图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188339A true CN116188339A (zh) | 2023-05-30 |
Family
ID=86431569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211578929.3A Pending CN116188339A (zh) | 2022-12-07 | 2022-12-07 | 一种基于Retinex及图像融合的暗视觉图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188339A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894793A (zh) * | 2023-09-08 | 2023-10-17 | 南京道成网络科技有限公司 | 一种用于增强图像质量的方法及装置 |
CN117315053A (zh) * | 2023-11-28 | 2023-12-29 | 国网山东省电力公司淄博供电公司 | 一种老旧设备拍摄图像视觉效果改进方法 |
-
2022
- 2022-12-07 CN CN202211578929.3A patent/CN116188339A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894793A (zh) * | 2023-09-08 | 2023-10-17 | 南京道成网络科技有限公司 | 一种用于增强图像质量的方法及装置 |
CN116894793B (zh) * | 2023-09-08 | 2023-11-28 | 南京道成网络科技有限公司 | 一种用于增强图像质量的方法及装置 |
CN117315053A (zh) * | 2023-11-28 | 2023-12-29 | 国网山东省电力公司淄博供电公司 | 一种老旧设备拍摄图像视觉效果改进方法 |
CN117315053B (zh) * | 2023-11-28 | 2024-03-22 | 国网山东省电力公司淄博供电公司 | 一种老旧设备拍摄图像视觉效果改进方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
CN112419181B (zh) | 一种宽动态红外图像细节增强方法 | |
CN111968041A (zh) | 一种自适应图像增强方法 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
CN112734650A (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
CN111105359B (zh) | 一种高动态范围图像的色调映射方法 | |
CN106651817A (zh) | 一种基于非抽样Contourlet的图像增强方法 | |
CN115660964A (zh) | 基于阈值分区加权亮度分量的夜间道路图像增强方法 | |
CN111476732B (zh) | 一种图像融合及去噪的方法及系统 | |
Lou et al. | Integrating haze density features for fast nighttime image dehazing | |
CN111968065A (zh) | 一种亮度不均匀图像的自适应增强方法 | |
CN115587945A (zh) | 高动态红外图像细节增强方法、系统及计算机存储介质 | |
CN110969584A (zh) | 一种低照度图像增强方法 | |
Zhao et al. | An adaptive low-illumination image enhancement algorithm based on weighted least squares optimization | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN112365425A (zh) | 一种低照度图像增强方法和系统 | |
CN113284058B (zh) | 一种基于迁移理论的水下图像增强方法 | |
CN115760630A (zh) | 一种低照度图像增强方法 | |
CN115147311A (zh) | 基于HSV与AM-RetinexNet图像增强方法 | |
CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 | |
CN108447034B (zh) | 一种基于光照分解的海上雾天图像去雾方法 | |
Zong-Wei et al. | Low-Light Image Enhancement Network based on Gamma Correction and Multi-scale Attention Mechanism | |
Peicheng et al. | Backlit image enhancement based on illumination-reflection imaging model | |
Guo et al. | Image enhancement algorithm based on background enhancement coefficient |
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 |