CN116862809A - 一种低曝光条件下的图像增强方法 - Google Patents
一种低曝光条件下的图像增强方法 Download PDFInfo
- Publication number
- CN116862809A CN116862809A CN202310931970.2A CN202310931970A CN116862809A CN 116862809 A CN116862809 A CN 116862809A CN 202310931970 A CN202310931970 A CN 202310931970A CN 116862809 A CN116862809 A CN 116862809A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency component
- component
- wavelet
- low
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000006870 function Effects 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000005286 illumination Methods 0.000 claims abstract description 24
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 230000016776 visual perception Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 230000004438 eyesight Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种低曝光条件下的图像增强方法，包括：1）通过树形正交镜像滤波器组将原始低照度图像分解为高频分量和低频分量，2）用阈值法去除高频分量的噪声；3）非线性全局亮度校正低频分量获得全局亮度增强图像，用多尺度引导滤波函数估计低频分量的照射分量，计算反射分量；4）对全局亮度增强图像和反射分量进行主成分分析，计算融合权重，利用融合权重加权融合全局亮度增强图像与反射分量；5）通过离散小波反变换对高频分量和融合图像进行小波重构，并对小波重构后的图像进行非线性变换；6）对非线性变换后的图像进行非局部运算，将特征图中的不同位置的特征信息聚合在一起，7）通过损失函数增强非局部运算后的图像的视觉感知质量。
Description
技术领域
本发明属于图像处理领域，具体涉及一种低曝光条件下的图像增强方法。
背景技术
图像增强的定义非常广泛，一般来说，图像增强是有目的地强调图像的整体或局部特性，例如改善图像的颜色、亮度和对比度等，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，提高图像的视觉效果。传统的图像增强已经被研究了很长时间，现有的方法可大致分为三类，空域方法是直接对像素值进行处理，如直方图均衡，伽马变换；频域方法是在某种变换域内操作，如小波变换；混合域方法是结合空域和频域的一些方法。传统的方法一般比较简单且速度比较快，但是没有考虑到图像中的上下文信息等，所以取得效果不是很好。
近年来，卷积神经网络在很多低层次的计算机视觉任务中取得了巨大突破，包括图像超分辨、去模糊、去雾、去噪、图像增强等。对比于传统方法，基于CNN的一些方法极大地改善了图像增强的质量。现有的方法大多是有监督的学习，对于一张原始图像和一张目标图像，学习它们之间的映射关系，来得到增强后的图像。但是这样的数据集比较少，很多都是人为调整的，因此本文针对利用树形正交滤波器解决图像边缘保持细节处理方面无法保持平衡及多尺度Retinex算法易造成图像出现光晕伪影和噪声污染严重等问题，将树形正交滤波器与基于多尺度引导滤波的多尺度Retinex算法相结合，提出了一种基于低曝光条件下的图像增强算法。
发明内容
本发明针对现有技术中的不足，提供一种低曝光条件下的图像增强方法。
为实现上述目的，本发明采用以下技术方案：
一种低曝光条件下的图像增强方法，包括以下步骤：
步骤1、通过树形正交镜像滤波器组将原始低照度图像分解为高频分量和低频分量，
步骤2、采用阈值法去除高频分量的噪声；
步骤3、非线性全局亮度校正低频分量以获得全局亮度增强图像，同时采用多尺度引导滤波函数估计低频分量的照射分量，根据照射分量计算反射分量；
步骤4、对全局亮度增强图像和反射分量进行主成分分析，计算融合权重，利用融合权重加权融合全局亮度增强图像与反射分量，获得融合图像；
步骤5、通过离散小波反变换对高频分量和融合图像进行小波重构，并对小波重构后的图像进行非线性变换，以提升图像对比度；
步骤6、对非线性变换后的图像进行非局部运算，将特征图中的不同位置的特征信息聚合在一起，以校正图像的颜色和抑制噪音；
步骤7、通过损失函数增强非局部运算后的图像的视觉感知质量，输出增强图像。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤1中，所述树形正交镜像滤波器组包括多个正交镜像滤波器，所述正交镜像滤波器通过低通滤波器和高通滤波器将原始低照度图像的频谱逐级分解到不同的频率范围，得到原始低照度图像的高频分量和低频分量。
进一步地，步骤2具体包括：
步骤2.1、对原始高频分量{x(k)}进行离散小波变换得到高频分量在小波变换域的小波系数X；
步骤2.2、在小波变换域对小波系数X进行阈值处理，从原始高频分量{x(k)}在小波变换域的小波系数X中得到对去噪后的高频分量在小波变换域的小波系数S的估计值所述阈值处理的方法包括硬阈值处理方法或软阈值处理方法；
步骤2.3、对估计值进行离散小波反变换得到去噪后的高频分量/>
进一步地，步骤3具体包括：
步骤3.1、选取低频分量的RGB颜色空间3个通道中每个像素点的最大亮度构成最大值图像I(x，y)：
I(x，y)＝maxIc(x，y)
式中，Ic(x，y)为低频分量；
步骤3.2、对最大值图像I(x，y)进行非线性全局亮度校正：
式中，S(x，y)为全局亮度增强图像；α为变化率；
步骤3.3、以最大值图像I(x，y)作为边缘引导图像，采用不同尺度的引导滤波函数对低频分量Ic(x，y)进行滤波处理，得到照射分量；
式中，L(x，y)为照射分量，qn(x，y)为第n(n＝1，2，...，N)个尺度的引导滤波函数，N为尺度总数，Wn为引导滤波函数qn(x，y)所占权重，*表示卷积运算；
步骤3.4、利用下式计算反射分量，
log2R(x，y)＝log2Ic(x，y)-log2L(x，y)
式中，R(x，y)表示反射分量。
进一步地，步骤4具体包括：
步骤4.1、用矩阵表示全局亮度增强图像S(x，y)与反射分量R(x，y)，计算全局亮度增强图像矩阵和反射分量矩阵之间的协方差矩阵；
步骤4.2、计算协方差矩阵的特征值λ1、λ2与特征向量ξ1、ξ2，利用特征向量计算融合权重，
式中，ω1和ω2为融合权重；
步骤4.3、利用融合权重加权融合全局亮度增强图像与反射分量，获得融合图像；
E(x，y)＝ω1S(x，y)+ω2R(x，y)
式中，E(x，y)表示融合图像。
进一步地，步骤5具体为：
通过离散小波反变换对高频分量和融合图像进行小波重构，得到小波重构后的图像Q(x，y)，对小波重构后的图像利用下式进行非线性变换：
式中，Q′(x，y)表示非线性变换后的增强图像，β为尺度比例系数，Q max为像素最大值，Q min为像素最小值，调整尺度比例系数β，获得最优增强图像。
进一步地，步骤2.2中，所述阈值处理的方法为硬阈值处理方法，具体为：
式中，λ是小波阈值，由VisuShrink方法或Minimax方法计算得到，
VisuShrink方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度；
Minimax方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度。
进一步地，步骤2.2中，所述阈值处理的方法为软阈值处理方法，具体为：
式中，λ是小波阈值，由VisuShrink方法或Minimax方法计算得到，
VisuShrink方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度；
Minimax方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度。
进一步地，步骤6具体为：
利用卷积神经网络提取非线性变换后的图像的特征图，利用下式将特征图中的不同位置的特征信息聚合在一起：
式中，xi表示特征图中第i个位置，i为所查找的位置，j是为特征图中N个可能位置之一，G(xi)表示对xi的变换，h(xi，xj)表示xi和xj之间的相似度，C(xi)为归一化因子，yi为聚合的特征信息。
进一步地，步骤7具体为：
将MSE和SSIM结合作为组合代价损失函数：
式中，为组合代价损失函数，LMSE为MSE，LSSIM为SSIM，λMSE为MSE的权重，λSSIM为SSIM的权重；
使组合代价损失函数的值最小，输出接近地面真实值的增强图像。
本发明的有益效果是：
运用主成分分析法对反射分量与非线性全局亮度校正的图像进行融合，有效提升图像边缘细节保持效果；
对图像高频分量和低频分量进行小波重构，并对小波重构后的图像进行非线性变换，解决图像泛灰问题；
对非线性变换后的图像进行非局部操作，抑制色差和噪声；
采用多尺度引导滤波函数代替传统的高斯滤波函数来估计照射分量，从而有效避免光晕伪影现象，增强图像边缘细节；
对全局亮度增强图像S(x，y)与反射分量R(x，y)进行主成分分析，计算权重并叠加，最终得到融合图像，克服了传统图像融合中边缘细节信息缺失的问题。
附图说明
图1为本发明提出的图像增强方法的流程图；
图2为基于阈值去噪法的信号分量提取示意图；
图3为非局部操作示意图；
图4为原低曝光图像与图像增强结果的对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明提出了一种低曝光条件下的图像增强方法，该方法的流程图如图1所示，包括以下步骤：
步骤1、通过树形正交镜像滤波器组将原始低照度图像分解为高频分量和低频分量，所述树形正交镜像滤波器组包括多个正交镜像滤波器，所述正交镜像滤波器通过低通滤波器和高通滤波器将原始低照度图像的频谱逐级分解到不同的频率范围，得到原始低照度图像的高频分量和低频分量。通过树形正交镜像滤波器组的分解后，信号si(t)的能量主要集中分布在系数dj上，即使相邻频带的滤波器之间有能量交叉也可以忽略不计，此时可以借助小波去噪的原理把其他频带上的系数置零或者最大程度地减小，然后利用处理后的系数作反变换，得到重构出的信号，从而将有用信号从噪声中分离出来。
步骤2、采用阈值法去除高频分量的噪声；阈值去噪的示意图如图2所示，步骤2具体包括：
步骤2.1、对原始高频分量{x(k)}进行离散小波变换得到高频分量在小波变换域的小波系数X；
步骤2.2、在小波变换域对小波系数X进行阈值处理，从原始高频分量{x(k)}在小波变换域的小波系数X中得到对去噪后的高频分量在小波变换域的小波系数S的估计值所述阈值处理的方法包括硬阈值处理方法或软阈值处理方法；
硬阈值处理方法，具体为：
式中，λ是小波阈值，由VisuShrink方法或Minimax方法计算得到，
VisuShrink方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度；
Minimax方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度。
软阈值处理方法，具体为：
式中，λ是小波阈值，由VisuShrink方法或Minimax方法计算得到，
VisuShrink方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度；
Minimax方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度。
σ的估计有三种方法：令σ＝1；取首次分解的噪声小波系数的中值估计子；各级取各级的噪声小波系数的中值估计子。
步骤2.3、对估计值进行离散小波反变换得到去噪后的高频分量/>
步骤3、为增强原始图像的亮度，同时压缩图像动态范围，对图像进行非线性全局亮度校正，获得全局亮度增强图像。采用多尺度引导滤波函数估计低频分量的照射分量，根据照射分量计算反射分量；具体包括：
步骤3.1、选取低频分量的RGB颜色空间3个通道中每个像素点的最大亮度构成最大值图像I(x，y)：
I(x，y)＝max Ic(x，y)
式中，Ic(x，y)为低频分量；
步骤3.2、对最大值图像I(x，y)进行非线性全局亮度校正：
式中，S(x，y)为全局亮度增强图像；α为变化率，用来控制非线性全局亮度校正曲线的曲率，本文取α＝0.06。
步骤3.3、以最大值图像I(x，y)作为边缘引导图像，采用不同尺度的引导滤波函数对低频分量Ic(x，y)进行滤波处理，得到照射分量；传统MSR算法大多采用高斯滤波函数作为中心环绕函数来估计图像的照射分量。虽然高斯滤波函数平滑了不同光照区域，但存在各向同性特征，无法较好地保留照射分量中的边缘信息，导致分离出的反射分量边缘产生光晕伪影现象。因此，本文采用多尺度引导滤波函数代替传统的高斯滤波函数来估计照射分量，从而有效避免光晕伪影现象，增强图像边缘细节。公式表示如下：
式中，L(x，y)为照射分量，qn(x，y)为第n(n＝1，2，...，N)个尺度的引导滤波函数，N为尺度总数，在本实施例中取N＝3；Wn为引导滤波函数qn(x，y)所占权重，本实施例取W1＝W2＝W3＝1/3；*表示卷积运算。
步骤3.4、利用下式计算反射分量，
log2R(x，y)＝log2Ic(x，y)-log2L(x，y)
式中，R(x，y)表示反射分量。
步骤4、图像融合主要是将若干个子图像的核心信息叠加，其原理是以保留源图像中的重要信息为主，尽可能地将相互区别并互补的信息兼容，避免融入无用信息。为了克服传统图像融合中边缘细节信息缺失的问题，对全局亮度增强图像和反射分量进行主成分分析，计算融合权重，利用融合权重加权融合全局亮度增强图像与反射分量，获得融合图像；具体包括：
步骤4.1、用矩阵表示全局亮度增强图像S(x，y)与反射分量R(x，y)，计算全局亮度增强图像矩阵和反射分量矩阵之间的协方差矩阵；
步骤4.2、计算协方差矩阵的特征值λ1、λ2与特征向量ξ1、ξ2，利用特征向量计算融合权重，
式中，ω1和ω2为融合权重；
步骤4.3、利用融合权重加权融合全局亮度增强图像与反射分量，获得融合图像；
E(x，y)＝ω1S(x，y)+ω2R(x，y)
式中，E(x，y)表示融合图像。
步骤5、通过离散小波反变换对高频分量和融合图像进行小波重构，并对小波重构后的图像进行非线性变换，以提升图像对比度；具体为：通过离散小波反变换对高频分量和融合图像进行小波重构，得到小波重构后的图像Q(x，y)，对小波重构后的图像利用下式进行非线性变换：
式中，Q′(x，y)表示非线性变换后的增强图像，β为尺度比例系数，Q max为像素最大值，Q min为像素最小值，调整尺度比例系数β，获得最优增强图像。β较小时图像非线性变换程度较平缓，暗区域增强效果明显，而亮区域对比度增强效果较差；β较大时像素值较小区域非线性变换效果不明显，像素值较低。因此，本文通过灵活调整α取值，获得最优增强图像。通过大量实验证明，β取值范围为[5，15]时图像增强效果较好。
步骤6、对非线性变换后的图像进行非局部运算，将特征图中的不同位置的特征信息聚合在一起，以校正图像的颜色和抑制噪音；在许多计算机视觉任务中拥有较大的感受野是至关重要的，但卷积运算只能够处理空间中的局部邻域，因此从特征图中获取远程信息需要重复进行局部运算，从而导致计算效率低下。非局部操作是近年来解决该问题的途径之一。非局部操作原理如图3所示，具体为：
利用卷积神经网络提取非线性变换后的图像的特征图，利用下式将特征图中的不同位置的特征信息聚合在一起：
式中，xi表示特征图中第i个位置，i为所查找的位置，j是为特征图中N个可能位置之一，G(xi)表示对xi的变换，h(xi，xj)表示xi和xj之间的相似度，C(xi)为归一化因子，yi为聚合的特征信息。
非局部操作的结果是所有位置特征的加权和，旨在增强网络的特征表示能力。因此，利用非局部运算，可以将特征图中的不同位置信息聚合在一起，使网络具有全局接收域。这对在一个低光环境下用来校正图像的颜色和抑制噪音具有额外作用，因为更广泛的信息可以引导网络去学习恢复严重退化的场景。在实际应用中，非局部操作通常占用较大的内存和计算量。因此，本文还采用对特征进行下采样的方式来降低计算的复杂度。
步骤7、均方误差(MSE)是一种广泛使用的损失函数，然而它通常容易导致结果的细节模糊和过度平滑，不利于恢复图像内容。为了解决上述缺点，本文将MSE和SSIM结合作为组合代价损失函数，通过利用最小化均方误差和最大化结构相似性来提升图像增强的视觉感知质量。通过损失函数增强非局部运算后的图像的视觉感知质量，输出增强图像。具体为：
将MSE和SSIM结合作为组合代价损失函数：
式中，为组合代价损失函数，LMSE为MSE(均方误差)，LSSIM为SSIM(StructureSimilarity Index Measure)，λMSE为MSE的权重，λSSIM为SSIM的权重。
MSE(均方误差)的定义为：
其中G(I)代表增强分量，A代表真实分量。
引入SSIM损失来避免图像细节模糊，其定义为：
其中，μ和σ2分别代表图像像素平均值和方差，C为常量。
使组合代价损失函数的值最小，输出接近地面真实值的增强图像。
通过本方法处理低曝光图像后，原低曝光图像与图像增强结果的对比图如图4所示，左侧为原图，右侧为增强后的图像。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.一种低曝光条件下的图像增强方法，其特征在于，包括以下步骤：
步骤1、通过树形正交镜像滤波器组将原始低照度图像分解为高频分量和低频分量，
步骤2、采用阈值法去除高频分量的噪声；
步骤3、非线性全局亮度校正低频分量以获得全局亮度增强图像，同时采用多尺度引导滤波函数估计低频分量的照射分量，根据照射分量计算反射分量；
步骤4、对全局亮度增强图像和反射分量进行主成分分析，计算融合权重，利用融合权重加权融合全局亮度增强图像与反射分量，获得融合图像；
步骤5、通过离散小波反变换对高频分量和融合图像进行小波重构，并对小波重构后的图像进行非线性变换，以提升图像对比度；
步骤6、对非线性变换后的图像进行非局部运算，将特征图中的不同位置的特征信息聚合在一起，以校正图像的颜色和抑制噪音；
步骤7、通过损失函数增强非局部运算后的图像的视觉感知质量，输出增强图像。
2.如权利要求1所述的低曝光条件下的图像增强方法，其特征在于，步骤1中，所述树形正交镜像滤波器组包括多个正交镜像滤波器，所述正交镜像滤波器通过低通滤波器和高通滤波器将原始低照度图像的频谱逐级分解到不同的频率范围，得到原始低照度图像的高频分量和低频分量。
3.如权利要求1所述的低曝光条件下的图像增强方法，其特征在于，步骤2具体包括：
步骤2.1、对原始高频分量{x(k)}进行离散小波变换得到高频分量在小波变换域的小波系数X；
步骤2.2、在小波变换域对小波系数X进行阈值处理，从原始高频分量{x(k)}在小波变换域的小波系数X中得到对去噪后的高频分量在小波变换域的小波系数S的估计值所述阈值处理的方法包括硬阈值处理方法或软阈值处理方法；
步骤2.3、对估计值进行离散小波反变换得到去噪后的高频分量/>
4.如权利要求1所述的低曝光条件下的图像增强方法，其特征在于，步骤3具体包括：
步骤3.1、选取低频分量的RGB颜色空间3个通道中每个像素点的最大亮度构成最大值图像I(x,y)：
I(x,y)＝max Ic(x,y)
式中，Ic(x,y)为低频分量；
步骤3.2、对最大值图像I(x,y)进行非线性全局亮度校正：
式中，S(x,y)为全局亮度增强图像；α为变化率；
步骤3.3、以最大值图像I(x，y)作为边缘引导图像，采用不同尺度的引导滤波函数对低频分量Ic(x,y)进行滤波处理，得到照射分量；
式中，L(x,y)为照射分量，qn(x,y)为第n(n＝1，2，…，N)个尺度的引导滤波函数，N为尺度总数，Wn为引导滤波函数qn(x,y)所占权重，*表示卷积运算；
步骤3.4、利用下式计算反射分量，
log2R(x,y)＝log2Ic(x,y)-log2L(x,y)
式中，R(x，y)表示反射分量。
5.如权利要求4所述的低曝光条件下的图像增强方法，其特征在于，步骤4具体包括：
步骤4.1、用矩阵表示全局亮度增强图像S(x,y)与反射分量R(x,y)，计算全局亮度增强图像矩阵和反射分量矩阵之间的协方差矩阵；
步骤4.2、计算协方差矩阵的特征值λ1、λ2与特征向量ξ1、ξ2，利用特征向量计算融合权重，
式中，ω1和ω2为融合权重；
步骤4.3、利用融合权重加权融合全局亮度增强图像与反射分量，获得融合图像；
E(x,y)＝ω1S(x,y)+ω2R(x,y)
式中，E(x,y)表示融合图像。
6.如权利要求1所述的低曝光条件下的图像增强方法，其特征在于，步骤5具体为：
通过离散小波反变换对高频分量和融合图像进行小波重构，得到小波重构后的图像Q(x,y)，对小波重构后的图像利用下式进行非线性变换：
式中，Q′(x,y)表示非线性变换后的增强图像，β为尺度比例系数，Qmax为像素最大值，Qmin为像素最小值，调整尺度比例系数β，获得最优增强图像。
7.如权利要求3所述的低曝光条件下的图像增强方法，其特征在于，步骤2.2中，所述阈值处理的方法为硬阈值处理方法，具体为：
式中，λ是小波阈值，由VisuShrink方法或Minimax方法计算得到，
VisuShrink方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度；
Minimax方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度。
8.如权利要求3所述的低曝光条件下的图像增强方法，其特征在于，步骤2.2中，所述阈值处理的方法为软阈值处理方法，具体为：
式中，λ是小波阈值，由VisuShrink方法或Minimax方法计算得到，
VisuShrink方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度；
Minimax方法具体为：
式中，σ是噪声标准差，M是原始高频分量信号的长度。
9.如权利要求1所述的低曝光条件下的图像增强方法，其特征在于，步骤6具体为：利用卷积神经网络提取非线性变换后的图像的特征图，利用下式将特征图中的不同位置的特征信息聚合在一起：
式中，xi表示特征图中第i个位置，i为所查找的位置，j是为特征图中N个可能位置之一，g(xi)表示对xi的变换，h(xi,xj)表示xi和xj之间的相似度，C(xi)为归一化因子，yi为聚合的特征信息。
10.如权利要求1所述的低曝光条件下的图像增强方法，其特征在于，步骤7具体为：将MSE和SSIM结合作为组合代价损失函数：
式中，为组合代价损失函数，LMSE为MSE，LSSIM为SSIM，λMSE为MSE的权重，λSSIM为SSIM的权重；
使组合代价损失函数的值最小，输出接近地面真实值的增强图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310931970.2A CN116862809A (zh) | 2023-07-27 | 2023-07-27 | 一种低曝光条件下的图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310931970.2A CN116862809A (zh) | 2023-07-27 | 2023-07-27 | 一种低曝光条件下的图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116862809A true CN116862809A (zh) | 2023-10-10 |
Family
ID=88226795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310931970.2A Withdrawn CN116862809A (zh) | 2023-07-27 | 2023-07-27 | 一种低曝光条件下的图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808721A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市瓴鹰智能科技有限公司 | 基于深度学习的低照度图像增强方法、装置、设备及介质 |
-
2023
- 2023-07-27 CN CN202310931970.2A patent/CN116862809A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808721A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市瓴鹰智能科技有限公司 | 基于深度学习的低照度图像增强方法、装置、设备及介质 |
| CN117808721B (zh) * | 2024-02-28 | 2024-05-03 | 深圳市瓴鹰智能科技有限公司 | 基于深度学习的低照度图像增强方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
| CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
| CN110807742B (zh) | 一种基于一体式网络的微光图像增强方法 | |
| CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
| CN110675340A (zh) | 一种基于改进的非局部先验的单幅图像去雾方法及介质 | |
| CN113129236A (zh) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 | |
| CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
| CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
| Xue et al. | Video image dehazing algorithm based on multi-scale retinex with color restoration | |
| CN113724164A (zh) | 一种基于融合重构制导滤波的可见光图像噪声去除方法 | |
| Wu et al. | A novel scheme for infrared image enhancement by using weighted least squares filter and fuzzy plateau histogram equalization | |
| CN115272072A (zh) | 一种基于多特征图像融合的水下图像超分辨率方法 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| Muniraj et al. | Underwater image enhancement by modified color correction and adaptive Look-Up-Table with edge-preserving filter | |
| CN117274085A (zh) | 低照度图像增强方法及装置 | |
| CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
| CN115147311A (zh) | 基于HSV与AM-RetinexNet图像增强方法 | |
| Yadav et al. | Robust multi-scale weighting-based edge-smoothing filter for single image dehazing | |
| CN114170101A (zh) | 基于高低频信息的结构纹理保持弱光图像增强方法及系统 | |
| Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
| CN112330566A (zh) | 图像去噪的方法、装置及计算机存储介质 | |
| Shi et al. | Underwater image enhancement based on adaptive color correction and multi-scale fusion | |
| Jia et al. | Detachable image decomposition and illumination mapping search for low-light image enhancement |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231010 |