CN117078561A - 基于rgb的自适应颜色校正与对比度增强方法及装置 - Google Patents
基于rgb的自适应颜色校正与对比度增强方法及装置 Download PDFInfo
- Publication number
- CN117078561A CN117078561A CN202311321561.7A CN202311321561A CN117078561A CN 117078561 A CN117078561 A CN 117078561A CN 202311321561 A CN202311321561 A CN 202311321561A CN 117078561 A CN117078561 A CN 117078561A
- Authority
- CN
- China
- Prior art keywords
- contrast enhancement
- pixel
- image
- color correction
- enhance
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000008707 rearrangement Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Of Color Television Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于RGB的自适应颜色校正与对比度增强方法及装置,属于计算机视觉领域。该方法采用深度学习方法,搭建轻量级的网络,高效简单地实现了对失真图像的自适应颜色校正与对比度增强。具体的,该方法基于RGB三曲线,通过迭代应用对图像进行逐像素点的校正与增强,再将颜色校正与对比度增强后的R、G、B三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像,该方法可以很好地推广到各种恶劣照射情况下解决图片颜色失真的问题。
Description
技术领域
本发明涉及一种基于RGB的自适应颜色校正与对比度增强方法及装置,属于计算机视觉领域。
背景技术
随着高清显示设备技术的不断提升,人们对图像和视频的颜色质量要求也日益提高。然而现实生活中对照片进行拍摄的过程中,即使对同一个场景,不同的图片拍摄设备、拍摄参数、光照条件等都会导致拍摄出来的图片效果不尽相同。而在一些恶劣条件下拍摄的图片往往存在模糊发暗、色彩偏移等问题,无法反映出真实的情况,从而影响后续设计计算机视觉系统的性能。因此,一种能够高效简单地实现对失真图像的自适应颜色校正与对比度增强的方法尤为重要。
颜色校正与对比度增强是图像领域中重要的技术问题。现有的颜色校正方法中,主要采用一些传统方法,例如伽马变换、彩色直方图均衡化等。但是这些单一的算法之间互相割裂,实现颜色校正与对比度增强得到更接近实际的具有良好观感的图像往往需要按顺序将多个传统算法结合起来使用,而在结合的过程中又会出现相互制约影响校正效果,比如CN109146811A一种彩色图像的自适应对比度增强方法中提出首先使用亮度直方图均衡化改善亮度,接着使用改进的伽马校正增强图像对比度,以此按顺序将两个传统算法结合起来使用,但这种将两种算法机械结合的方式显然无法达到较优的结果,所以最后其使用图像饱和度修正前两者结合的不足。
发明内容
为了解决目前存在的问题,本发明提出一种基于RGB三曲线的自适应颜色校正与对比度增强方法及装置,本发明采用深度学习方法,搭建轻量级的网络,以失真图像作为输入,并产生R、G、B高阶曲线作为输出,通过三条曲线对输入的图像进行逐像素的调整,以获得颜色校正与对比度增强后接近真实观感的图像。
一种基于RGB的自适应颜色校正与对比度增强方法,所述方法包括:
步骤1,基于颜色像素三曲线迭代搭建自适应颜色校正与对比度增强网络NR、NG、NB,并进行训练;
步骤2,采集RGB格式的待校正增强图像,记为IMGuntrue;
步骤3,将RGB格式的待校正增强图像IMGuntrue分解为R、G、B三个单通道图,分别记为Runtrue、Guntrue、Buntrue;
步骤4,将分解得到后的Runtrue、Guntrue、Buntrue三个单通道图分别送入所述自适应颜色校正与对比度增强网络NR、NG、NB,得到颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图;
步骤5,对所述颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像IMGenhance。
可选的,所述自适应颜色校正与对比度增强网络NR、NG、NB均包括解码器、编码器、颜色像素三曲线迭代模块;其中,所述解码器用于将尺寸为的分解后的单通道图像特征重排为尺寸为/>的特征图;所述编码器用于将尺寸为/>的特征图重排为/>的特征图,其中,H和W分别表示图像的高和宽;所述颜色像素三曲线迭代模块用于对编码器重排得到的特征图进行逐像素迭代更新。
可选的,所述颜色像素三曲线迭代模块对特征图进行逐像素迭代更新时颜色像素三曲线迭代公式分别如下:
其中n表示迭代次数;x表示图像中的像素点,、/>、/>分别为R、G、B颜色像素三曲线逐像素的校正增强参数。
可选的,所述步骤1中训练所述自适应颜色校正与对比度增强网络NR、NG、NB包括:
采集RGB格式的待校正增强图像与真实图像对,构成训练样本;
将所述RGB格式的待校正增强图像分解为R、G、B三个单通道图后送入自适应颜色校正与对比度增强网络NR、NG、NB,得到R、G、B颜色像素三曲线逐像素的校正增强参数、、/>以及颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图,对颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像IMGenhance;
所述自适应颜色校正与对比度增强网络的损失函数为:
其中,L ssim表示感知损失:
分别表示自适应颜色校正与对比增强网络输出的图像和真实图像,/>分别表示两个图像的平均值,/>分别表示图像的方差,/>表示两个常数,以防止分母为零;
为颜色损失,用来确保颜色校正与对比度增强后图像的RGB通道组成的颜色向量与相应的真实图像具有相同的方向,其中k=1,2,3分别表示RGB三通道;IMGenhance表示自适应颜色校正与对比增强网络输出的图像;N表示总的迭代次数;
表示平滑损失,其中/>表示梯度,包括水平与垂直方向;/>、/>、/>表示各损失函数的权重值;/>表示表示矩阵逐像素相乘;/>表示L1范数;
当损失函数L total连续N次迭代的两两差值均小于预定值时,自适应颜色校正与对比度增强网络对应的校正增强参数、/>、/>为最优值。
可选的,所述步骤3中将RGB格式的待校正增强图像IMGuntrue分解为R、G、B三个单通道图时采用opencv的split函数实现。
可选的,所述步骤5中对所述颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接时采用opencv的merge函数实现。
本申请还提供一种基于RGB的自适应颜色校正与对比度增强装置,所述装置包括图像采集模块、通道分解模块、自适应颜色校正与对比度增强网络模块和重构模块;
所述图像采集模块用于采集待校正增强图像;
所述通道分解模块用于将待校正增强图像分解为R、G、B三个单通道图;
所述自适应颜色校正与对比度增强网络模块用于提取图像特征、重构图像、并基于训练得到的R、G、B颜色像素三曲线逐像素的校正增强参数、/>、/>最优值对重构后的图像进行逐像素迭代更新,得到颜色校正与对比度增强后的R、G、B三个单通道图;
所述重构模块用于将颜色校正与对比度增强后的R、G、B三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像。
可选的,所述颜色像素三曲线迭代公式分别如下:
其中n表示迭代次数;x表示图像中的像素点。
本申请还提供上述基于RGB的自适应颜色校正与对比度增强方法在图像处理中的应用。
本发明具有以下有益效果:
采用深度学习方法,搭建轻量级的网络,高效简单地实现了对失真图像的自适应颜色校正与对比度增强。进一步的,基于RGB三曲线,通过迭代应用对图像进行逐像素点的校正与增强,再将颜色校正与对比度增强后的R、G、B三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像,该方法可以很好地推广到各种恶劣照射情况下解决图片颜色失真的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明提供的基于RGB的自适应颜色校正与对比度增强装置的结构示意图;
图2是本发明提供的基于RGB的自适应颜色校正与对比度增强方法的流程图;
图3是本发明提供的基于RGB的自适应颜色校正与对比度增强网络的总体结构示意图;
图4是本发明一种基于RGB三曲线的自适应颜色校正与对比度增强网络中编码器-解码器模块具体结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于RGB的自适应颜色校正与对比度增强装置,请参考图1,该装置包括以下模块:
图像采集模块,用于采集同个场景下待校正增强图像与真实图像对,得到的图像格式为PNG,排列方式为RGB;
通道分解模块,用于将RGB格式的待校正增强图像分解为R、G、B三个单通道图;
自适应颜色校正与对比度增强网络模块,用于提取图像特征、重构图像、并基于训练得到的R、G、B颜色像素三曲线逐像素的校正增强参数、/>、/>最优值对重构后的图像进行逐像素迭代更新,得到颜色校正与对比度增强后的R、G、B三个单通道图。
重构模块,用于将颜色校正与对比度增强后的R、G、B三个单通道图进行通道拼接得到颜色校正与对比度增强后接近真实观感的图像。
实施例二
本实施例提供一种基于RGB的自适应颜色校正与对比度增强方法,如图2所示,包括如下步骤:
步骤1,基于颜色像素三曲线迭代搭建自适应颜色校正与对比度增强网络NR、NG、NB;
如图3所示,所搭建的自适应颜色校正与对比度增强网络NR、NG、NB均包括解码器、编码器、颜色像素三曲线迭代模块;所述解码器、编码器属于经典的U-Net结构;所述解码器用于将尺寸为的分解后的单通道图像特征重排为尺寸为/>的特征图;所述编码器用于将尺寸为/>的特征图重排为/>的特征图,其中H和W分别表示图像的高和宽;颜色像素三曲线迭代公式表示如下:
其中n表示迭代次数;x表示图像中的像素点,R n(x)表示像素点x处第n次迭代得到的R颜色像素值,G n(x)表示像素点x处第n次迭代得到的G颜色像素值,B n(x)表示像素点x处第n次迭代得到的B颜色像素值;、/>、/>分别为R、G、B颜色像素三曲线逐像素的校正增强参数。
步骤2:采集RGB格式的待校正增强图像与真实图像对,图像信息分别记为IMGuntrue、IMGtrue。
步骤3:将RGB格式的待校正增强图像IMGuntrue分解为R、G、B三个单通道图,分别记为Runtrue、Guntrue、Buntrue。通道分离通过opencv的split函数实现。
步骤4:将真实图像以及分解得到后的Runtrue、Guntrue、Buntrue三个单通道图分别送入自适应颜色校正与对比度增强网络NR、NG、NB进行迭代更新,得到R、G、B颜色像素三曲线逐像素的校正增强参数、/>、/>以及颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图。
所述自适应颜色校正与对比度增强网络的损失函数为:
其中,L ssim表示感知损失:
分别表示自适应颜色校正与对比增强网络输出的图像和真实图像经,/>分别表示两个图像的平均值,/>分别表示图像的方差,/>表示两个常数,以防止分母为零;本实施例中c1=6.5025,c2=58.5225。
为颜色损失,用来确保颜色校正与对比度增强后图像的RGB通道组成的颜色向量与相应的真实图像具有相同的方向,其中k=1,2,3分别表示RGB三通道;IMGenhance表示自适应颜色校正与对比增强网络输出的图像;N表示总的迭代次数;
表示平滑损失,其中/>表示梯度,包括水平与垂直方向;/>、/>、/>表示各损失函数的权重值;/>表示表示矩阵逐像素相乘;/>表示L1范数。
损失函数L total连续N次迭代的两两差值均小于预定值时就认为满足条件;本实施例中取N=20,预定值为0.001。
步骤5:对颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接得到颜色校正与对比度增强后接近真实观感的图像IMGenhance。通道拼接通过opencv的merge函数实现。
综上所述,本实施例提供的方法,基于初始RGB三曲线,设计了动态范围调整颜色的高阶曲线,高效简单地实现了对失真图像的自适应颜色校正与对比度增强。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,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 (9)
1.一种基于RGB的自适应颜色校正与对比度增强方法,其特征在于,所述方法包括:
步骤1,基于颜色像素三曲线迭代搭建自适应颜色校正与对比度增强网络NR、NG、NB,并进行训练;
步骤2,采集RGB格式的待校正增强图像,记为IMGuntrue;
步骤3,将RGB格式的待校正增强图像IMGuntrue分解为R、G、B三个单通道图,分别记为Runtrue、Guntrue、Buntrue;
步骤4,将分解得到后的Runtrue、Guntrue、Buntrue三个单通道图分别送入所述自适应颜色校正与对比度增强网络NR、NG、NB,得到颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图;
步骤5,对所述颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像IMGenhance。
2.根据权利要求1所述的方法,其特征在于,所述自适应颜色校正与对比度增强网络NR、NG、NB均包括解码器、编码器、颜色像素三曲线迭代模块;其中,所述解码器用于将尺寸为的分解后的单通道图像特征重排为尺寸为/>的特征图;所述编码器用于将尺寸为/>的特征图重排为/>的特征图,其中,H和W分别表示图像的高和宽;所述颜色像素三曲线迭代模块用于对编码器重排得到的特征图进行逐像素迭代更新。
3.根据权利要求2所述的方法,其特征在于,所述颜色像素三曲线迭代模块对特征图进行逐像素迭代更新时颜色像素三曲线迭代公式分别如下:
其中n表示迭代次数;x表示图像中的像素点,、/>、/>分别为R、G、B颜色像素三曲线逐像素的校正增强参数。
4.根据权利要求3所述的方法,其特征在于,所述步骤1中训练所述自适应颜色校正与对比度增强网络NR、NG、NB包括:
采集RGB格式的待校正增强图像与真实图像对,构成训练样本;
将所述RGB格式的待校正增强图像分解为R、G、B三个单通道图后送入自适应颜色校正与对比度增强网络NR、NG、NB,得到R、G、B颜色像素三曲线逐像素的校正增强参数、/>、以及颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图,对颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像IMGenhance;
所述自适应颜色校正与对比度增强网络的损失函数为:
其中,L ssim表示感知损失:
分别表示自适应颜色校正与对比增强网络输出的图像和真实图像,/>分别表示两个图像的平均值,/>分别表示图像的方差,/>表示两个常数,以防止分母为零;
为颜色损失,用来确保颜色校正与对比度增强后图像的RGB通道组成的颜色向量与相应的真实图像具有相同的方向,其中k=1,2,3分别表示RGB三通道;IMGenhance表示自适应颜色校正与对比增强网络输出的图像;N表示总的迭代次数;
表示平滑损失,其中/>表示梯度,包括水平与垂直方向;/>、/>、/>表示各损失函数的权重值;/> 表示表示矩阵逐像素相乘;/>表示L1范数;
当损失函数L total连续N次迭代的两两差值均小于预定值时,自适应颜色校正与对比度增强网络对应的校正增强参数、/>、/>为最优值。
5.根据权利要求1所述的方法,其特征在于,所述步骤3中将RGB格式的待校正增强图像IMGuntrue分解为R、G、B三个单通道图时采用opencv的split函数实现。
6.根据权利要求1所述的方法,其特征在于,所述步骤5中对所述颜色校正与对比度增强后的Renhance、Genhance、Benhance三个单通道图进行通道拼接时采用opencv的merge函数实现。
7.一种基于RGB的自适应颜色校正与对比度增强装置,其特征在于,所述装置包括图像采集模块、通道分解模块、自适应颜色校正与对比度增强网络模块和重构模块;
所述图像采集模块用于采集待校正增强图像;
所述通道分解模块用于将待校正增强图像分解为R、G、B三个单通道图;
所述自适应颜色校正与对比度增强网络模块用于提取图像特征、重构图像、并基于训练得到的R、G、B颜色像素三曲线逐像素的校正增强参数、/>、/>最优值对重构后的图像进行逐像素迭代更新,得到颜色校正与对比度增强后的R、G、B三个单通道图;
所述重构模块用于将颜色校正与对比度增强后的R、G、B三个单通道图进行通道拼接得到颜色校正与对比度增强后的图像。
8.根据权利要求7所述的装置,其特征在于,所述颜色像素三曲线迭代公式分别如下:
其中n表示迭代次数;x表示图像中的像素点。
9.权利要求1-6任一所述的方法在图像处理中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321561.7A CN117078561B (zh) | 2023-10-13 | 2023-10-13 | 基于rgb的自适应颜色校正与对比度增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321561.7A CN117078561B (zh) | 2023-10-13 | 2023-10-13 | 基于rgb的自适应颜色校正与对比度增强方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078561A true CN117078561A (zh) | 2023-11-17 |
CN117078561B CN117078561B (zh) | 2024-01-19 |
Family
ID=88702776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311321561.7A Active CN117078561B (zh) | 2023-10-13 | 2023-10-13 | 基于rgb的自适应颜色校正与对比度增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078561B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013103184A1 (ko) * | 2012-01-03 | 2013-07-11 | 중앙대학교 산학협력단 | 색상 채널을 이용한 영상 개선 장치 및 방법 |
US20160078291A1 (en) * | 2014-09-02 | 2016-03-17 | Samsung Electronics Co., Ltd. | Image data processing method and electronic device supporting the same |
CN107330871A (zh) * | 2017-06-29 | 2017-11-07 | 西安工程大学 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
CN109146811A (zh) * | 2018-08-14 | 2019-01-04 | 长沙全度影像科技有限公司 | 一种彩色图像的自适应对比度增强方法 |
CN109919869A (zh) * | 2019-02-28 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 一种图像增强方法、装置及存储介质 |
CN111612705A (zh) * | 2020-04-24 | 2020-09-01 | 南京邮电大学 | 一种增强ocr性能的背景图像消除方法 |
CN112419210A (zh) * | 2020-12-08 | 2021-02-26 | 大连海事大学 | 基于颜色校正和三区间直方图拉伸的水下图像增强方法 |
CN116862794A (zh) * | 2023-07-05 | 2023-10-10 | 东华大学 | 一种基于双补偿和对比调节的水下图像处理方法 |
-
2023
- 2023-10-13 CN CN202311321561.7A patent/CN117078561B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013103184A1 (ko) * | 2012-01-03 | 2013-07-11 | 중앙대학교 산학협력단 | 색상 채널을 이용한 영상 개선 장치 및 방법 |
US20160078291A1 (en) * | 2014-09-02 | 2016-03-17 | Samsung Electronics Co., Ltd. | Image data processing method and electronic device supporting the same |
CN107330871A (zh) * | 2017-06-29 | 2017-11-07 | 西安工程大学 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
CN109146811A (zh) * | 2018-08-14 | 2019-01-04 | 长沙全度影像科技有限公司 | 一种彩色图像的自适应对比度增强方法 |
CN109919869A (zh) * | 2019-02-28 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 一种图像增强方法、装置及存储介质 |
CN111612705A (zh) * | 2020-04-24 | 2020-09-01 | 南京邮电大学 | 一种增强ocr性能的背景图像消除方法 |
CN112419210A (zh) * | 2020-12-08 | 2021-02-26 | 大连海事大学 | 基于颜色校正和三区间直方图拉伸的水下图像增强方法 |
CN116862794A (zh) * | 2023-07-05 | 2023-10-10 | 东华大学 | 一种基于双补偿和对比调节的水下图像处理方法 |
Non-Patent Citations (2)
Title |
---|
李健: "基于双尺度分解的水下彩色图像增强方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2, pages 138 - 1483 * |
马铖旭: "复杂照度下的暗光图像增强研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 9, pages 138 - 411 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078561B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216914B2 (en) | Video blind denoising method based on deep learning, computer equipment and storage medium | |
US10579908B2 (en) | Machine-learning based technique for fast image enhancement | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
WO2023010754A1 (zh) | 一种图像处理方法、装置、终端设备及存储介质 | |
CN110610467B (zh) | 一种基于深度学习的多帧视频去压缩噪声方法 | |
CN109785252B (zh) | 基于多尺度残差密集网络夜间图像增强方法 | |
CN109118437B (zh) | 一种可实时处理浑水图像的方法、存储介质 | |
CN117011194B (zh) | 一种基于多尺度双通道注意力网络的低光图像增强方法 | |
CN113034413A (zh) | 一种基于多尺度融合残差编解码器的低照度图像增强方法 | |
CN115393227A (zh) | 基于深度学习的微光全彩视频图像自适应增强方法及系统 | |
CN112750092A (zh) | 训练数据获取方法、像质增强模型与方法及电子设备 | |
EP3913572A1 (en) | Loss function for image reconstruction | |
CN115035011B (zh) | 一种融合策略下自适应RetinexNet的低照度图像增强方法 | |
CN112465726A (zh) | 基于参考亮度指标指导的低照度可调节亮度增强方法 | |
CN113724134A (zh) | 一种基于残差蒸馏网络的航拍图像盲超分辨率重建方法 | |
CN115209119A (zh) | 一种基于深度神经网络的视频自动着色方法 | |
CN113706393A (zh) | 视频增强方法、装置、设备及存储介质 | |
US11468548B2 (en) | Detail reconstruction for SDR-HDR conversion | |
CN117078561B (zh) | 基于rgb的自适应颜色校正与对比度增强方法及装置 | |
CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
CN116579940A (zh) | 一种基于卷积神经网络的实时低照度图像增强方法 | |
CN111161189A (zh) | 一种基于细节弥补网络的单幅图像再增强方法 | |
CN113935928A (zh) | 基于Raw格式岩心图像超分辨率重建 | |
CN115456903B (zh) | 一种基于深度学习的全彩夜视增强方法和系统 |
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 |