CN117611471A - 基于纹理分解模型的高动态图像合成方法 - Google Patents
基于纹理分解模型的高动态图像合成方法 Download PDFInfo
- Publication number
- CN117611471A CN117611471A CN202410088342.7A CN202410088342A CN117611471A CN 117611471 A CN117611471 A CN 117611471A CN 202410088342 A CN202410088342 A CN 202410088342A CN 117611471 A CN117611471 A CN 117611471A
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- decomposed
- exposure image
- short
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 29
- 238000001308 synthesis method Methods 0.000 title claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 100
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or 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
- G06T2207/20024—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，尤其涉及一种基于纹理分解模型的高动态图像合成方法。包括：S1：获取同一场景下的长曝光和短曝光待分解图像，并分别输入至纹理分解模型，对应获得长曝光和短曝光待分解图像的结构图和纹理图；S2：根据长曝光和短曝光待分解图像的结构图和纹理图，计算获得结构图和纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；S3：将长曝光和短曝光待分解图像的纹理图权重系数矩阵和结构图权重系数矩阵进行归一化处理，获得待合成纹理图像和待合成结构图像；S4：将待合成纹理图像和待合成结构图像进行合成，获得高动态图像。本发明能够解决低照度图像对比度低、噪声大问题，具有还原结构信息，避免块效应的效果。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于纹理分解模型的高动态图像合成方法。
背景技术
在实际工程的应用中，因普通的微光CCD/CMOS图像传感器的动态范围远小于真实场景的动态范围，造成短曝光的成像目标易被相机噪声淹没，而长曝光的成像目标却达到饱和。同时，短曝光的成像普遍存在对比度低、纹理细节信息丢失、噪声严重等问题，严重制约了普通的微光CCD/CMOS图像传感器的应用。现有的微光图像高动态合成法包括Retinex模型和深度学习法，Retinex 模型可用于彩色图像的合成，但用于单通道的全色低照度图像的合成时缺乏物理含义，增强效果差；而深度学习法需大量的训练图像，模型的可扩展性弱。因此，现有的微光图像高动态合成方法因具有噪声高、图像块效应严重的缺点，虽可使合成后图像的对比低得以提升，但整体指令变差。
发明内容
本发明为解决现有的微光图像高动态合成方法所具有的噪声高、图像块效应严重的缺点，提供一种基于纹理分解模型的高动态图像合成方法，能够解决低照度图像对比度低、噪声大问题，具有还原结构信息和保持图像细节的优点，同时能够避免图像块效应的产生。
本发明提出的基于纹理分解模型的高动态图像合成方法，具体包括如下步骤：
S1：获取同一场景下的长曝光待分解图像和短曝光待分解图像，并将长曝光待分解图像和短曝光待分解图像分别输入至纹理分解模型，对应获得长曝光待分解图像和短曝光待分解图像的结构图和纹理图；
S2：根据长曝光待分解图像和短曝光待分解图像的结构图和纹理图，计算获得结构图和纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
S3：将长曝光待分解图像和短曝光待分解图像的纹理图权重系数矩阵和结构图权重系数矩阵进行归一化处理，获得待合成纹理图像和待合成结构图像；
S4：将待合成纹理图像和待合成结构图像进行合成，获得高动态图像。
优选地，纹理分解模型为：
（1）；
其中，为长曝光待分解图像或短曝光待分解图像，/>为长曝光待分解图像或短曝光待分解图像的结构图，/>为长曝光待分解图像或短曝光待分解图像的纹理图，/>为长曝光待分解图像或短曝光待分解图像的噪声图，/>、/>、/>和/>均为权重系数，/>为结构图的权重约束矩阵，/>为长曝光待分解图像或短曝光待分解图像的初始结构图，/>为纹理图的梯度图，/>为结构图的梯度图。
优选地，采用双边滤波法计算长曝光待分解图像或短曝光待分解图像的初始结构图：
（2）；
（3）；
（4）；
其中， 为长曝光待分解图像或短曝光待分解图像在第m行第n列的像度的灰度值，/>为滤波后的长曝光待分解图像或短曝光待分解图像在第i行第j列的像素的灰度值，/>和/>分别为高斯权重和灰度相关权重，/>为以像素点/>为中心，边长（2*r+1），且r=5的正方形区域；/>=0.5和/>=0.5分别为空间标准差和灰度标准差。
优选地，根据式（1），通过下式计算长曝光待分解图像或短曝光待分解图像的纹理图：
（5）；
（6）；
（7）；
其中，为非局部相似性矩阵，/>为以像素点/>为中心，半径2*/>+1的图像区域，为GLCM灰度共生矩阵的第/>行第/>列的矩阵值，/>为常数，/>=0.5，/>和/>分别为二维FFT运算和二维FFT逆运算；/>为纹理图的第（n+1）次迭代结果，/>和/>分别为结构图和噪声图的第n次迭代结果，/>为垂直方向梯度因子，/>为水平方向的梯度因子，为GLCM灰度共生矩阵生成的纹理信息，E为单位矩阵。
优选地，根据式（1），通过下式计算长曝光待分解图像或短曝光待分解图像的结构图：
（8）；
其中，为结构图的第（n+1）次的迭代结果，/>为纹理图的第n次迭代结果，/>为全（/>）矩阵。
优选地，权重约束矩阵：
（9）；
其中，为第i行第j列的像素的结构图权重因子值，/>为标准差。
优选地，通过下式计算结构图和纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
结构图权重系数矩阵的计算公式为：
（10）；
其中，为二维高斯滤波，/>为结构图的图像均值，/>为结构图的一维范数；
纹理图权重系数矩阵的计算公式为：
（11）；
其中，为纹理图的一维范数，/>为纹理图的图像均值，a为计算因子。
优选地，步骤S3具体包括如下步骤：
S31：通过下式将结构图权重系数矩阵和纹理图权重系数矩阵进行归一化处理：
（12）；
（13）；
（14）；
（15）；
其中，为长曝光待分割图像的结构图权重系数矩阵，/>为经归一化处理后的长曝光待分割图像的结构图权重系数矩阵，/>为短曝光待分割图像的结构图权重系数矩阵，为经归一化处理后的短曝光待分割图像的结构图权重系数矩阵，/>为短曝光待分割图像的纹理图权重系数矩阵，/>为经归一化处理后的短曝光待分割图像的纹理图权重系数矩阵，/>长曝光待分割图像的纹理图权重系数矩阵，/>为经归一化处理后的长曝光待分割图像的纹理图权重系数矩阵；
S32：通过下式构建高动态图像的待合成纹理图像和待合成结构图像：
（16）；
（17）；
其中，为长曝光待分割图像的结构图，/>为短曝光待分割图像的结构图，/>为长曝光待分割图像的纹理图，/>为短曝光待分割图像的纹理图，/>为待合成结构图像，/>为待合成纹理图像。
优选地，通过下式将待合成纹理图像和待合成结构图像进行合成，获得高动态图像：
（18）。
与现有技术相比，本发明能够取得如下有益效果：
本发明提供一种基于纹理分解模型的高动态图像合成方法，通过将结构图和纹理图进行分解和融合，继而构建结构图权重系数矩阵和纹理图权重系数矩阵以合成高动态图像的待合成纹理图像和待合成结构图像，具有保持边缘细节信息和避免块效应的优点，且在增强图像对比度的同时，提高了高动态图像的信噪比。
附图说明
图1是根据本发明实施例提供的基于纹理分解模型的高动态图像合成方法的流程示意图；
图2是根据本发明实施例提供的基于纹理分解模型的高动态图像合成方法的结构框图；
图3是根据本发明实施例提供的纹理图的效果示意图；
图4（a）是根据本发明实施例提供的长曝光待分割图像；
图4（b）是根据本发明实施例提供的短曝光待分割图像；
图4（c）是根据本发明实施例提供的合成的高动态图像。
具体实施方式
在下文中，将参考附图描述本发明的实施例。在下面的描述中，相同的模块使用相同的附图标记表示。在相同的附图标记的情况下，它们的名称和功能也相同。因此，将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，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用以解释本发明，而不构成对本发明的限制。
图1示出了根据本发明实施例提供的基于纹理分解模型的高动态图像合成方法的流程，图2示出了根据本发明实施例提供的基于纹理分解模型的高动态图像合成方法的结构，图3示出了根据本发明实施例提供的纹理图的效果。
如图1-图3所示，本发明提出的基于纹理分解模型的高动态图像合成方法，具体包括如下步骤：
S1：获取同一场景下的长曝光待分解图像和短曝光待分解图像，并将长曝光待分解图像和短曝光待分解图像分别输入至纹理分解模型，对应获得长曝光待分解图像和短曝光待分解图像的结构图和纹理图。
S2：根据长曝光待分解图像和短曝光待分解图像的结构图和纹理图，计算获得结构图和纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵。
S3：将长曝光待分解图像和短曝光待分解图像的纹理图权重系数矩阵和结构图权重系数矩阵进行归一化处理，获得待合成纹理图像和待合成结构图像。
步骤S3具体包括如下步骤：
S31：通过下式将结构图权重系数矩阵和纹理图权重系数矩阵进行归一化处理：
（1）；
（2）；
（3）；
（4）；
其中，为长曝光待分割图像的结构图权重系数矩阵，/>为经归一化处理后的长曝光待分割图像的结构图权重系数矩阵，/>为短曝光待分割图像的结构图权重系数矩阵，为经归一化处理后的短曝光待分割图像的结构图权重系数矩阵，/>为短曝光待分割图像的纹理图权重系数矩阵，/>为经归一化处理后的短曝光待分割图像的纹理图权重系数矩阵，/>长曝光待分割图像的纹理图权重系数矩阵，/>为经归一化处理后的长曝光待分割图像的纹理图权重系数矩阵；
S32：通过下式构建高动态图像的待合成纹理图像和待合成结构图像：
（5）；
（6）；
其中，为长曝光待分割图像的结构图，/>为短曝光待分割图像的结构图，/>为长曝光待分割图像的纹理图，/>为短曝光待分割图像的纹理图，/>为待合成结构图像，/>为待合成纹理图像。
S4：将待合成纹理图像和待合成结构图像进行合成，获得高动态图像。
通过下式将待合成纹理图像和待合成结构图像进行合成，获得高动态图像：
（7）。
下面对纹理分解模型进行介绍，纹理分解模型为：
（8）；
其中，为长曝光待分解图像或短曝光待分解图像，/>为长曝光待分解图像或短曝光待分解图像的结构图，/>为长曝光待分解图像或短曝光待分解图像的纹理图，/>为长曝光待分解图像或短曝光待分解图像的噪声图，/>、/>、/>和/>均为权重系数，/>为结构图的权重约束矩阵，/>为长曝光待分解图像或短曝光待分解图像的初始结构图，/>为纹理图的梯度图，/>为结构图的梯度图。
采用双边滤波法计算长曝光待分解图像或短曝光待分解图像的初始结构图：
（9）；
（10）；
（11）；
其中， 为长曝光待分解图像或短曝光待分解图像在第m行第n列的像度的灰度值，/>为滤波后的长曝光待分解图像或短曝光待分解图像在第i行第j列的像素的灰度值，/>和/>分别为高斯权重和灰度相关权重，/>为以像素/>为中心，边长（2*r+1），且r=5的正方形区域；/>=0.5和/>=0.5分别为空间标准差和灰度标准差。
下面对结构图和纹理图的求解过程进行介绍。
根据式（8），通过下式计算长曝光待分解图像或短曝光待分解图像的纹理图：
（12）；
（13）；
（14）；
其中，为非局部相似性矩阵，/>为以像素点/>为中心，半径2*/>+1的图像区域，为GLCM灰度共生矩阵的第/>行第/>列的矩阵值，/>为常数，/>=0.5，/>和/>分别为二维FFT运算和二维FFT逆运算；/>为纹理图的第（n+1）次迭代结果，/>和/>分别为结构图和噪声图的第n次迭代结果，/>为垂直方向梯度因子，/>为水平方向的梯度因子，为GLCM灰度共生矩阵生成的纹理信息，E为单位矩阵。
根据式（8），通过下式计算长曝光待分解图像或短曝光待分解图像的结构图：
（15）；
其中，为结构图的第（n+1）次的迭代结果，/>为纹理图的第n次迭代结果，/>为全（/>）矩阵。
权重约束矩阵：
（16）；
其中，为第i行第j列的像素的结构图权重因子值，/>为标准差。
下面对结构图权重系数矩阵和纹理图权重系数矩阵进行计算。
通过下式计算结构图和纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
结构图权重系数矩阵的计算公式为：
（17）；
其中，为二维高斯滤波，/>为结构图的图像均值，/>为结构图的一维范数；
纹理图权重系数矩阵的计算公式为：
（18）；
其中，为纹理图的一维范数，/>为纹理图的图像均值，a为计算因子。
长曝光待分割图像和短曝光待分割图像噪声图的求解过程如下：
根据式（8）分解出关于噪声图的相关项，公式如下：
（19）；
对上式中的求导，得到：
（20）；
图4（a）示出了根据本发明实施例提供的长曝光待分割图像；图4（b）示出了根据本发明实施例提供的短曝光待分割图像；图4（c）示出了根据本发明实施例提供的合成的高动态图像。
如图4（a）-图4（c）所示，根据本发明实施例提出的基于纹理分解模型的高动态图像合成方法将图4（a）中的长曝光图像和图4（b）中的短曝光图像进行合成，可获得如图4（c）所示的合成的高动态图像。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (9)
1.一种基于纹理分解模型的高动态图像合成方法，其特征在于，具体包括如下步骤：
S1：获取同一场景下的长曝光待分解图像和短曝光待分解图像，并将所述长曝光待分解图像和所述短曝光待分解图像分别输入至所述纹理分解模型，对应获得所述长曝光待分解图像和所述短曝光待分解图像的结构图和纹理图；
S2：根据所述长曝光待分解图像和所述短曝光待分解图像的结构图和纹理图，计算获得所述结构图和所述纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
S3：将所述长曝光待分解图像和所述短曝光待分解图像的纹理图权重系数矩阵和结构图权重系数矩阵进行归一化处理，获得待合成纹理图像和待合成结构图像；
S4：将所述待合成纹理图像和所述待合成结构图像进行合成，获得高动态图像。
2.根据权利要求1所述的基于纹理分解模型的高动态图像合成方法，其特征在于，所述纹理分解模型为：
（1）；
其中，为所述长曝光待分解图像或所述短曝光待分解图像，/>为所述长曝光待分解图像或所述短曝光待分解图像的结构图，/>为所述长曝光待分解图像或所述短曝光待分解图像的纹理图，/>为所述长曝光待分解图像或所述短曝光待分解图像的噪声图，/>、/>、/>和/>均为权重系数，/>为所述结构图的权重约束矩阵，/>为所述长曝光待分解图像或所述短曝光待分解图像的初始结构图，/>为所述纹理图的梯度图，/>为所述结构图的梯度图。
3.根据权利要求2所述的基于纹理分解模型的高动态图像合成方法，其特征在于，采用双边滤波法计算所述长曝光待分解图像或所述短曝光待分解图像的初始结构图：
（2）；
（3）；
（4）；
其中， 为所述长曝光待分解图像或所述短曝光待分解图像在第m行第n列的像度的灰度值，/>为滤波后的所述长曝光待分解图像或所述短曝光待分解图像在第i行第j列的像素的灰度值，/>和/>分别为高斯权重和灰度相关权重，/>为以像素点/>为中心，边长（2*r+1），且r=5的正方形区域；/>=0.5和/>=0.5分别为空间标准差和灰度标准差。
4.根据权利要求3所述的基于纹理分解模型的高动态图像合成方法，其特征在于，根据式（1），通过下式计算所述长曝光待分解图像或所述短曝光待分解图像的纹理图：
（5）；
（6）；
（7）；
其中，为非局部相似性矩阵，/>为以像素点/>为中心，半径2*/>+1的图像区域，/>为GLCM灰度共生矩阵的第/>行第/>列的矩阵值，/>为常数，/>=0.5，/>和/>分别为二维FFT运算和二维FFT逆运算；/>为所述纹理图的第（n+1）次迭代结果，/>和/>分别为所述结构图和所述噪声图的第n次迭代结果，/>为垂直方向梯度因子，/>为水平方向的梯度因子，/>为GLCM灰度共生矩阵生成的纹理信息，E为单位矩阵。
5.根据权利要求4所述的基于纹理分解模型的高动态图像合成方法，其特征在于，根据式（1），通过下式计算长曝光待分解图像或所述短曝光待分解图像的结构图：
（8）；
其中，为所述结构图的第（n+1）次的迭代结果，/>为所述纹理图的第n次迭代结果，为全（/>）矩阵。
6.根据权利要求5所述的基于纹理分解模型的高动态图像合成方法，其特征在于，所述权重约束矩阵：
（9）；
其中，为第i行第j列的像素的结构图权重因子值，/>为标准差。
7.根据权利要求2所述的基于纹理分解模型的高动态图像合成方法，其特征在于，通过下式计算所述结构图和所述纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
所述结构图权重系数矩阵的计算公式为：
（10）；
其中，为二维高斯滤波，/>为所述结构图的图像均值，/>为所述结构图的一维范数；
所述纹理图权重系数矩阵的计算公式为：
（11）；
其中，为所述纹理图的一维范数，/>为所述纹理图的图像均值，a为计算因子。
8.根据权利要求7所述的基于纹理分解模型的高动态图像合成方法，其特征在于，所述步骤S3具体包括如下步骤：
S31：通过下式将所述结构图权重系数矩阵和所述纹理图权重系数矩阵进行归一化处理：
（12）；
（13）；
（14）；
（15）；
其中，为所述长曝光待分割图像的结构图权重系数矩阵，/>为经归一化处理后的所述长曝光待分割图像的结构图权重系数矩阵，/>为所述短曝光待分割图像的结构图权重系数矩阵，/>为经归一化处理后的所述短曝光待分割图像的结构图权重系数矩阵，/>为所述短曝光待分割图像的纹理图权重系数矩阵，/>为经归一化处理后的所述短曝光待分割图像的纹理图权重系数矩阵，/>所述长曝光待分割图像的纹理图权重系数矩阵，/>为经归一化处理后的所述长曝光待分割图像的纹理图权重系数矩阵；
S32：通过下式构建高动态图像的待合成纹理图像和待合成结构图像：
（16）；
（17）；
其中，为所述长曝光待分割图像的结构图，/>为所述短曝光待分割图像的结构图，/>为所述长曝光待分割图像的纹理图，/>为所述短曝光待分割图像的纹理图，/>为所述待合成结构图像，/>为所述待合成纹理图像。
9.根据权利要求8所述的基于纹理分解模型的高动态图像合成方法，其特征在于，通过下式将所述待合成纹理图像和所述待合成结构图像进行合成，获得高动态图像：
（18）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410088342.7A CN117611471B (zh) | 2024-01-22 | 2024-01-22 | 基于纹理分解模型的高动态图像合成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410088342.7A CN117611471B (zh) | 2024-01-22 | 2024-01-22 | 基于纹理分解模型的高动态图像合成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117611471A true CN117611471A (zh) | 2024-02-27 |
| CN117611471B CN117611471B (zh) | 2024-04-09 |
Family
ID=89944679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410088342.7A Active CN117611471B (zh) | 2024-01-22 | 2024-01-22 | 基于纹理分解模型的高动态图像合成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611471B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
| CN107343130A (zh) * | 2017-08-17 | 2017-11-10 | 中国人民解放军国防科技大学 | 一种基于dmd动态分光的高动态成像模块 |
| CN109345525A (zh) * | 2018-09-27 | 2019-02-15 | 方玉明 | 一种去鬼影高动态范围图像质量评价方法 |
| CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
| CN115578286A (zh) * | 2022-10-28 | 2023-01-06 | 辉羲智能科技(上海)有限公司 | 高动态范围的混合曝光成像方法和装置 |
| CN116228553A (zh) * | 2022-12-15 | 2023-06-06 | 西安电子科技大学 | 一种可同时增强高照度和低照度区域清晰度的图像增强方法 |
| CN117291851A (zh) * | 2023-09-05 | 2023-12-26 | 中国人民解放军战略支援部队航天工程大学 | 一种基于低秩分解和稀疏表示的多曝光图像融合方法 |
-
2024
- 2024-01-22 CN CN202410088342.7A patent/CN117611471B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835130A (zh) * | 2015-04-17 | 2015-08-12 | 北京联合大学 | 一种多曝光图像融合方法 |
| CN107343130A (zh) * | 2017-08-17 | 2017-11-10 | 中国人民解放军国防科技大学 | 一种基于dmd动态分光的高动态成像模块 |
| CN109345525A (zh) * | 2018-09-27 | 2019-02-15 | 方玉明 | 一种去鬼影高动态范围图像质量评价方法 |
| CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
| CN115578286A (zh) * | 2022-10-28 | 2023-01-06 | 辉羲智能科技(上海)有限公司 | 高动态范围的混合曝光成像方法和装置 |
| CN116228553A (zh) * | 2022-12-15 | 2023-06-06 | 西安电子科技大学 | 一种可同时增强高照度和低照度区域清晰度的图像增强方法 |
| CN117291851A (zh) * | 2023-09-05 | 2023-12-26 | 中国人民解放军战略支援部队航天工程大学 | 一种基于低秩分解和稀疏表示的多曝光图像融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| XU WANG ET AL.: "Multi-Exposure Decomposition-Fusion Model for High Dynamic Range Image Saliency Detection", IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, vol. 30, no. 12, 31 December 2020 (2020-12-31), pages 4409 - 4420, XP011825067, DOI: 10.1109/TCSVT.2020.2985427 * |
| 宋瑞霞;王孟;王小春;: "NSCT与边缘检测相结合的多聚焦图像融合算法", 计算机辅助设计与图形学学报, no. 12, 15 December 2016 (2016-12-15), pages 2134 - 2141 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117611471B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311629B (zh) | 图像处理方法、图像处理装置及设备 | |
| CN108537746B (zh) | 一种基于深度卷积网络的模糊可变图像盲复原方法 | |
| CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| WO2021048607A1 (en) | Motion deblurring using neural network architectures | |
| CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
| CN112541877B (zh) | 基于条件生成对抗网络的去模糊方法、系统、设备及介质 | |
| CN113284051B (zh) | 一种基于频率分解多注意力机制的人脸超分辨方法 | |
| CN107590779B (zh) | 一种基于图像块聚类字典训练的图像去噪去模糊方法 | |
| CN111161178A (zh) | 基于生成式对抗网络的单幅低光图像增强方法 | |
| CN111986084A (zh) | 一种基于多任务融合的多相机低光照图像质量增强方法 | |
| CN111914997A (zh) | 训练神经网络的方法、图像处理方法及装置 | |
| CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
| CN112270692B (zh) | 一种基于超分辨的单目视频结构和运动预测的自监督方法 | |
| CN111369466A (zh) | 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 | |
| CN111598775B (zh) | 基于lstm网络的光场视频时域超分辨重建方法 | |
| CN114998141A (zh) | 基于多分支网络的空间环境高动态范围成像方法 | |
| Zhao et al. | A simple and robust deep convolutional approach to blind image denoising | |
| CN115018725A (zh) | 一种基于块最小像素先验的衍射图像复原方法 | |
| CN111652815A (zh) | 一种基于深度学习的掩膜板相机图像复原方法 | |
| CN111932452A (zh) | 基于可见光图像增强的红外图像卷积神经网络超分辨方法 | |
| CN117611471B (zh) | 基于纹理分解模型的高动态图像合成方法 | |
| CN117351340A (zh) | 基于双颜色空间的水下图像增强算法 | |
| CN116152128A (zh) | 基于注意力机制的高动态范围多曝光图像融合模型及方法 | |
| CN113674186A (zh) | 基于自适应调整因子的图像合成方法、装置 | |
| CN114511487A (zh) | 图像融合方法及装置、计算机可读存储介质、终端 |
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 |