CN111275642A - 一种基于显著性前景内容的低光照图像增强方法 - Google Patents

一种基于显著性前景内容的低光照图像增强方法 Download PDF

Info

Publication number
CN111275642A
CN111275642A CN202010056934.2A CN202010056934A CN111275642A CN 111275642 A CN111275642 A CN 111275642A CN 202010056934 A CN202010056934 A CN 202010056934A CN 111275642 A CN111275642 A CN 111275642A
Authority
CN
China
Prior art keywords
low
image
map
significant
saliency
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
Application number
CN202010056934.2A
Other languages
English (en)
Other versions
CN111275642B (zh
Inventor
杨勐
郝鹏程
王爽
郑南宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010056934.2A priority Critical patent/CN111275642B/zh
Publication of CN111275642A publication Critical patent/CN111275642A/zh
Application granted granted Critical
Publication of CN111275642B publication Critical patent/CN111275642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于显著性前景内容的低光照图像增强方法，学习低光照图像中的显著性前景内容信息并与增强过程融合，将低光照图像输入低光照显著注意力深度网络模型SAM得到输出的显著图；向深度预测网络模型输入低光照图像并输出对应的深度图；将获得的深度图作为引导图对显著图进行引导滤波，得到显著前景图；对于输入的低光照图像，以显著前景图作为增强程度的权重，采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。本发明能够针对低光照图像中的显著性前景内容区域有效的增强，同时抑制背景和无关内容区域的过度增强并抑制噪声。

Description

一种基于显著性前景内容的低光照图像增强方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于显著性前景内容的低光照图像增强方法。
背景技术
随着图像传感器设备和技术的发展和更新人们可以更便捷地获取高质量的图像，然而在低光照环境下图像传感器因为光线不足，成像会出现对比度较低、随机噪声、颜色失真等问题。这些问题往往对物体识别、检测与跟踪等后续的计算机视觉与图像处理任务的开展产生不少阻碍。为了解决低光照图像的上述问题，人们相继提出了不少低光照增强的方法，根据其所基于的理论和模型主要可划分为三大类：第一类是基于对比度提升的方法例如灰度直方图均衡、自适应对比度增强的方法；第二类是基于Retinex模型的增强算法，其主要原理将原始的低光照自然图像分解为反射图和照射图，通过对照图的估计计算出反射图作为增强后的图像；第三类是随着深度学习技术的发展，人们设计出相应的网络并构造相应的数据集，通过对网络的训练来得到增强低光照图像的模型。
尽管现有的图像增强方法针对一些低光照数据集已经具有比较令人满意的效果，然而面对更普通的低光照图像或者条件更恶劣的低光照图像时，他们往往会暴露出图像过度增强和放大随机噪声等问题。具体来说，不论是对比度提升还是Retinex模型增强，这些方法都是对整张图像的所有区域进行统一的增强，如此一来往往会使得人们所不关注的黑暗天空、地面或墙体得到了过度的增强，更有可能使得路灯、车灯等区域产生过曝光的增强。另一方面由于整体的增强，使得之前隐藏在黑暗中的随机噪声暴露出来，这不仅会破坏图像内部重要的结构信息，同时也会严重影响图像的主观评价。
产生上述问题的主要原因是现有的低光照图像增强的方法在增强的过程中往往忽视图像中的显著性内容以及前景背景内容，只是针对整幅图像直接增强，因而才会导致过度增强、放大噪声等问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于显著性前景内容的低光照图像增强方法，能够确保在对低光照图像显著性前景内容增强的同时，抑制背景内容区域的过度增强。
本发明采用以下技术方案：
一种基于显著性前景内容的低光照图像增强方法，学习低光照图像中的显著性前景内容信息并与增强过程融合，将低光照图像输入低光照显著注意力深度网络模型SAM得到输出的显著图；向深度预测网络模型monodepth2输入低光照图像并输出对应的深度图；将获得的深度图作为引导图对显著图进行引导滤波，得到显著前景图；对于输入的低光照图像，以显著前景图作为增强程度的权重，采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。
具体的，利用拥有10000张训练图像、5000张验证图像以及5000张测试图像的SALICON数据集对SAM模型进行训练，将原始的自然图像通过Gamma变换和添加高斯随机噪声转化为模拟低光照图像，获得模拟低光照图像的显著性预测训练集用于训练，得到针对低光照图像显著性预测的模型。
进一步的，模拟低光照条件预处理后的训练图像L为：
L＝A×Iγ+X
其中，I为原始数据集图像，X为服从高斯分布的随机噪声，A为1，γ为2～5之间的随机数，
Figure BDA0002370228510000031
B为(0，1)之间的均匀分布。
具体的，显著前景图中包含显著图中的显著信息和深度图中显著区域的纹理信息，利用深度图作为引导图对显著图进行引导滤波具体为：
Figure BDA0002370228510000032
Figure BDA0002370228510000033
Figure BDA0002370228510000034
其中，qi为i位置处引导滤波的输出结果即显著前景图在i处的像素值，Di为，ak为，bk为，N(i)是i的邻域窗口，|w|为N(k)的像素点个数，Di为深度图在i处的像素值，ak与bk为邻域窗口内像素k处用深度图线性表示显著前景图的两个参数。
进一步的，ak，bk具体为：
Figure BDA0002370228510000035
Figure BDA0002370228510000036
其中，S为显著图，
Figure BDA0002370228510000037
分别为深度图与显著图对应N(k)的均值，
Figure BDA0002370228510000038
为显著图对应N(k)的标准差，ε为常数。
具体的，利用获得的显著前景图作为增强程度的权重图使原始的低光照图像与直接增强的图像融合，输出结果为O：
Figure BDA0002370228510000039
其中，
Figure BDA00023702285100000310
为原始低光照图像，E为通过LIME算法直接增强的图像，W为显著前景图，O为最终输出结果，⊙表示像素间直接相乘。
具体的，低光照图像深度图预测具体为：
采用mono+stereo_640x192文件作为权重，计算得到输入的低光照图像所对应的深度图。
与现有技术相比，本发明至少具有以下有益效果：
本发明是一种基于显著性前景内容的低光照图像增强方法，通过引导滤波融合显著图与深度图各自的优势得到显著前景图，借助显著前景图作为不同区域增强程度的权重采用LIME算法对整张图像进行不同程度的增强，因此能够准确地增强低光照图像中的显著前景内容区域并有效的抑制背景和无关内容区域的增强并避免噪声的放大。
进一步的，为了获取低光照图像中人类视觉所关注的区域，采用显著图的信息有效地获得低光照图像中的显著区域，采用深度图的信息有效地获得低光照图像中的前景、背景及其结构纹理信息，避免了其他增强方法不加区分的整张图像直接增强。
进一步的，通过引导滤波有效地融合了显著图与深度图，得到的显著前景图既保留了低光照图像中的显著区域，又使得显著区域包含前景背景以及结构纹理信息，避免了单一采纳显著图或深度图出现的显著区域丢失细节或者前景中包含无关信息等问题。
进一步的，将显著前景图作为增强程度的权重图使原始的低光照图像与直接增强的图像融合后输出，使得增强的结果中图像的显著内容能得到有效的增强，与此同时也抑制了图像中的无关背景区域的过度增强和噪声放大。
综上所述，本发明通过融合显著图和深度图有效地提取了低光照图像中的显著前景信息，并将其应用在低光照图像的增强中，能够针对低光照图像中的显著性前景内容区域有效的增强，同时抑制背景和无关内容区域的过度增强并抑制噪声。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的整体流程图；
图2为本发明的输入图，即彩色低光照图像；
图3为本发明显著图预测模型结构示意图；
图4为本发明深度图预测模型结构示意图；
图5为本发明预测图，其中，(a)为显著图，(b)为深度图，(c)为两者融合所得的显著前景图
图6为本发明输出的结果图，其中，(a)为直接增强的结果图，(b)为最终结果图
图7为本发明增强后的结果图与其他方法增强后的结果图，其中，(a)为输入的低光照图像，(b)为自适应对比度提升方法增强后的结果图，(c)为LIME方法增强后的结果图，(d)为LLNet方法增强后的结果图，(e)为使用本发明所述方法增强后的结果图。
具体实施方式
本发明提供了一种基于显著性前景内容的低光照图像增强方法，首先将低光照图像输入低光照显著注意力深度网络模型SAM(Saliency Attention Model)，得到输出的显著图。接着，向深度预测网络模型monodepth2输入低光照图像并输出对应深度图。利用深度图作为引导图对显著图进行引导滤波，得到显著前景图。最后，对于输入的低光照图像，以显著前景图作为增强程度的权重采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。
请参阅图1，本发明一种基于显著性前景内容的低光照图像增强方法，具体步骤如下：
S1、低光照图像显著图预测
请参阅图2和图3，为本发明所采用的显著注意力深度网络模型SAM(SaliencyAttention Model)结构，通过向已训练好的显著注意力深度网络模型SAM输入低光照图像，得到输出的显著图，如图5(a)所示。
其中，SAM模型的训练利用的是拥有10000张训练图像、5000张验证图像以及5000张测试图像的SALICON数据集。由于SALICON数据集中的图像是在自然光照条件下采集的，因此我们对数据集进行低光照条件预处理在输入进模型训练。
具体来说，低光照条件预处理的过程就是将原始的自然图像通过Gamma变换和添加高斯随机噪声转化为模拟低光照图像，如(1)所示。
L＝A×Iγ+ X (1)
Figure BDA0002370228510000061
其中，I指代原始数据集图像，X指代服从高斯分布的随机噪声，L指代模拟低光照条件预处理后的训练图像。选定A为1，γ为2～5之间的随机数，而高斯分布中的均值为0，方差中B为(0，1)之间的均匀分布。最终获得模拟低光照图像的显著性预测训练集用于训练，得到针对低光照图像显著性预测的模型。
S2、低光照图像深度图预测
采用Oisin Mac Aodha等人提出的monodepth2深度图预测模型。其中monodepth2中预测深度图的网络模型为如图4所示的全卷积U-net模型。
关于模型所使用的权重，采用mono+stereo_640x192文件；向此模型输入如图5(a)所示的低光照图像可输出如图5(b)所示的深度图。
S3、利用深度图引导滤波显著图
当获取低光照图像的显著图和深度图后，利用深度图引导滤波显著图得到如图5(c)所示显著前景图。
显著前景图一方面保留了显著图中的显著信息，另一方面又包含了深度图中显著区域的纹理信息。其中，引导滤波的具体操作为：
Figure BDA0002370228510000071
Figure BDA0002370228510000072
Figure BDA0002370228510000073
其中，qi为i位置处引导滤波的输出结果即显著前景图在i处的像素值，
Figure BDA0002370228510000074
N(i)是i的邻域窗口，|w|为N(k)的像素点个数，D为深度图，S为显著图，
Figure BDA0002370228510000075
分别为深度图与显著图对应N(k)的均值，
Figure BDA0002370228510000076
为显著图对应N(k)的标准差，ε为常数。在这里设定常数ε为0.001，领域窗口半径为30。
S4、融合显著前景图增强低光照图像
在获得显著前景图后，将其作为增强程度的权重图，借助它使原始的低光照图像与直接增强的图像融合如(6)所示。
Figure BDA0002370228510000081
其中，
Figure BDA0002370228510000082
为原始低光照图像，E为通过LIME算法直接增强的图像，W为显著前景图，O为最终输出结果，⊙表示像素间直接相乘。
请参阅图6，通过融合显著前景图增强图6(a)所示的低光照图像，可得到如图6(b)所示的结果。通过观察我们会发现图像中的主要内容即摩托车手被明显增强，与此同时，无关的背景即黑色夜空并没有被过度增强，同时也避免了放大背景中的噪声的问题。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明的主要作用体现在两个方面：
一是通过融合显著图和深度图，能够有效地获取低光照图像中的显著性前景内容的信息并将其应用于增强过程中使得人类视觉关注的内容能被准确增强，如与图7(b)比较，我们的结果中画面中的摩托车手被更加准确地增强了；
另一方面借助显著性前景内容信息我们可以有效抑制背景和无关内容区域的增强程度，这样可以避免如图7(c)的方法产生的过度增强和噪声放大等现象，以获得主观视觉上优于现有方法的结果图。
综上所述，本发明方法能够基于图像中的显著性前景内容信息合理地增强低光照图像中不同区域的，确保图像的显著性前景内容被准确增强的同时抑制背景和无关内容区域的过度增强和噪声。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种基于显著性前景内容的低光照图像增强方法，其特征在于，学习低光照图像中的显著性前景内容信息并与增强过程融合，将低光照图像输入低光照显著注意力深度网络模型SAM得到输出的显著图；向深度预测网络模型monodepth2输入低光照图像并输出对应的深度图；将获得的深度图作为引导图对显著图进行引导滤波，得到显著前景图；对于输入的低光照图像，以显著前景图作为增强程度的权重，采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。
2.根据权利要求1所述的基于显著性前景内容的低光照图像增强方法，其特征在于，利用拥有10000张训练图像、5000张验证图像以及5000张测试图像的SALICON数据集对SAM模型进行训练，将原始的自然图像通过Gamma变换和添加高斯随机噪声转化为模拟低光照图像，获得模拟低光照图像的显著性预测训练集用于训练，得到针对低光照图像显著性预测的模型。
3.根据权利要求2所述的基于显著性前景内容的低光照图像增强方法，其特征在于，模拟低光照条件预处理后的训练图像L为：
L＝A×Iγ+X
其中，I为原始数据集图像，X为服从高斯分布的随机噪声，A为1，γ为2～5之间的随机数，
Figure FDA0002370228500000011
B为(0，1)之间的均匀分布。
4.根据权利要求1所述的基于显著性前景内容的低光照图像增强方法，其特征在于，显著前景图中包含显著图中的显著信息和深度图中显著区域的纹理信息，利用深度图作为引导图对显著图进行引导滤波具体为：
Figure FDA0002370228500000012
Figure FDA0002370228500000013
Figure FDA0002370228500000021
其中，qi为i位置处引导滤波的输出结果即显著前景图在i处的像素值，N(i)是i的邻域窗口，|w|为N(k)的像素点个数，Di为深度图在i处的像素值，ak与bk为邻域窗口内像素k处用深度图线性表示显著前景图的两个参数。
5.根据权利要求4所述的基于显著性前景内容的低光照图像增强方法，其特征在于，ak，bk具体为：
Figure FDA0002370228500000022
Figure FDA0002370228500000023
其中，S为显著图，
Figure FDA0002370228500000024
分别为深度图与显著图对应N(k)的均值，
Figure FDA0002370228500000025
为显著图对应N(k)的标准差，ε为常数。
6.根据权利要求1所述的基于显著性前景内容的低光照图像增强方法，其特征在于，利用获得的显著前景图作为增强程度的权重图使原始的低光照图像与直接增强的图像融合，输出结果为O：
Figure FDA0002370228500000026
其中，
Figure FDA0002370228500000027
为原始低光照图像，E为通过LIME算法直接增强的图像，W为显著前景图，O为最终输出结果，⊙表示像素间直接相乘。
7.根据权利要求1所述的基于显著性前景内容的低光照图像增强方法，其特征在于，低光照图像深度图预测具体为：
采用mono+stereo_640x192文件作为权重，计算得到输入的低光照图像所对应的深度图。
CN202010056934.2A 2020-01-16 2020-01-16 一种基于显著性前景内容的低光照图像增强方法 Active CN111275642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010056934.2A CN111275642B (zh) 2020-01-16 2020-01-16 一种基于显著性前景内容的低光照图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010056934.2A CN111275642B (zh) 2020-01-16 2020-01-16 一种基于显著性前景内容的低光照图像增强方法

Publications (2)

Publication Number Publication Date
CN111275642A true CN111275642A (zh) 2020-06-12
CN111275642B CN111275642B (zh) 2022-05-20

Family

ID=71001722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010056934.2A Active CN111275642B (zh) 2020-01-16 2020-01-16 一种基于显著性前景内容的低光照图像增强方法

Country Status (1)

Country Link
CN (1) CN111275642B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915526A (zh) * 2020-08-05 2020-11-10 湖北工业大学 一种基于亮度注意力机制低照度图像增强算法的摄影方法
CN112862715A (zh) * 2021-02-08 2021-05-28 天津大学 一种实时且可控的尺度空间滤波方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400351A (zh) * 2013-07-30 2013-11-20 武汉大学 基于kinect深度图的低光照图像增强方法及***
US20150302592A1 (en) * 2012-11-07 2015-10-22 Koninklijke Philips N.V. Generation of a depth map for an image
WO2018023734A1 (zh) * 2016-08-05 2018-02-08 深圳大学 一种3d图像的显著性检测方法
CN108399610A (zh) * 2018-03-20 2018-08-14 上海应用技术大学 一种融合rgb图像信息的深度图像增强方法
CN108665494A (zh) * 2017-03-27 2018-10-16 北京中科视维文化科技有限公司 基于快速引导滤波的景深实时渲染方法
CN109215031A (zh) * 2017-07-03 2019-01-15 中国科学院文献情报中心 基于图像显著性提取的加权引导滤波景深渲染方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150302592A1 (en) * 2012-11-07 2015-10-22 Koninklijke Philips N.V. Generation of a depth map for an image
CN103400351A (zh) * 2013-07-30 2013-11-20 武汉大学 基于kinect深度图的低光照图像增强方法及***
WO2018023734A1 (zh) * 2016-08-05 2018-02-08 深圳大学 一种3d图像的显著性检测方法
CN108665494A (zh) * 2017-03-27 2018-10-16 北京中科视维文化科技有限公司 基于快速引导滤波的景深实时渲染方法
CN109215031A (zh) * 2017-07-03 2019-01-15 中国科学院文献情报中心 基于图像显著性提取的加权引导滤波景深渲染方法
CN108399610A (zh) * 2018-03-20 2018-08-14 上海应用技术大学 一种融合rgb图像信息的深度图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI LIU ET AL: "Robust Color Guided Depth Map Restoration", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
王星等: "一种矿井图像增强算法", 《工矿自动化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915526A (zh) * 2020-08-05 2020-11-10 湖北工业大学 一种基于亮度注意力机制低照度图像增强算法的摄影方法
CN111915526B (zh) * 2020-08-05 2024-05-31 湖北工业大学 一种基于亮度注意力机制低照度图像增强算法的摄影方法
CN112862715A (zh) * 2021-02-08 2021-05-28 天津大学 一种实时且可控的尺度空间滤波方法

Also Published As

Publication number Publication date
CN111275642B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN111292264B (zh) 一种基于深度学习的图像高动态范围重建方法
CN108986050B (zh) 一种基于多分支卷积神经网络的图像和视频增强方法
CN111553929B (zh) 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN113313657B (zh) 一种用于低光照图像增强的非监督学习方法和***
CN112614077B (zh) 一种基于生成对抗网络的非监督低照度图像增强方法
Wang et al. A fast single-image dehazing method based on a physical model and gray projection
CN112465709B (zh) 一种图像增强方法、装置、存储介质及设备
CN111242868B (zh) 暗视觉环境下基于卷积神经网络的图像增强方法
CN111275642B (zh) 一种基于显著性前景内容的低光照图像增强方法
Wang et al. Enhancement for dust-sand storm images
CN115880177A (zh) 聚合上下文和增强细节的全分辨率低照度图像增强方法
Kumar et al. Intelligent model to image enrichment for strong night-vision surveillance cameras in future generation
Singh et al. Visibility enhancement and dehazing: Research contribution challenges and direction
CN115187954A (zh) 一种基于图像处理的特殊场景下交通标志识别方法
CN116452469B (zh) 一种基于深度学习的图像去雾处理方法及装置
CN117611501A (zh) 一种低照度图像增强方法、装置、设备及可读存储介质
Huang et al. Image dehazing based on robust sparse representation
CN116612355A (zh) 人脸伪造识别模型训练方法和装置、人脸识别方法和装置
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
CN112686851B (zh) 一种图像检测方法、装置及存储介质
Zhou et al. An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal
CN114549340A (zh) 对比度增强方法、计算机程序产品、存储介质及电子设备
Li et al. Multi-scale fusion framework via retinex and transmittance optimization for underwater image enhancement
Ma et al. Image Dehazing Based on Improved Color Channel Transfer and Multiexposure Fusion
CN113592752B (zh) 一种基于对抗网络的道路交通光污损图像增强方法及装置

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