CN111553863A - 一种基于非凸全变分型正则化的图像增强方法 - Google Patents
一种基于非凸全变分型正则化的图像增强方法 Download PDFInfo
- Publication number
- CN111553863A CN111553863A CN202010361467.4A CN202010361467A CN111553863A CN 111553863 A CN111553863 A CN 111553863A CN 202010361467 A CN202010361467 A CN 202010361467A CN 111553863 A CN111553863 A CN 111553863A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- illumination
- regularization
- log
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005286 illumination Methods 0.000 claims abstract description 44
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000004800 variational method 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
- G06T5/70—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
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种基于非凸全变分型(TV)正则化的图像增强方法,主要涉及图像的偏移场校正,可用于医学图像的光照不均匀和彩色图像的阴影消除等。
背景技术
给定一幅图像,在不同的光照条件下,人类视觉***趋向于看到相同的颜色,这一现象被称为颜色恒常性。换句话说,它确保了在光照变化的情况下,物体的颜色和灰度等信息保持不变。最典型的一个例子是Adelson棋盘阴影错觉,如图2(a)所示,从视觉上看区域A比区域B更暗。然而,如果将该图像直接以绘图软件打开,用取色功能来确认,就会发现其实这两个区域的颜色完全一样。也就是说,在数字图像中,这两个区域的灰度值是相同的,如图2(b)所示。此外,在图2(c)中用同样颜色的、贯穿区域A和区域B的长条来对比,可以发现区域A和区域B的灰度是相同的。这一现象是由不同的光照条件所造成的,称之为Retinex效应。事实上,这种现象也会经常出现在医学图像中,即灰度不均匀。如在磁共振成像过程中,由于射频线圈产生不均匀的磁场等因素,造成磁共振图像具有灰度不均匀的特点,在彩色图像中的彩色阴影效应等。
Retinex理论认为,图像是由光照部分和反射部分的乘积组成,光照部分是由光源引起的对图像的干扰,反射部分代表的是图像的本质信息。Retinex理论通过计算光照部分,并将光照部分从原图中去除来得到图像的反射部分,即图像的本质特征。
关于图像增强问题,大多数现有的变分模型主要还是将原始图像进行对数变换,从而将乘积形式转化为加法形式。这种变换可以减少计算的复杂度,同时模拟人眼对光照强度的感知。但是,现存的方法很少关注噪声存在的情况,当观测到的图像被噪声干扰时,这些方法就会缺少鲁棒性,无法得到高质量的复原结果。此外,现存的方法也很少基于(拟)范数来描述图像的稀疏性。
发明内容
针对现有图像增强方法很少关注噪声存在,未考虑图像的稀疏性,无法得到高质量复原结果的技术问题,本发明提出一种基于非凸全变分型正则化的图像增强方法,考虑了噪声对图像的干扰,通过正则项惩罚图像的稀疏性,提高图像的复原结果。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于非凸全变分型正则化的图像增强方法,其步骤如下:
步骤一:输入包含噪声和灰度不均匀的待复原的原始图像,对原始图像进行对数变换;
步骤二:计算对数变换后图像的梯度映射以消除噪声;
步骤三:利用Retinex理论估计经过步骤二处理的复原图像的光照部分并去除光照部分;
步骤四:对步骤三中处理后的图像进行指数变换,获得最终的增强图像。
所述步骤一中原始图像包含噪声和偏移场的数学模型描述为:
S(x,y)=R(x,y)×L(x,y)+n(x,y);
其中,S(x,y)是从数字图像设备获得的原始图像在坐标位置(x,y)处的像素值;L(x,y)是原始图像的光照部分在位置(x,y)处的像素值;R(x,y)是原始图像的反射部分在位置(x,y)处的像素值,n(x,y)表示高斯白噪声;
运用对数变换将乘法运算变成加法运算:
v=r+l;
其中,反射对数部分r=log(R),光照对数部分l=log(L)和光照反射对数部分v=log(R×L);R为像素值R(x,y)对应的反射部分,L为像素值L(x,y)对应的光照部分。
所述所述步骤三中基于Retinex理论提出的模型为:
其中,α,β,γ是正的正则化参数,μ是罚参数;是数据拟合项,是正则项,是惩罚项,是适定项,参数θ取很小的值;S是原始图像S(x,y)的简写,v为光照反射对数部分,r为反射对数部分,l为光照对数部分,表示Hessian算子,指数p∈(0,1)。
所述基于Retinex理论提出的模型是多变量优化问题,变量v,r,l是耦合在一起的,利用交替极小化算法进行求解,即将同时求解多个变量的问题转化为依次求解单个变量的过程,在求解其中一个变量的过程中固定其它两个变量。
所述交替极小化算法的求解步骤为:
(1)初值选取:根据图像特征选取合适的参数α,β,γ,μ,θ;并令v0=r0=log(S);
(2)迭代:
(3)满足终止条件迭代终止:
max(R(rn,ln))≤10-5,
其中,rn、ln分别表示对数部分r,l第n次迭代的结果,vn+1、rn+1和ln+1分别是关于对数部分v,r,l的最优解,p,q∈(0,1)。
其中,Λ1,Λ2是拉格朗日乘子,r1,r2是惩罚参数。
ηk+1=ρηk;
其中,T(wk,ηk,p)=p(||wk||2,1+ηk)p-1,ρ和p∈(0,1);r3是惩罚参数,Λ3是拉格朗日乘子,shrink()表示软阈值算子,η的作用是为了防止分母为零,ρ表示步长;
对复原结果r进行指数变换R=er,获得最终的增强图像R。
与现有技术相比,本发明的有益效果:
1、本发明基于Retinex理论,数据拟合项用指数变换代替已有技术的对数变换,然后再做指数变换,通过指数变换,可以解决对数变换带来的对比度降低的问题,提高图像复原的质量。
3、在本发明中采用交替极小化算法,将原问题转变成一些容易求解的子问题。本发明采用交替方向乘子法(ADMM)来求解子问题,即通过引入辅助变量,将原问题转变成更小的子问题,使得每个子问题都更容易求解。
4、本发明考虑同时包含噪声和灰度不均匀的图像,对于不同水平的噪声,都可以得到高质量的复原结果,展示了本发明的鲁棒性。
5、本发明可用于不同类型的图片,例如合成图像、仿真图像以及医学MR图像等。本发明能广泛应用于图像分割、图像配准等领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明的流程图。
图2为Adelson棋盘阴影错觉图,其中,(a)为原图像,(b)为(a)的数字图像,(c)为(a)的无错觉图像。
图3为包含噪声和偏移场的MR图像。
图4为本发明和现有Retinex变分方法对图3进行复原的结果对比图,其中,(a)为本发明对图3进行去噪后的复原结果,(b)为本发明利用Retinex理论对图3去噪后的复原结果分解出的光照部分,(c)为本发明利用Retinex理论对图3去噪后的复原结果分解出的反射部分,即最终的复原结果,(d)为TVH1方法对图3的复原结果,(e)为HOTVL1方法对图3的复原结果。
图5为本发明和现有Retinex变分方法对“Brain”图像复原后的结果对比图,其中,(a)为原始Brain图像,(b)为TVH1方法复原的结果图,(c)为HOTVL1方法的复原结果图,(d)为本发明复原结果图,(e)为图(b)的矩形局部区域图,(f)为图(c)的矩形局部区域图,(g)为(d)的矩形局部区域图。
图6为本发明和现有Retinex变分方法对“Head”图像复原后的结果对比图,其中,(a)为Head原始图,(b)为TVH1方法复原的结果图,(c)为HOTVL1方法的复原结果图,(d)为本发明复原结果图。
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付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。
如图1所示,一种基于非凸全变分型正则化的图像增强方法,基于图像Retinex理论,估计光照分量并去除光照部分,然后,根据噪声的先验信息,计算图像的梯度映射来消除噪声,最后得到高质量的复原结果,其具体步骤如下:
步骤一:输入包含噪声和灰度不均匀的待复原的原始图像,对原始图像进行对数变换后再进行指数变换。
人类视觉***感知到的颜色信息是由物体表面的反射性质决定的,而与光照无关。但由于光照的影响,会使得获得的图像存在灰度不均匀的现象,即图像存在偏移场。本发明从数字成像设备获得一幅如图3所示的待复原的原始图像S(x,y),原始图像S(x,y)存在灰度不均匀现象且被噪声干扰。
包含噪声和偏移场的原始图像的数学模型可以描述为:
S(x,y)=R(x,y)×L(x,y)+n(x,y) (1)
其中,S(x,y)是从数字图像设备获得的原始图像在坐标位置(x,y)处的像素值;L(x,y)是原始图像的光照部分在位置(x,y)处的像素值,即物体接受的光照强度;R(x,y)是原始图像的反射部分在位置(x,y)处的像素值,即物体的反射率,它是物体的本质信息,以及n(x,y)表示高斯白噪声。
由于数学模型(1)中的乘法运算会导致数值的不稳定,所以本发明运用对数变换将乘法运算变成下面的加法运算,即:
v=r+l;
其中,反射对数部分r=log(R),光照对数部分l=log(L)和光照反射对数部分v=log(R×L)。R为像素值R(x,y)对应的反射部分,L为像素值L(x,y)对应的光照部分,n表示高斯白噪声n(x,y)的简写,S是像素值S(x,y)对应的原始图像。
然后再对对数变换后的模型做v=r+l指数变换,于是,数学模型(1)就等价于:
S=ev+n; (2)
这里采用指数变换ev的目的是通过指数变换以解决对数变换带来的对比度降低的问题,提高图像复原的质量。
步骤二:计算指数变换后图像的梯度映射以消除噪声。
数据拟合项衡量了指数变换ev与原始图像S的拟合程度,确保去噪后的复原图像与原始图像不要偏差太远。正则项描述了噪声的先验信息,使得去噪后的图像具有一定的平滑性,其中,对应ev的梯度。图3经过步骤二处理得到的复原结果如图4(a)所示,可以直观地发现去噪后的复原图像中不含有噪声,达到了很好的去噪效果。
步骤三:利用Retinex理论估计经过步骤二处理的复原图像的光照部分并去除光照部分。
Retinex理论认为,光照引起的颜色变化是缓慢的,一般表现为平滑的光照梯度。相反地,由反射引起的颜色变化是迅速。通过考虑这两种变化不同的形式,可以将图像信息分为光照信息和反射信息,然后利用分解的光照信息来获得反射信息,既物体的本质信息。
基于Retinex理论,本发明假设光照部分L是空间光滑的,因此利用高阶全变分(拟)范数的正则项来估计光照部分,其具体形式为:其中,表示Hessian算子,F表示Frobenius范数以及q∈(0,1),l表示光照部分L的对数变换。经过步骤三,利用Retinex理论对图3进行分解,得到光照部分和反射部分,如图4(b)和(c)所示,图4(c)为图像的本质信息。
步骤四:对步骤三中处理后的图像进行指数变换,获得最终的增强图像。
从步骤三中得到复原结果r,经过指数变换R=er,获得最终的增强结果R。
基于Retinex理论,本发明提出下面的模型:
本发明所提模型(3)是多变量优化问题,其中变量v,r,l是耦合在一起的,如果直接求解,则需要求解大规模的问题,从而导致数值求解困难。为了克服这一问题的,本发明交替极小化算法进行求解,即将同时求解多个变量的问题转化为依次求解单个变量的过程。
由于模型(3)是多变量优化问题,在求解其中一个变量的过程中固定其它两个变量,即使用经典的交替极小化算法求解,其具体步骤为:
1.初值选取:根据图像特征选取合适的参数α,β,γ,μ,θ;并令v0=r0=log(S);
2.迭代:
3.满足终止条件迭代终止:
max(R(rn,ln))≤10-5,
rn、ln分别表示对数部分r,l第n次迭代的结果,vn+1、rn+1和ln+1分别表示关于对数部分变量v,r,l的最优解,p,q∈(0,1)。
由于子问题v中含有非线性函数ev,范数的存在,使得这个子问题是非凸和非光滑的,因此直接求解非常困难。本发明采用交替方向乘子法(ADMM)来求解该子问题,即通过引入辅助变量,将原问题转变成更小的子问题,使得每个子问题都更容易求解。即引入辅助变量u=ev和然后写出增广拉格朗日函数,最后利用ADMM进行求解,具体的形式为:
其中,Λ1,Λ2是拉格朗日乘子,r1,r2是惩罚参数。
通过步骤二去除噪声,获得初始复原结果v,然后再利用Retinex理论将初始复原结果v分解成光照对数部分l和反射对数部分r。
对于子问题r,由于(拟)范数的存在,使得该问题是非凸、非光滑和非Lipschitz的。为了有效地求解该问题,本发明采用迭代加权最小化算法来求解这两个子问题。首先引入辅助变量基于ADMM,可以写成下面的迭代形式:
ηk+1=ρηk;
其中,T(wk,ηk,p)=p(||wk||2,1+ηk)p-1,ρ和p∈(0,1)。
本发明的实验平台为:因特尔酷睿处理器5500U,[email protected]赫兹,8G内存个人笔记本,使用Matlab2018进行程序设计。
具体实验一:
通过本发明和现有Retinex变分方法对图3进行复原并对比,复原结果如图4,其中,图4(a)为本发明对图3进行去噪后的复原结果,图4(b)为本发明利用Retinex理论对图3去噪后的复原结果分解出的光照部分,图4(c)为本发明利用Retinex理论对图3去噪后的复原结果分解出的反射部分,即图像的本质信息,本发明最终的复原结果,图4(d)为TVH1方法对图3的复原结果,图4(e)为HOTVL1方法对图3的复原结果。
由图3可以直观地发现,图像中间位置较左右两边偏亮,但实际上它们的亮度应该是一样的。从图4(c)可以直接看出,本发明方法得到的复原结果的中间位置和左右两边的亮度一样,有效地校正了偏移场,同时,复原结果中不含有噪声,这说明了本发明拥有更高质量的复原结果。从图4(d)、图4(e)展示的复原结果,TVH1方法的复原结果中间位置还是偏亮,没有很好地校正偏移场。HOTVL1方法虽然校正了偏移场,但是降低了原始图像的对比度,此外,复原图像中还含有噪声。
具体实验二:
分别用本发明和现有Retinex变分方法对一幅仿真图像和一幅真实的医学MR图像进行复原并对比,结果如图5和图6,其中:
图5是用现有Retinex变分方法和本发明方法对“Brain”图像复原后的结果对比图,其中:图5(a)是“Brain”图像,图5(b)是用TVH1方法对图5(a)复原后的结果图像,图5(c)是用HOTVL1方法对图5(a)复原后的结果图像,图5(d)是用本发明方法对图5(a)复原后的结果图像。图5(e)为图5(b)的矩形局部区域图,图5(f)为图5(c)的矩形局部区域图,图5(g)为图5(d)的矩形局部区域图。
图6是用现有Retinex变分方法和本发明方法对“Head”图像复原后的结果对比图,其中:图6(a)是“Head”原始图像,图6(b)是用TVH1方法对图6(a)复原后的结果图像,图6(c)是用HOTVL1方法对图6(a)复原后的结果图像,图6(d)是用本发明方法对图6(a)复原后的结果图像。
从图5(b)和图5(c)可以看出,TVH1方法和HOTVL1方法这两种方法虽然能够校正偏移场,但是图像中还含有噪声。相反,通过图5(d),可以发现本发明不仅可以校正偏移场,而且图像中不含有噪声,去噪效果很好。
为了进一步展示本发明的有效性,放大图4(a)的局部区域对应的三种方法的复原结果,即图4(e)-图4(g)。通过局部细节图,可以很好的展示本发明的方法更具有鲁棒性。
通过观察图6(a),可以发现由于偏移场和噪声的影响,使得图像的底部较暗,细节信息很难辨认,这些都会影响后续图像处理的有效性,比如图像分割、图像配准等。因此,校正偏移场和去除噪声是非常重要的。从图6(b)、图6(c)和图6(d)可以看出,TVH1方法虽然可以有效的去除偏移场,使图像底部的细节信息能够被清晰辨认,但是背景图会变得偏白,破坏了原始图像的背景,HOTVL1方法同样地可以校正偏移场,但是图像的上部(即脑部)的很多细节都缺失了,变得过度光滑。相反地,本发明方法的复原结果中,不仅复原了图像底部的细节信息,而且保持了脑部的细节,体现了本发明方法的有效性和鲁棒性。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.一种基于非凸全变分型正则化的图像增强方法,其特征在于,其步骤如下:
步骤一:输入包含噪声和灰度不均匀的待复原的原始图像,对原始图像进行对数变换;
步骤二:计算对数变换后图像的梯度映射以消除噪声;
步骤三:利用Retinex理论估计经过步骤二处理的复原图像的光照部分并去除光照部分;
步骤四:对步骤三中处理后的图像进行指数变换,获得最终的增强图像。
2.根据权利要求1所述的基于非凸全变分型正则化的图像增强方法,其特征在于,所述步骤一中原始图像包含噪声和偏移场的数学模型描述为:
S(x,y)=R(x,y)×L(x,y)+n(x,y);
其中,S(x,y)是从数字图像设备获得的原始图像在坐标位置(x,y)处的像素值;L(x,y)是原始图像的光照部分在位置(x,y)处的像素值;R(x,y)是原始图像的反射部分在位置(x,y)处的像素值,n(x,y)表示高斯白噪声;
运用对数变换将乘法运算变成加法运算:
v=r+l;
其中,反射对数部分r=log(R),光照对数部分l=log(L)和光照反射对数部分v=log(R×L);R为像素值R(x,y)对应的反射部分,L为像素值L(x,y)对应的光照部分。
6.根据权利要求5所述的基于非凸全变分型正则化的图像增强方法,其特征在于,所述基于Retinex理论提出的模型是多变量优化问题,变量v,r,l是耦合在一起的,利用交替极小化算法进行求解,即将同时求解多个变量的问题转化为依次求解单个变量的过程,在求解其中一个变量的过程中固定其它两个变量。
8.根据权利要求7所述的基于非凸全变分型正则化的图像增强方法,其特征在于,所述步骤(2)中的每个子问题vn+1、rn+1、ln+1利用交替方向乘子法和迭代加权l1最小化算法进行求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361467.4A CN111553863B (zh) | 2020-04-30 | 2020-04-30 | 一种基于非凸全变分型正则化的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361467.4A CN111553863B (zh) | 2020-04-30 | 2020-04-30 | 一种基于非凸全变分型正则化的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553863A true CN111553863A (zh) | 2020-08-18 |
CN111553863B CN111553863B (zh) | 2023-03-03 |
Family
ID=72004879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361467.4A Active CN111553863B (zh) | 2020-04-30 | 2020-04-30 | 一种基于非凸全变分型正则化的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553863B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017130A (zh) * | 2020-08-31 | 2020-12-01 | 郑州财经学院 | 新颖的基于自适应各向异性全变分正则化的图像复原方法 |
CN112233046A (zh) * | 2020-11-16 | 2021-01-15 | 山东科技大学 | 一种柯西噪声下的图像复原方法及其应用 |
CN112950512A (zh) * | 2021-03-30 | 2021-06-11 | 湖北地信科技集团股份有限公司 | 基于dca算法的sar图像相干斑抑制方法 |
CN113313670A (zh) * | 2021-05-04 | 2021-08-27 | 西北工业大学 | 一种基于交替方向乘子法的水下光照不均匀图像增强方法 |
CN113610717A (zh) * | 2021-07-16 | 2021-11-05 | 江苏师范大学 | 一种用于皮肤病紫外荧光图像的增强方法 |
CN113598785A (zh) * | 2021-08-31 | 2021-11-05 | 山东省人工智能研究院 | 基于小波域稀疏特性的心电信号去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140341481A1 (en) * | 2013-03-15 | 2014-11-20 | Karen A. Panetta | Methods and Apparatus for Image Processing and Analysis |
WO2018099321A1 (zh) * | 2016-11-30 | 2018-06-07 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN108416750A (zh) * | 2018-03-08 | 2018-08-17 | 闽南师范大学 | 一种图像恢复方法 |
-
2020
- 2020-04-30 CN CN202010361467.4A patent/CN111553863B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140341481A1 (en) * | 2013-03-15 | 2014-11-20 | Karen A. Panetta | Methods and Apparatus for Image Processing and Analysis |
WO2018099321A1 (zh) * | 2016-11-30 | 2018-06-07 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN108416750A (zh) * | 2018-03-08 | 2018-08-17 | 闽南师范大学 | 一种图像恢复方法 |
Non-Patent Citations (2)
Title |
---|
吴壮志;齐立娜;骆沛;: "基于分片光滑照度估计的Retinex图像处理框架" * |
郭从洲;时文俊;秦志远;耿则勋;: "空间目标图像的非凸稀疏正则化波后复原" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017130A (zh) * | 2020-08-31 | 2020-12-01 | 郑州财经学院 | 新颖的基于自适应各向异性全变分正则化的图像复原方法 |
CN112233046A (zh) * | 2020-11-16 | 2021-01-15 | 山东科技大学 | 一种柯西噪声下的图像复原方法及其应用 |
CN112950512A (zh) * | 2021-03-30 | 2021-06-11 | 湖北地信科技集团股份有限公司 | 基于dca算法的sar图像相干斑抑制方法 |
CN113313670A (zh) * | 2021-05-04 | 2021-08-27 | 西北工业大学 | 一种基于交替方向乘子法的水下光照不均匀图像增强方法 |
CN113313670B (zh) * | 2021-05-04 | 2024-02-02 | 西北工业大学 | 一种基于交替方向乘子法的水下光照不均匀图像增强方法 |
CN113610717A (zh) * | 2021-07-16 | 2021-11-05 | 江苏师范大学 | 一种用于皮肤病紫外荧光图像的增强方法 |
CN113610717B (zh) * | 2021-07-16 | 2024-01-19 | 江苏师范大学 | 一种用于皮肤病紫外荧光图像的增强方法 |
CN113598785A (zh) * | 2021-08-31 | 2021-11-05 | 山东省人工智能研究院 | 基于小波域稀疏特性的心电信号去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553863B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553863B (zh) | 一种基于非凸全变分型正则化的图像增强方法 | |
Gao et al. | Naturalness preserved nonuniform illumination estimation for image enhancement based on retinex | |
CN110706174B (zh) | 一种图像增强方法、终端设备及存储介质 | |
CN105654436B (zh) | 一种基于前景背景分离的背光图像增强去噪方法 | |
Gastal et al. | Domain transform for edge-aware image and video processing | |
CN107527332A (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
US9569684B2 (en) | Image enhancement using self-examples and external examples | |
CN111080686B (zh) | 用于自然场景中图像高光去除的方法 | |
JP7353803B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN112233046B (zh) | 一种柯西噪声下的图像复原方法及其应用 | |
CN110570381B (zh) | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 | |
WO2010050914A1 (en) | Method and system for enhancing image signals to alter the perception of depth by human viewers | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及*** | |
Wang et al. | Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition | |
CN115937032A (zh) | 一种水下暗图像复原方法及*** | |
Zhang et al. | Underwater image enhancement via multi-scale fusion and adaptive color-gamma correction in low-light conditions | |
Liang et al. | Underwater image quality improvement via color, detail, and contrast restoration | |
Zhuang et al. | Image enhancement using divide-and-conquer strategy | |
CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及*** | |
Wong et al. | Image enhancement using the hypothesis selection filter: theory and application to JPEG decoding | |
Yang et al. | Mixed noise removal by residual learning of deep cnn | |
CN113808012B (zh) | 图像处理方法、计算机设备及计算机可读存储介质 | |
CN110796609B (zh) | 基于尺度感知和细节增强模型的低光图像增强方法 | |
Jia et al. | Weighted guided image filtering with entropy evaluation weighting | |
Sekeroglu | Time-shift image enhancement method |
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 |