CN112488958A - 一种基于尺度空间的图像对比度增强方法 - Google Patents

一种基于尺度空间的图像对比度增强方法 Download PDF

Info

Publication number
CN112488958A
CN112488958A CN202011477203.1A CN202011477203A CN112488958A CN 112488958 A CN112488958 A CN 112488958A CN 202011477203 A CN202011477203 A CN 202011477203A CN 112488958 A CN112488958 A CN 112488958A
Authority
CN
China
Prior art keywords
image
pyramid
gaussian
scale
feature
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.)
Pending
Application number
CN202011477203.1A
Other languages
English (en)
Inventor
杜小智
罗晓东
姜洪超
岳合合
虞挺
张博文
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 CN202011477203.1A priority Critical patent/CN112488958A/zh
Publication of CN112488958A publication Critical patent/CN112488958A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于尺度空间的图像对比度增强方法，包括以下步骤：S1、对原始的图像数据进行预处理，得到输入图像数据；S2、对输入图像数据构建图像金字塔、以及利用图像金字塔构建的图像差分金字塔；S3、对S2得到的图像差分金字塔同组中的隔层图像进行叠加，得到一组新图像尺度空间；S4、在S2构建的图像差分金字塔和S3构件的新图像尺度空间中进行特征检测、特征描述和特征匹配。本发明通过尺度空间中不同尺度下的图像进行叠加融合来增强图像对比度，在不改变图像特征结构的前提下增强了图像对比度，同时对图像噪声也有一定的抑制作用。同时在计算量上也占据很大优势，在传统图像识别、图像准配、图像拼接算法中体现出了不错的效果。

Description

一种基于尺度空间的图像对比度增强方法
技术领域
本发明涉及图像处理等技术领域，涉及一种图像对比度增强技术，尤其涉及一种基于尺度空间的图像对比度增强方法。
背景技术
随着科学技术的发展，人工智能行业快速崛起，计算机视觉领域更是大放异彩。各种算法的提出，实现了多种人工智能产品的落地，如指纹识别、人脸识别、车牌识别等，为人类生活带了巨大的便利。科学技术在各种难题前不断的提出创新，解决问题。
在图像处理方向上，图像去噪、图像对比度增强等学术界已提出了多种算法，在不同性质的图像噪声下发挥出巨大的潜力。图像的质量也是影响着图像识别、图像准配、图像拼接等实际应用效果的一大因素，目前已有的各种滤波算法在过滤异常信息的同时会平滑掉图像的一些细节信息，导致在低质量图像环境下，图像处理相关算法对于低质量图像对比度增强效果不明显，难以满足实际需求。
发明内容
针对已有的图像处理相关算法对于低质量图像对比度增强效果不明显问题，本发明的目的在于提供一种基于尺度空间的图像对比度增强方法，以解决低质量图像增强相关问题，提高在图像识别、图像准配、图像拼接这些应用中的效果。
本发明采用以下技术方案：
一种基于尺度空间的图像对比度增强方法，包括以下步骤：
S1、对原始的图像数据进行预处理，得到输入图像数据；
S2、对输入图像数据构建图像金字塔、以及利用图像金字塔构建的图像差分金字塔；
S3、对S2得到的图像差分金字塔同组中的隔层图像进行叠加，得到一组新图像尺度空间；
S4、在S3构件的新图像尺度空间中进行特征检测、特征描述和特征匹配。
优选的，S1中、对原始的图像数据进行去噪处理，得到输入图像数据。
优选的，对原始的图像数据进行去噪处理时，依据图像噪声性质选择滤波器。
优选的，S2中，所述图像金字塔为图像高斯金字塔，图像差分金字塔为图像高斯差分金字塔。
优选的，以不同尺度因子的高斯函数对输入图像数据做卷积计算得到图像高斯金字塔，图像高斯金字塔的计算公式如下：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
Figure BDA0002837585470000021
其中，*表示卷积运算，σ是尺度因子，G(x,y,σ)是附有尺度因子的高斯函数，I(x,y)为输入图像数据，L(x,y,σ)是卷积后得到的高斯金字塔层图像，x是图像的横标，y是图像的纵坐标，m高斯核长，n是高斯核宽。
优选的，S2中，图像高斯金字塔同组内相邻两个高斯尺度的图像相减，得到图像高斯差分金字塔，图像高斯差分金字塔的计算公式如下：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,σ)
其中，D(x,y,σ)是图像高斯差分金字塔，G(x,y,kσ)是尺度因子为kσ的高斯函数，G(x,y,σ)是附有尺度因子的高斯函数，*表示卷积运算，I(x,y)为输入图像数据，L(x,y,kσ)是尺度为kσ高斯金字塔层图像，L(x,y,σ)是尺度为σ的高斯金字塔层图像。
优选的，S3中，在图像高斯差分金字塔同组中对隔层图像进行不同能量系数的叠加，得到新图像尺度空间，新图像尺度空间的计算公式如下：
Di(x,y)＝a*Di(x,y)+b*Di+2(x,y)
其中，a、b为能量系数，范围为(0.0，1.0)；i为高斯差分金字塔层图像索引，*表示卷积运算，Di(x,y)为新图像尺度空间。
优选的，S4中，特征检测的过程包括：
将当前像素点与其同尺度的若干个相邻像素点和上下相邻尺度对应的若干个像素点响应值进行比较，判断是否是一个极值点，若是，再通过曲线拟合方式找到该点在亚像素上的精准位置，并记录为一个特征点，完成特征检测。
优选的，S4中，特征描述按照SIFT算子对特征点进行的描述，包括特征点主方向和描述子的计算。
优选的，S4中，特征匹配过程包括：通过特征点之间的欧式距离进行一次粗匹配，再使用随机抽样一致算法进行二次精准匹配，得到图像特征匹配结果。
本发明具有如下有益效果：
本发明基于尺度空间的图像对比度增强方法，通过尺度空间中不同尺度下的图像进行叠加融合来增强图像对比度，在不改变图像特征结构的前提下增强了图像对比度，同时对图像噪声也有一定的抑制作用。此外，本发明方法在计算量上也占据很大优势，在传统图像识别、图像准配、图像拼接算法中体现出了不错的效果。
进一步的，S3中，在图像高斯差分金字塔同组中对隔层图像进行不同能量系数的叠加，得到新图像尺度空间，此方法依据了尺度空间中的图像是同一输入图像在不同尺度下特征的特性，因此该操作并不会造成图像结构发生异常变化。
附图说明
图1为本发明实例提供的基于尺度空间的图像对比度增强的方法流程图；
图2为本发明实例提供的步骤S2中描述的图像金字塔示意图；
图3为本发明实例提供的步骤S2中描述的图像差分金字塔计算示意图；
图4为发明实例提供的步骤S3中描述的不同尺度图像叠加后的全新尺度空间与原始尺度空间的对比。
图5为发明实例提供的步骤S4中描述的特征检测、描述、匹配的效果对比。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
参照图1-图4，本发明基于尺度空间的图像对比度增强方法，包括以下步骤：
S1、对原始的图像数据进行预处理，得到输入图像数据，预处理包括图像去噪；
S2、对输入图像构建图像尺度空间，图像尺度空间包括图像金字塔和图像差分金字塔，本发明采用高斯金字塔、高斯差分金字塔。
S3、对图像差分金字塔同组中的隔层图像进行叠加，得到本发明方法的尺度空间。
S4、在本发明的尺度空间中进行特征检测、特征描述和特征匹配，本发明以SIFT(Scale-invariant feature transform)算子进行相关实验。
S5、其评测本方法的指标为图像尺度空间视觉效果和特征匹配结果的对比。
步骤S1中对图像数据进行去噪等预处理，使用均值滤波器或其他滤波器依据图像噪声性质选择，得到输入图像数据。
步骤S2所述图像尺度空间，本文以不同尺度因子的高斯函数对输入图像做卷积计算得到图像高斯金字塔。其计算公式如下：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
Figure BDA0002837585470000041
其中σ是尺度因子，G(x,y,σ)是附有尺度因子的高斯函数，I(x,y)为输入图像，L(x,y,σ)是卷积后得到的高斯金字塔层图像。
步骤S2还包括图像差分金字塔的构建，高斯金字塔同组内相邻两个高斯尺度的图像相减便可得到高斯差分金字塔层图像。其计算公式如下：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,kσ)
其中D(x,y,σ)是相减后得到的高斯差分金字塔层图像。
步骤S3中所述在高斯差分图像金字塔同组中对隔层图像进行不同能量系数的叠加来增强图像对比度。此方法依据了尺度空间中的图像是同一输入图像在不同尺度下特征的特性，因此该操作并不会造成图像结构发生异常变化。其计算公式如下：
Di(x,y)＝a*Di(x,y)+b*Di+2(x,y)
其中a,b为能量系数，其范围为(0.0,1.0)；i为高斯差分金字塔层图像索引，Di(x,y)为增强后的图像。
步骤S4中所述在原尺度空间和新尺度空间分别进行特征检测、特征描述、特征匹配等对比试验，本文选取SIFT(Scale-invariant feature transform)算子为例。特征检测是在高斯差分金字塔中计算，当前像素点与其同尺度的8个相邻点和上下相邻尺度对应的9*2个点总计26个点响应值进行比较，判断是否是一个极值点。若是，再通过曲线拟合方式找到其在亚像素上的精准位置，并记录为一个特征点。
步骤S4中特征描述是按照SIFT算子对特征点进行的描述；特征匹配阶段首先通过特征点之间的欧式距离进行一次粗匹配，再使用RANSAC算法进行二次精准匹配。进一步的，请根据权利要求补充说明设置的目的或好处。
步骤S5是通过两种不同的尺度空间图像视觉效果和特征匹配结果作为该方法评测指标。
实施例
参阅图1，一种基于尺度空间的图像对比度增强方法流程图，包括以下步骤：
S1、对原始图像数据进行去噪预处理，得到输入图像数据。
S2、构建图像金字塔、图像差分金字塔。
S3、图像差分金字塔同组中不同尺度下的图像进行不同能量系数的叠加融合。
S4、在两个不同尺度空间进行特征检测、描述、匹配并输出结果。
参阅图2，图像金字塔的构建计算方式如下：
尺度空间L(x,y,σ)定义为原图像I(x,y)与一个可变尺度的二维高斯函数的卷积得到，其公式为L(x,y,σ)＝G(x,y,σ)*I(x,y)，其中*表示卷积运算，
Figure BDA0002837585470000061
高斯金字塔组内各层图像尺度为σi＝kσ0，其中
Figure BDA0002837585470000062
S为特征点检测所用层数，N为高斯金字塔每组中的层数，σ0为输入图像的尺度。
同组内图像通过高斯卷积因子为
Figure BDA0002837585470000063
对输入图像卷积得到。
参阅图3，图像差分金字塔的构建步骤包括如下：
图像差分金子塔图像由金字塔相邻两层相减计算得到，其计算公式如下：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,kσ)
参阅图4，图像差分金字塔不同尺度图像叠加具体方法如下：
对同组内隔层图像进行不同能量系数的叠加，这不会使得图像的特征结构发生异常变化，因为同组内图像都是对基准层图像进行卷积得到，模糊程度不同但图像大小一致。其计算公式如下：
Di(x,y)＝a*Di(x,y)+b*Di+2(x,y)
参阅图5，在尺度空间中进行特征检测、描述、匹配：
特征检测是在尺度空间连续的三层中计算得到，当前像素点与其同尺度的8个相邻点和上下相邻尺度对应的9*2个点总计26个点响应值进行比较，判断是否是一个极值点。若是，再通过曲线拟合方式找到其在亚像素上的精准位置，并记录为一个特征点。
特征描述需要为特征点计算主方向、描述子等信息，本是私立使用SIFT(Scale-invariantfeature transform)算子提供的计算方法计算此类信息。
计算准配图像提取的特征点之间的欧式距离，若Dismin<th*Dissec_min,0.0<th<1.0
则记录Dismin这一对匹配点对。两幅图像特征点反向计算，若此匹配点对也满足该计算公式，则将该对点记录为优质点对。再通过RANSAC算法对所有的匹配点对进行提纯，得到最终的匹配结果。
本实施例中，采用特征匹配点对数(CNT)，匹配优质点对数(BCNT)指标与在原始尺度空间和本发明提供的方法计算的尺度空间中提取的特征匹配结果以及图像的视觉效果进行评价，如表1所示。
Methods CNT BCNT
原始的方法 107 48
本发明方法 172 79
表1
由表1可知，本发明中提出的方法在两项指标中效果非常显著。
本发明公开了一种基于尺度空间的图像对比度增强方法，将不同尺度下的图像进行不同能量系数的叠加融合。本方法依据了尺度空间中的图像特性，叠加产生的效果不仅在图像对比度有了增强，在图像去噪上也有着明显的效果，检测出的新特征质量更高。此外本发明方法在计算量上也占据着强大的优势，大大提高了图像处理相关传统算法的性能和效果。
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 (10)

1.一种基于尺度空间的图像对比度增强方法，其特征在于，包括以下步骤：
S1、对原始的图像数据进行预处理，得到输入图像数据；
S2、对输入图像数据构建图像金字塔、以及利用图像金字塔构建的图像差分金字塔；
S3、对S2得到的图像差分金字塔同组中的隔层图像进行叠加，得到一组新图像尺度空间；
S4、在S3构件的新图像尺度空间中进行特征检测、特征描述和特征匹配。
2.根据权利要求1所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S1中、对原始的图像数据进行去噪处理，得到输入图像数据。
3.根据权利要求2所述的一种基于尺度空间的图像对比度增强方法，其特征在于，对原始的图像数据进行去噪处理时，依据图像噪声性质选择滤波器。
4.根据权利要求1所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S2中，所述图像金字塔为图像高斯金字塔，图像差分金字塔为图像高斯差分金字塔。
5.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，以不同尺度因子的高斯函数对输入图像数据做卷积计算得到图像高斯金字塔，图像高斯金字塔的计算公式如下：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
Figure FDA0002837585460000011
其中，*表示卷积运算，σ是尺度因子，G(x,y,σ)是附有尺度因子的高斯函数，I(x,y)为输入图像数据，L(x,y,σ)是卷积后得到的高斯金字塔层图像，x是图像的横标，y是图像的纵坐标，m高斯核长，n是高斯核宽。
6.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S2中，图像高斯金字塔同组内相邻两个高斯尺度的图像相减，得到图像高斯差分金字塔，图像高斯差分金字塔的计算公式如下：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,σ)
其中，D(x,y,σ)是图像高斯差分金字塔，G(x,y,kσ)是尺度因子为kσ的高斯函数，G(x,y,σ)是附有尺度因子的高斯函数，*表示卷积运算，I(x,y)为输入图像数据，L(x,y,kσ)是尺度为kσ高斯金字塔层图像，L(x,y,σ)是尺度为σ的高斯金字塔层图像。
7.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S3中，在图像高斯差分金字塔同组中对隔层图像进行不同能量系数的叠加，得到新图像尺度空间，新图像尺度空间的计算公式如下：
Di(x,y)＝a*Di(x,y)+b*Di+2(x,y)
其中，a、b为能量系数，范围为(0.0，1.0)；i为高斯差分金字塔层图像索引，*表示卷积运算，Di(x,y)为新图像尺度空间。
8.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S4中，特征检测的过程包括：
将当前像素点与其同尺度的若干个相邻像素点和上下相邻尺度对应的若干个像素点响应值进行比较，判断是否是一个极值点，若是，再通过曲线拟合方式找到该点在亚像素上的精准位置，并记录为一个特征点，完成特征检测。
9.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S4中，特征描述按照SIFT算子对特征点进行的描述，包括特征点主方向和描述子的计算。
10.根据权利要求4所述的一种基于尺度空间的图像对比度增强方法，其特征在于，S4中，特征匹配过程包括：通过特征点之间的欧式距离进行一次粗匹配，再使用随机抽样一致算法进行二次精准匹配，得到图像特征匹配结果。
CN202011477203.1A 2020-12-15 2020-12-15 一种基于尺度空间的图像对比度增强方法 Pending CN112488958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011477203.1A CN112488958A (zh) 2020-12-15 2020-12-15 一种基于尺度空间的图像对比度增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011477203.1A CN112488958A (zh) 2020-12-15 2020-12-15 一种基于尺度空间的图像对比度增强方法

Publications (1)

Publication Number Publication Date
CN112488958A true CN112488958A (zh) 2021-03-12

Family

ID=74917084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011477203.1A Pending CN112488958A (zh) 2020-12-15 2020-12-15 一种基于尺度空间的图像对比度增强方法

Country Status (1)

Country Link
CN (1) CN112488958A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255523A (zh) * 2021-05-26 2021-08-13 上海弘遥电子研究开发有限公司 提高手势识别精度、识别方法、***、装置以及存储介质
CN114170445A (zh) * 2022-02-10 2022-03-11 河北工业大学 一种适于消防灭火机器人的室内烟雾环境图像匹配方法
CN116385280A (zh) * 2023-01-09 2023-07-04 爱芯元智半导体(上海)有限公司 一种图像降噪***、方法及降噪神经网络训练方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593832A (zh) * 2013-09-25 2014-02-19 重庆邮电大学 一种基于高斯二阶差分特征检测算子的图像拼接方法
CN104834931A (zh) * 2015-03-13 2015-08-12 江南大学 一种基于小波变换的改进的尺度不变特征匹配算法
CN108304883A (zh) * 2018-02-12 2018-07-20 西安电子科技大学 基于改进sift的sar图像匹配方法
CN108830237A (zh) * 2018-06-21 2018-11-16 北京师范大学 一种人脸表情的识别方法
CN109785371A (zh) * 2018-12-19 2019-05-21 昆明理工大学 一种基于归一化互相关和sift的太阳图像配准方法
CN111223068A (zh) * 2019-11-12 2020-06-02 西安建筑科技大学 基于Retinex的自适应非均匀低照度图像增强的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593832A (zh) * 2013-09-25 2014-02-19 重庆邮电大学 一种基于高斯二阶差分特征检测算子的图像拼接方法
CN104834931A (zh) * 2015-03-13 2015-08-12 江南大学 一种基于小波变换的改进的尺度不变特征匹配算法
CN108304883A (zh) * 2018-02-12 2018-07-20 西安电子科技大学 基于改进sift的sar图像匹配方法
CN108830237A (zh) * 2018-06-21 2018-11-16 北京师范大学 一种人脸表情的识别方法
CN109785371A (zh) * 2018-12-19 2019-05-21 昆明理工大学 一种基于归一化互相关和sift的太阳图像配准方法
CN111223068A (zh) * 2019-11-12 2020-06-02 西安建筑科技大学 基于Retinex的自适应非均匀低照度图像增强的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255523A (zh) * 2021-05-26 2021-08-13 上海弘遥电子研究开发有限公司 提高手势识别精度、识别方法、***、装置以及存储介质
CN113255523B (zh) * 2021-05-26 2022-07-12 上海弘遥电子研究开发有限公司 提高手势识别精度、识别方法、***、装置以及存储介质
CN114170445A (zh) * 2022-02-10 2022-03-11 河北工业大学 一种适于消防灭火机器人的室内烟雾环境图像匹配方法
CN114170445B (zh) * 2022-02-10 2022-04-12 河北工业大学 一种适于消防灭火机器人的室内烟雾环境图像匹配方法
CN116385280A (zh) * 2023-01-09 2023-07-04 爱芯元智半导体(上海)有限公司 一种图像降噪***、方法及降噪神经网络训练方法
CN116385280B (zh) * 2023-01-09 2024-01-23 爱芯元智半导体(上海)有限公司 一种图像降噪***、方法及降噪神经网络训练方法

Similar Documents

Publication Publication Date Title
CN112488958A (zh) 一种基于尺度空间的图像对比度增强方法
Park et al. Double JPEG detection in mixed JPEG quality factors using deep convolutional neural network
CN106355577B (zh) 基于特征状态与全局一致性的快速图像匹配方法及***
CN115294158A (zh) 一种基于机器视觉的热连轧带钢图像分割方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN108416789A (zh) 图像边缘检测方法及***
CN112017223B (zh) 基于改进SIFT-Delaunay的异源图像配准方法
Yu et al. A new edge detection approach based on image context analysis
CN116228747B (zh) 一种金属柜加工质量监测方法
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉***
CN112580661B (zh) 一种深度监督下的多尺度边缘检测方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN109509163B (zh) 一种基于fgf的多聚焦图像融合方法及***
CN113870235A (zh) 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法
Cao et al. Infrared small target detection based on derivative dissimilarity measure
CN111915486B (zh) 基于图像超分辨重建的对抗样本防御方法
CN110648316A (zh) 一种基于深度学习的钢卷端面边缘检测算法
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN106600613A (zh) 基于嵌入式gpu的改进lbp红外目标检测方法
CN111223063A (zh) 基于纹理特征和双核函数的手指静脉图像nlm去噪方法
CN111950635B (zh) 一种基于分层特征对齐的鲁棒特征学习方法
CN108596928A (zh) 基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法
CN108470345A (zh) 一种自适应阈值的图像边缘检测方法
CN111368856A (zh) 一种基于视觉的图书盘点***的书脊提取方法及装置
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312

RJ01 Rejection of invention patent application after publication