CN114445300A - 一种双曲正切变形函数变换的非线性水下图像增益算法 - Google Patents
一种双曲正切变形函数变换的非线性水下图像增益算法 Download PDFInfo
- Publication number
- CN114445300A CN114445300A CN202210111503.0A CN202210111503A CN114445300A CN 114445300 A CN114445300 A CN 114445300A CN 202210111503 A CN202210111503 A CN 202210111503A CN 114445300 A CN114445300 A CN 114445300A
- Authority
- CN
- China
- Prior art keywords
- gain
- image
- data
- hyperbolic tangent
- color
- 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
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 235000014653 Carica parviflora Nutrition 0.000 description 3
- 241000243321 Cnidaria Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
本发明公开一种双曲正切变形函数变换的非线性水下图像增益算法。因水体透明度和光线等原因,水下光学图像存在明显噪声污染、对比度、亮度、饱和度低、颜色失真等问题,通过本发明算法变换可以得到明显改善。首先读取水下光栅图像文件为矩阵数据,分别提取RGB三个通道的3层矩阵数据,构造一个带有伸缩系数k的基于双曲正切变形函数,适宜的伸缩系数k可控制增益程度和重点增益色阶范围,使用该函数对分别对RGB三个通道的3层矩阵数据进行增益变换,再将三颜色通道合并,转换成新的图像。通过本发明算法对水下光学图像进行处理,提高水下图像对比度、亮度,合理再分配重要色阶,在图像细节信息得以保留甚至增强的同时,暗部区域及色阶得以改善。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及水下光学图像数字信号的非线性变换增益方法。
背景技术
亮度、对比度、饱和度不足、模糊不清晰、噪声污染、颜色失真等是水下摄像照片或视频常见的问题,也是影响图像识别、检测效果的最重要原因。造成影像模糊不清的原因很多,主要有以下四种:(1)因水体透明度低,曝光严重不足造成影像亮度、对比度、饱和度严重不足、辨识度较低;(2)水的散射造成影像清晰度降低;(3)水下摄影摄像设备晃动造成影像清晰度降低;(4)聚焦不准确造成影像清晰度降低。针对上述4类原因,通常在摄影摄像设备、固定辅助设施、闪光照明设备、选择拍摄时机和地点等措施进行改善。但对于一些无法选择拍摄时间地点、无法安装辅助固定设施、无法使用闪光照明设备等特定场景和特殊需求的情况下,唯有通过图像或视频的同步或后期处理算法来改善质量。
同步处理方式通常通过集成在图像视频拍摄设备中的芯片实现,多数数码拍摄设备集成芯片中具有增强图像曝光、调整图像参数的算法模块,通过拍摄设备进行实时或拍摄在设备上处理;后期处理方式通常通过专业的图像或视频编辑软件对图像、视频的各类光学属性参数调整处理。同步或后期处理算法通常包括图像增益和修复。
针对水下图像的特点,水下图像增益和修复通常采用基于物理、非物理两种模型方式。物理模型方式根据水下图像退化原理建模,反推退化前的原始图像,但此类方法受场景参数假设限制,对图像恢复的程度有限。非物理模型方式来源于传统图像处理方法,根据水下图像特征在像素层级对图像做对比度、亮度、颜色、饱和度、清晰度修正,主要包括空间域法、变换域法、颜色恒常性法等,由于未考虑成像特征和图像内容,传统图像处理方法增益过程可能会丢失信息并引入干扰。另外,这两种方法使用的数据量均不大,泛化能力难以保证,在水下图像、视频增益领域效果不理想。
除上述主要算法外,深度神经网络算法(Deep Neural Network Algorithm)是近年来广受关注的一种新算法类型,深度神经网络算法使用多层神经网络模拟动物神经***的分析过程。近年来,在计算机视觉、图像识别、语音识别等应用领域得到广泛应用,在计算机视觉领域,改变了图像处理的思路,将图像数据送入深度神经网络提取特征,通过损失函数、误差评价动态调整网络参数,优化更新超级参数而提升网络性能。只要保证数据质量的历史训练样本数量充足,深度学习神经网络就可克服传统方法的缺点,可得到较优的增益结果,在水下图像增益领域具有广阔的应用前景。
发明内容
本文提出一种双曲正切变形函数变换的非线性水下图像增益算法,属于非物理模型算法,使用本文算法对典型水下摄影图像进行增益处理,并将增益处理后图像与原图、商用Photoshop软件曲线/色阶/饱和度调整优化后图像进行对比。验证了该方法的高效性、实用性和有效性。
一种双曲正切变形函数变换的非线性水下图像增益算法;包括:读取图像数据、提取颜色值、数据类型转换与归一化、构建基于双曲正切变形函数、输入伸缩系数k、增益变换处理、数据重构、结果比对步骤,具体包括:
A、读取图像数据:读取待处理图像,转化为三维矩阵信息,读取矩阵各维度的数据大小;
B、提取颜色值:将前述图像三维矩阵数据提取为分别代表R(红)、G(绿)、B(蓝)三种颜色通道大小的二维矩阵,R(红)代表红色、G(绿)代表绿色、B(蓝)代表蓝色;
C、数据类型转换与归一化:将上述提取出的三个矩阵内数据类型由uint8(8位非符号整形)转换为单精度浮点型,并将其除以255进行归一化;
D、构建基于双曲正切的变形函数:自创基于双曲正切公式的变形函数;
E、输入合适的伸缩系数k:用于控制增益程度和重点增益色阶范围;
F、增益变换处理:将步骤C归一化后的3个矩阵分别使用(1)式进行增益变换;
G、数据重构:将前述获得增益的三通道矩阵合并,并将它转化为新的图像文件;
H、结果比对:提取局部像素来比较增益前后的颜色值变化。
进一步的;所述B步骤中,提取各像素颜色值后,将分别代表R、G、B三种颜色通道的三维矩阵数据分别提取,得到3个二维矩阵,其行数、列数与原矩阵相同。
进一步的;所述D步骤中,自创基于双曲正切公式的变形函数:
式中:x为归一化后三个颜色矩阵;
k为伸缩系数,用于控制增益程度和重点增益色阶范围;
y为增益计算转换后获得的新矩阵数据。
进一步的;所述D步骤中的内置的伸缩系数k,在E步骤中输入[1,5]区间的任意实数作为其k值,用于控制增益程度和重点增益色阶范围。
进一步的;所述F步骤,将步骤C归一化后的3个二维矩阵分别使用(1)式进行增益变换。
进一步的;所述G步骤的数据重构将前述获得增益的三通道矩阵合并为一个三维矩阵,并将它转化为新的图像文件,实现增益。
与现有技术相比,本发明至少具有以下有益效果之一:
(1)本发明使用带有伸缩系数k的非线性增益方试,通过动态设定k值,可灵活定义重点增益色阶范围,如同使用放大镜观察图像重点区域,若重点增益色阶范围较暗,则可设置偏大的合适的k值,使图像较暗部分呈现更多细节,避免产生使用大多现有技术时因无重点增益色阶范围而导致的暗部和过渡区域色阶范围较窄不易分辨细节等问题;
(2)本发明使用非线性增益并设置伸缩系数k,还可灵活调整增益程度,避免产生使用大多现有技术时因增益倍率统一而导致的亮度过渡曝光等问题。
(3)本发明使用一种双曲正切变形函数变换的非线性水下图像增益算法,能够克服传统图像处理方法增益过程可能会丢失细节信息并引入干扰的缺点。
(4)本发明使用一种双曲正切变形函数变换的非线性水下图像增益算法,能够克服深度神经网络、物理模型等其他增益算法对样本数据和计算资源需求较大的缺点。仅用一个带有自定义系数设定的非线性公式即可完成增益,在初级的芯片或单片机上即可瞬间完成增益计算,可实现视频图像的低时滞增益转换,这对于水下探测、搜索、水下作业、航行控制方面具有实际应用价值。
附图说明
图1为实施例中未处理的水下光学图像原图的灰度图;
图2为实施例中选取伸缩系数k=2.0增益变换处理过的水下光学图像的灰度图;
图3为实施例中选取伸缩系数k=3.0增益变换处理过的水下光学图像的灰度图;
图4为不同k值选取下的增益曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明,但不以任何方式对本发明加以限制,依据本发明的教导所作的任何变更或替换,均属于本发明的保护范围。
一、图像增益需求
色阶是表示图像亮度强弱的指数标准,在数字图像处理中,通常指的是灰度分辨率(又称为灰度级分辨率或者幅度分辨率)。图像的色彩丰满度和精细度是由色阶决定的。
在特定色彩空间下,真彩色图像的1个像素由24位(红、绿、蓝三原色使用2563=28×28×28=224=16,777,216级)或32位(红色、绿色、蓝色、透明度4个属性使用2564=28×28×28×28=232=4,294,967,296级)颜色数值构成,图像文件使用三维矩阵[h,w,3]表示,第1维矩阵行数h为图像的高度数值,第2维矩阵列数w为图像的宽度,第3维为图像的颜色值,是1个1×3的uint8(8位无符号整型)数组构成,分3个通道分别描述R(红)、G(绿)、B(蓝)三色数值,在每一个颜色通道中,0表示完全无该通道颜色,即为全黑色,255为该通道颜色最大值。图像亮度、对比度、饱和度不足、模糊不清晰、噪声污染、颜色失真均最终表现在图像三维矩阵数据上。因此,优化调整矩阵数据,可以实现图像信号的增益。
二、传统归一化算法模型
归一化是一种将有量纲的数据集变换为指定范围内的无量纲的数据集的方法。传统的线性归一化计算详见式(2):
式(2)中:Y为归一化结果;Ymax为指定的归一化最大值;Ymin为指定的归一化最小值;X为输入;Xmax为输入数据集的最大值;Xmin为输入数据集的最小值。
此类归一化计算可以将输入值映射到指定的范围[Ymin,Ymax]内,其实质是线性倍率变换。使用此算法处理图像数据,所有像素颜色数据将同倍率增大或减小,原始颜色值最大的图像区域归一化后将达到最大值,尤其是三原色相同的区域将出现过度曝光,原有图像信息将丢失;而且该算法不能指定需要重点增益的色阶范围或图像区域。本发明仅使用归一化以简便后续算法转换,将[0~255]区间的uint8数据转换为[0~1]区间的单精度浮点型数据。在完成双曲正切变换后,又将其反归一化成[0~255]区间的uint8数据。
三、增益计算技术路线
技术路线如下:
本发明包括读取图像数据、提取颜色值、数据类型转换与归一化、构建基于双曲正切变形函数、输入伸缩系数k、增益变换处理、数据重构、结果比对步骤,具体包括:
A、读取图像数据:读取待处理图像,转化为三维矩阵信息,读取矩阵各维度的数据大小;
B、提取颜色值:将前述图像三维矩阵数据提取为分别代表R(红)、G(绿)、B(蓝)三种颜色通道大小的二维矩阵,行数、列数与原矩阵相同;
C、数据类型转换与归一化:将上述提取出的三个矩阵内数据类型由uint8(8位非符号整形)转换为单精度浮点型,并将其除以255进行归一化;
D、构建基于双曲正切的变形函数:自创基于双曲正切公式的变形函数:
式中:x为归一化后三个颜色矩阵;
k为伸缩系数,用于控制增益程度和重点增益色阶范围;
y为增益计算转换后获得的新矩阵数据。
E、输入合适的伸缩系数k:一般取值为[1,5]区间的任意实数,用于控制增益程度和重点增益色阶范围;
F、增益变换处理:将步骤C归一化后的3个矩阵分别使用(1)式进行增益变换;
G、数据重构:将前述获得增益的三通道矩阵合并为一个三维矩阵,并将它转化为新的图像文件;
H、结果比对:提取局部像素来比较增益前后的颜色值变化。
在不同的拍摄环境下获得的照片,可以通过使用不同伸缩系数k对图像进行处理后比对,不同取值下的增益效果如图4所示,选用最佳系数k后,对图像组进行批量处理,提高处理效率。另外,RGB三颜色通道在必要时可以采用不同的k值,来达到最佳效果。
实施例:
1、以图1为例,展示本发明处理图像的具体方法与步骤。
首先获得水下图像如图1所示,观察发现图像亮度严重不足,整体偏暗,尤其是中下部稍远处的珊瑚和鱼群属于整个图像的暗部和过渡区域,色阶范围非常窄,图像细节难以区分辨认。主要增益任务目标是使用双曲正切变形函数变换的非线性水下图像增益算法对图像进行处理,达到如下目标:在中部上方的高光区域不过度曝光的前提下,远处的珊瑚和鱼群区域(暗部和过渡区域)色阶范围加宽,呈现图像细节,改善整个图像。
S100:读取图像数据
首先用MATLAB运行m文件。代码中使用uigetfile函数打开图像文件,并开始计时,用imread函数将图像读成包含[0,255]无符号整型的三维矩阵,读取矩阵大小。在本例中矩阵有1024列,682行,3纵(1,2,3分别为红、绿、蓝通道颜色值)。
S200:提取颜色值
以原始矩阵的列属于行数创建3个二维矩阵,并分别用原始矩阵的第1/2/3纵为其赋值,则这3个二维矩阵分别代表该光学图像的红色、绿色、蓝色的深度。
S300:转换数据格式并进行线性归一化处理
将3个矩阵中的数据转换为单精度浮点型数据后,除以255,达到归一化的目的,方便后续进行双曲正切变形函数变换。
S400:使用自创公式实施增益变换计算
使用自创的基于双曲正切公式的变形函数对归一化后的矩阵数据进行变换,实现增益:
式中:x为归一化后三个颜色矩阵;
k为伸缩系数,用于控制增益程度和重点增益色阶范围;
y为增益计算转换后获得的新矩阵数据。
在本例中,将k的值分别取2.0和3.0,经增益后得到图2与图3,比较后得出结论,k=3的取值较为适应当前场景下光学图像处理。
S500:反归一化并转换数据格式
变换完成后,将矩阵数据乘以255实现反归一化后,转化为uint8型数据。
S600:将3个二维矩阵合并为1个三维矩阵并写回图像文件
将新的三个矩阵合并后,使用imwrite函数将合并的矩阵写回图像文件。
S700:提取局部像素进行增益前后的颜色比对
最后提取局部像素进行增益前后的颜色比对,k=3时比对结果如下,其中1,3,5列分别为原图中的红绿蓝深度,2,4,6列则为增益后对应位置处红绿蓝的深度。
S800:通过图像质量对比反映增益性能
对比图1、图2和图3可以发现:图2、图3不仅仅是亮度整体有所增加,而且中部上方的高光区域未出现过曝,远处的珊瑚和鱼群区域(暗部和过渡区域)色阶范围得到显著加宽,图像细节得以呈现,整个图像质量得以明显改善,实现了既定目标。
图2、图3均是通过本发明的算法增益的,但仍存在明显区别,图3明显优于图2,区别是伸缩系数k值的选择导致的,k值的选择直接决定了图像呈现出的细节度。
2、适用MATLAB的基于双曲正切变形函数变换的非线性归一化水下图像增益算法代码:
clc;clear all;
[file_name,path_name]=uigetfile('*.*','Pick the img file');
tic
ori_img_data=imread(strcat(path_name,file_name));
[nr,nc]=size(ori_img_data(:,:,1));
img_r=ori_img_data(:,:,1);
img_g=ori_img_data(:,:,2);
img_b=ori_img_data(:,:,3);
one_r_img_r=reshape(img_r,1,nr*nc);
one_r_img_g=reshape(img_g,1,nr*nc);
one_r_img_b=reshape(img_b,1,nr*nc);
m_one_r_img_r=single(one_r_img_r)./255;
m_one_g_img_g=single(one_r_img_g)./255;
m_one_b_img_b=single(one_r_img_b)./255;
k1=input('k1=')
mg_one_r_img_r=trans_tansig(m_one_r_img_r,k1);
mg_one_g_img_g=trans_tansig(m_one_g_img_g,k1);
mg_one_b_img_b=trans_tansig(m_one_b_img_b,k1);
g_one_r_img_r=uint8(mg_one_r_img_r.*255);
g_one_g_img_g=uint8(mg_one_g_img_g.*255);
g_one_b_img_b=uint8(mg_one_b_img_b.*255);
g_img_r=reshape(g_one_r_img_r,nr,nc);
g_img_g=reshape(g_one_g_img_g,nr,nc);
g_img_b=reshape(g_one_b_img_b,nr,nc);
g_img=zeros(nr,nc,3);
g_img(:,:,1)=g_img_r;
g_img(:,:,2)=g_img_g;
g_img(:,:,3)=g_img_b;
g_img=uint8(g_img);
time_eclapsed=toc
g_filename=input('为增益后的图像文件取名(包括后缀名jpg):','s')
imwrite(g_img,g_filename,'jpg');
disp(strcat('增益计算已完成,耗时:',num2str(time_eclapsed),'秒。'))
disp(strcat('请比较:',g_filename,'与原图:',file_name,'。'))
a(1:10,1)=ori_img_data(50,61:70,1);
a(1:10,2)=g_img(50,61:70,1);
a(1:10,3)=ori_img_data(50,61:70,2);
a(1:10,4)=g_img(50,61:70,2);
a(1:10,5)=ori_img_data(50,61:70,3);
a(1:10,6)=g_img(50,61:70,3);
function[y]=trans_tansig(x,k1)
y=2./(1+exp(-2*k1.*x))-1;
end
尽管这里参照本发明型的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (6)
1.一种双曲正切变形函数变换的非线性水下图像增益算法,其特征在于;包括:读取图像数据、提取颜色值、数据类型转换与归一化、构建基于双曲正切变形函数、输入伸缩系数k、增益变换处理、数据重构、结果比对步骤,具体包括:
A、读取图像数据:读取待处理图像,转化为三维矩阵信息,读取矩阵各维度的数据大小;
B、提取颜色值:将步骤A获得的图像三维矩阵数据提取为分别代表R、G、B三种颜色通道大小的二维矩阵;
C、数据类型转换与归一化:将步骤B提取出的三个矩阵内数据类型由uint8(8位非符号整形)转换为单精度浮点型,并将其除以255进行归一化;
D、构建基于双曲正切的变形函数:自创基于双曲正切公式的变形函数;
E、输入伸缩系数k:用于控制增益程度和重点增益色阶范围;
F、增益变换处理:将步骤C归一化后的3个矩阵分别使用构建的变形函数进行增益变换;
G、数据重构:将前述获得增益的三通道矩阵合并,并转化为新的图像文件;
H、结果比对:提取局部像素来比较增益前后的颜色值变化。
2.根据权利要求1所述双曲正切变形函数变换的非线性水下图像增益算法,其特征在于:所述B步骤中提取各像素颜色值后,将分别代表R(红)、G(绿)、B(蓝)三种颜色通道的三维矩阵数据分别提取,得到3个二维矩阵,行数、列数与原矩阵相同。
4.根据权利要求1、2或3所述一种双曲正切变形函数变换的非线性水下图像增益算法,其特征在于;所述D步骤中的内置的伸缩系数k,在E步骤中将k值取作[1,5]区间的任意实数,用于控制增益程度和重点增益色阶范围。
5.根据权利要求1、2、3或4所述一种双曲正切变形函数变换的非线性水下图像增益算法,其特征在于;所述F步骤,将步骤C归一化后的3个二维矩阵分别使用(1)式进行增益变换。
6.根据权利要求1、2、3、4或5所述一种双曲正切变形函数变换的非线性水下图像增益算法,其特征在于;所述G步骤的数据重构将前述获得增益的三通道矩阵按照红绿蓝的顺序合并为一个三维矩阵,并将它转化为新的图像文件,实现增益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111503.0A CN114445300A (zh) | 2022-01-29 | 2022-01-29 | 一种双曲正切变形函数变换的非线性水下图像增益算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111503.0A CN114445300A (zh) | 2022-01-29 | 2022-01-29 | 一种双曲正切变形函数变换的非线性水下图像增益算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445300A true CN114445300A (zh) | 2022-05-06 |
Family
ID=81371148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210111503.0A Pending CN114445300A (zh) | 2022-01-29 | 2022-01-29 | 一种双曲正切变形函数变换的非线性水下图像增益算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445300A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091748A (zh) * | 2023-04-10 | 2023-05-09 | 环球数科集团有限公司 | 一种基于aigc的图像识别***及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110228075A1 (en) * | 2010-03-22 | 2011-09-22 | Madden Thomas E | Digital camera with underwater capture mode |
CN107507138A (zh) * | 2017-07-27 | 2017-12-22 | 北京大学深圳研究生院 | 一种基于Retinex模型的水下图像增强方法 |
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN111311503A (zh) * | 2019-11-13 | 2020-06-19 | 深圳大学 | 一种夜晚低亮度图像增强*** |
CN111968054A (zh) * | 2020-08-14 | 2020-11-20 | 中国海洋大学 | 基于潜在低秩表示和图像融合的水下图像颜色增强方法 |
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 |
CN113411554A (zh) * | 2021-05-31 | 2021-09-17 | 影石创新科技股份有限公司 | 水下图像色彩还原方法和装置 |
-
2022
- 2022-01-29 CN CN202210111503.0A patent/CN114445300A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110228075A1 (en) * | 2010-03-22 | 2011-09-22 | Madden Thomas E | Digital camera with underwater capture mode |
CN107507138A (zh) * | 2017-07-27 | 2017-12-22 | 北京大学深圳研究生院 | 一种基于Retinex模型的水下图像增强方法 |
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN111311503A (zh) * | 2019-11-13 | 2020-06-19 | 深圳大学 | 一种夜晚低亮度图像增强*** |
CN111968054A (zh) * | 2020-08-14 | 2020-11-20 | 中国海洋大学 | 基于潜在低秩表示和图像融合的水下图像颜色增强方法 |
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 |
CN113411554A (zh) * | 2021-05-31 | 2021-09-17 | 影石创新科技股份有限公司 | 水下图像色彩还原方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091748A (zh) * | 2023-04-10 | 2023-05-09 | 环球数科集团有限公司 | 一种基于aigc的图像识别***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101194481B1 (ko) | 디지털 카메라의 노출 조정 방법, 디지털 이미지의 노출 및톤 스케일 조정 방법 및 필터링 방법 | |
US8811733B2 (en) | Method of chromatic classification of pixels and method of adaptive enhancement of a color image | |
JP4542528B2 (ja) | 画像のコントラスト強調方法及び画像のコントラスト強調システム | |
RU2400815C2 (ru) | Способ повышения качества цифрового фотоизображения | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
US8194992B2 (en) | System and method for automatic enhancement of seascape images | |
Safonov et al. | Adaptive image processing algorithms for printing | |
US6603878B1 (en) | Image processing method | |
US20050244072A1 (en) | Determination of main object on image and improvement of image quality according to main object | |
JP2004129265A (ja) | 拡張トーンスケール関数及び圧縮トーンスケール関数を用いてデジタル画像の色調特性をエンハンスする方法 | |
CN109118437B (zh) | 一种可实时处理浑水图像的方法、存储介质 | |
CN114862698B (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
CN113039576A (zh) | 图像增强***和方法 | |
EP1398950A2 (en) | Image forming method, image processing apparatus, and image recording apparatus for forming an optimum viewing image from a captured image | |
CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
CN114445300A (zh) | 一种双曲正切变形函数变换的非线性水下图像增益算法 | |
CN115209119A (zh) | 一种基于深度神经网络的视频自动着色方法 | |
CN107644403B (zh) | 恶劣环境条件下图像的非一致颜色校正方法 | |
CN112907470A (zh) | 基于Lab色域变换、分类及白平衡的水下图像恢复方法 | |
CN112070686A (zh) | 一种基于深度学习的逆光图像协同增强方法 | |
CN116385298A (zh) | 一种用于无人机夜间采集图像的无参考增强方法 | |
US20230186446A1 (en) | Image processing methods and systems for low-light image enhancement using machine learning models | |
JP2003298858A (ja) | 改善されたトーンスケール再現のためのディジタルカラー画像処理方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220506 |
|
WD01 | Invention patent application deemed withdrawn after publication |