CN116993636B - 一种地下低照度深部地层空区图像增强方法和装置 - Google Patents
一种地下低照度深部地层空区图像增强方法和装置 Download PDFInfo
- Publication number
- CN116993636B CN116993636B CN202310843877.6A CN202310843877A CN116993636B CN 116993636 B CN116993636 B CN 116993636B CN 202310843877 A CN202310843877 A CN 202310843877A CN 116993636 B CN116993636 B CN 116993636B
- Authority
- CN
- China
- Prior art keywords
- image
- enhanced
- enhancement
- images
- enhancing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005286 illumination Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 239000011800 void material Substances 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20081—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
- G06T2207/20212—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
本发明公开了一种地下低照度深部地层空区图像增强方法,包括:利用多帧堆栈技术处理图像,得到高分辨率图像,将图像从空间域转化为频率域,并通过CNN对图像进行重建和增强,得到增强图像M1;分解高分辨率图像,得到红色、绿色和蓝色的RGB分量图像,将图像由RGB空间转换至HSV空间,对HSV空间图像进行对比度增强得到增强图像M2;对HSV空间图像通过CNN增强,得到增强图像M3;对RGB分量图像通过CNN增强,得到增强图像M4;对增强图像M1、M2、M3、M4进行合并,使用深度学***均系数,得到最终增强的图像。本发明的加权合并后的图像涵盖了多种增强方法的优点,能够有效提高图像对比度和品质,全面展示图像的特征。
Description
技术领域
本发明涉及图像增强技术领域,尤其涉及一种地下低照度深部地层空区图像增强方法装置。
背景技术
在科技高速发展的今天,各种设备也使用的越来越多,视频图像的应用也越来越广泛。由于条件的复杂性特别是在夜晚条件下形成的视频图像往往亮度较低、噪声较大、对比度较低,很难达到我们理想的采集效果,获取我们想要的信息。因此对这些低光照条件下形成的图像进行增强就很有必要。低光照图像增强的目的是突出关键信息,尽可能地排除干扰信息,将原来不清晰或者亮度较低的图像变得清晰或者增强亮度。在低光条件下,由于光照条件的不确定性,捕获的图像质量不佳,并夹杂着噪声导致对比度和亮度严重下降,从而影响图像暗区的细节,出现色彩偏差。
根据增强算法设计的不同,目前的低光照图像增强算法主要分为传统的低光照图像增强算法以及基于深度学习的低光照图像增强算法。传统的增强方法主要是对图像的像素进行处理,目的是提高图像的对比度、亮度以及去除噪声。但是这类方法不能注意到低光照图像自身对光照的需求关系同时忽略了内在的上下文信息,进而产生图像颜色失真以及噪声较大的现象。
发明内容
为了解决上述问题,本发明提供了一种地下低照度深部地层空区图像增强方法,包括以下步骤:
S1、使用多功能摄像头获取原始图像;
S2、利用多帧堆栈技术处理获取的原始图像,得到高分辨率图像;
S3、对S2中的高分辨率图像进行傅立叶变换,将图像从空间域转化为频率域,对转化到频率域的图像进行增强预处理,并通过CNN对增强预处理后的图像进行图像重建和增强,得到增强图像M1;对S2中高分辨率图像进行分解,得到红色、绿色和蓝色的RGB分量图像,应用不同尺度的滤波器增强RGB分量图像的细节后进行图像重建,将重建后的图像由RGB空间转换至HSV空间,对HSV空间图像进行对比度增强处理得到增强图像M2;对HSV空间图像通过CNN进行图像增强,得到增强图像M3;对RGB分量图像通过CNN进行图像增强,得到增强图像M4;
S4、使用深度学***均系数,对增强图像M1、M2、M3、M4进行合并,得到最终增强的图像。
进一步地,步骤S2中,利用多帧堆栈技术处理获取的原始图像的过程中,通过计算多帧堆栈的图像的平均值消除噪声和抖动。
进一步地,步骤S3中,对转化到频率域的图像进行增强预处理的具体步骤为:
(1)对转化到频率域的图像进行自适应直方图均衡化,得到均衡化后的图像;
(2)对均衡化后的图像通过双边滤波处理边缘和纹理,得到细节保留的图像;
(3)将细节保留的图像分解为多个区域,每个区域独立地执行直方图均衡化,并限制均衡化后的灰度值分布来平衡图像的亮度和对比度进行全局对比度增强,得到增强预处理后的图像。
进一步地,步骤S3中,对HSV空间图像进行对比度增强具体为:
在HSV颜色空间下,色调、饱和度和亮度相互独立,在保持色调不变的情况下,用直方图均衡化的方法对亮度分量进行增强处理,同时对饱和度进行自适应对比度增强。
进一步地,步骤S4中,使用深度学***均系数具体为:
(1)将原始图像经多帧堆栈技术处理后的图像和处理前的原始图像作为模型的训练集;
(2)构建CNN模型,并使用训练数据集进行训练和优化,得到训练好的CNN模型;
(3)使用训练好的CNN模型预测增强图像M1、M2、M3、M4的加权平均系数;
(4)根据预测的加权平均系数,计算出增强图像M1、M2、M3、M4的加权平均值。
还提出一种地下低照度深部地层空区图像增强装置,包括:
处理器;
存储器,其上存储有可在所述处理器上运行的计算机程序;
其中,所述计算机程序被所述处理器执行时实现一种地下低照度深部地层空区图像增强方法。
本发明提供的技术方案带来的有益效果是:
本发明的技术方案通过利用多帧堆栈技术处理图像,得到高分辨率图像,将图像从空间域转化为频率域,并通过CNN对图像进行重建和增强,得到增强图像M1;分解高分辨率图像,得到红色、绿色和蓝色的RGB分量图像,将图像由RGB空间转换至HSV空间,对HSV空间图像进行对比度增强得到增强图像M2;对HSV空间图像通过CNN增强,得到增强图像M3;对RGB分量图像通过CNN增强,得到增强图像M4,将多种方法处理得到的增强图像,并加权合并多种增强方法处理得到的图像,可以综合考虑各种方法的优点,使最终图像在色彩、对比度、清晰度、细节等方面都具有更好的表现。采用多种增强方法可以更好地补偿各种增强方法处理时所造成的不同的缺陷和弱点。加权合并后的图像涵盖了多种增强方法的优点,能够有效提高图像对比度和品质,还可以全面展示图像信息。采用多种增强方法对图像进行加权合并,可以从不同的角度呈现图像的信息,全面展示图像的特征,避免了单一增强方法可能造成的信息缺失和局限。
附图说明
图1是本发明实施例一种地下低照度深部地层空区图像增强方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
本实施例的一种地下低照度深部地层空区图像增强方法的流程图如图1,包括以下步骤:
S1、使用多功能摄像头获取原始图像;
S2、利用多帧堆栈技术处理获取的原始图像,多帧堆栈通过将多帧图像叠加在一起,以提高图像的清晰度和稳定性,利用多帧堆栈技术处理获取的原始图像的过程中,通过计算多帧堆栈的图像的平均值消除噪声和抖动。得到高分辨率图像;
S3、对S2中的高分辨率图像进行傅立叶变换,将图像从空间域转化为频率域,对转化到频率域的图像进行增强预处理,并通过CNN对增强预处理后的图像进行图像重建和增强,得到增强图像M1。
傅立叶变换可以将图像从空间域转化为频率域,旨在分解由正弦波和余弦波组成的周期性基本函数,将一个时域信号(即图像)分解为若干个正、负频率的频谱成分的和。傅立叶变换的实现需要将图像转变为数字信号,再利用快速傅立叶变换(FFT)算法进行计算。在傅立叶变换之后,图像在频率域中的成分可以通过改变不同的频率(或者相位)来进行调整。
对转化到频率域的图像进行增强预处理的具体步骤为:
(1)对转化到频率域的图像进行自适应直方图均衡化,得到均衡化后的图像;自适应直方图均衡化是一种通过增强低对比度或暗区域的方法,它使用局部统计信息来计算每个像素的像素亮度平均值和方差,结合局部对比性规则构建目标函数。
(2)对均衡化后的图像通过双边滤波处理使边缘和纹理等细节信息得到更好的保留,得到细节保留的图像;
(3)将细节保留的图像分解为多个区域,每个区域独立地执行直方图均衡化,并限制均衡化后的灰度值分布来平衡图像的亮度和对比度进行全局对比度增强,得到增强预处理后的图像。
对S2中高分辨率图像进行分解,得到红色、绿色和蓝色的RGB分量图像,应用不同尺度的滤波器增强RGB分量图像的细节后进行图像重建,将重建后的图像由RGB空间转换至HSV空间,对HSV空间图像进行对比度增强处理得到增强图像M2。
RGB色彩空间向HSV色彩空间的转换是从基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标双锥体的转换,其转换的基本原则是分离出RGB中的亮度分量,并将色度分解为色调和饱和度两个分量,用角向量表示色调。
对HSV空间图像进行对比度增强具体为:
在HSV颜色空间下,色调、饱和度和亮度相互独立,在保持色调不变的情况下,用直方图均衡化的方法对亮度分量进行增强处理,直方图均衡化可以增强图像的亮度和对比度,同时对饱和度进行自适应对比度增强。自适应对比度增强方法可以根据图像的局部区域调整对比度。通过对图像的饱和度分量进行自适应对比度增强,可以增强图像中细节的可见性,同时保持颜色的饱满度。
对HSV空间图像通过CNN进行图像增强,得到增强图像M3;
对RGB分量图像通过CNN进行图像增强,得到增强图像M4;
S4、使用深度学***均系数,对增强图像M1、M2、M3、M4进行合并,得到最终增强的图像。
使用深度学***均系数具体为:
(1)将原始图像经多帧堆栈技术处理后的图像和处理前的原始图像作为模型的训练集;
(2)构建CNN模型,并使用训练数据集进行训练和优化,得到训练好的CNN模型;
(3)使用训练好的CNN模型预测增强图像M1、M2、M3、M4的加权平均系数;
(4)根据预测的加权平均系数,计算出增强图像M1、M2、M3、M4的加权平均值。
本实施例还包括一种地下低照度深部地层空区图像增强方装置,包括:
处理器;
存储器,其上存储有可在所述处理器上运行的计算机程序;
其中,计算机程序被处理器执行时实现一种地下低照度深部地层空区图像增强方法。
本发明通过多种方法处理得到的增强图像进行合并,可以综合优化图像质量。通过加权合并多种增强方法处理得到的图像,可以综合考虑各种方法的优点,使得最终图像在色彩、对比度、清晰度、细节等方面都具有更好的表现。同时可以提高图像对比度和品质。采用多种增强方法可以更好地补偿各种增强方法处理时所造成的不同的缺陷和弱点。加权合并后的图像涵盖了多种增强方法的优点,能够有效提高图像对比度和品质。此外,还可以全面展示图像信息。采用多种增强方法对图像进行加权合并,可以从不同的角度呈现图像的信息,全面展示图像的特征,避免了单一增强方法可能造成的信息缺失和局限。
同时采用深度学***均系数相比传统的人工经验法,使用深度学***均问题,可以扩展到更广泛的应用领域中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种地下低照度深部地层空区图像增强方法,其特征在于,包括以下步骤:
S1、使用多功能摄像头获取原始图像;
S2、利用多帧堆栈技术处理获取的原始图像,得到高分辨率图像;
S3、对S2中的高分辨率图像进行傅立叶变换,将图像从空间域转化为频率域,对转化到频率域的图像进行增强预处理,并通过CNN对增强预处理后的图像进行图像重建和增强,得到增强图像M1;对S2中高分辨率图像进行分解,得到红色、绿色和蓝色的RGB分量图像,应用不同尺度的滤波器增强RGB分量图像的细节后进行图像重建,将重建后的图像由RGB空间转换至HSV空间,对HSV空间图像进行对比度增强处理得到增强图像M2;对HSV空间图像通过CNN进行图像增强,得到增强图像M3;对RGB分量图像通过CNN进行图像增强,得到增强图像M4;
S4、使用深度学***均系数,对增强图像M1、M2、M3、M4进行合并,得到最终增强的图像。
2.根据权利要求1所述的一种地下低照度深部地层空区图像增强方法,其特征在于,步骤S2中,利用多帧堆栈技术处理获取的原始图像的过程中,通过计算多帧堆栈的图像的平均值消除噪声和抖动。
3.根据权利要求1所述的一种地下低照度深部地层空区图像增强方法,其特征在于,步骤S3中,对转化到频率域的图像进行增强预处理的具体步骤为:
(1)对转化到频率域的图像进行自适应直方图均衡化,得到均衡化后的图像;
(2)对均衡化后的图像通过双边滤波处理边缘和纹理,得到细节保留的图像;
(3)将细节保留的图像分解为多个区域,每个区域独立地执行直方图均衡化,并限制均衡化后的灰度值分布来平衡图像的亮度和对比度进行全局对比度增强,得到增强预处理后的图像。
4.根据权利要求1所述的一种地下低照度深部地层空区图像增强方法,其特征在于,步骤S3中,对HSV空间图像进行对比度增强具体为:
在HSV颜色空间下,色调、饱和度和亮度相互独立,在保持色调不变的情况下,用直方图均衡化的方法对亮度分量进行增强处理,同时对饱和度进行自适应对比度增强。
5.根据权利要求1所述的一种地下低照度深部地层空区图像增强方法,其特征在于,步骤S4中,使用深度学***均系数具体为:
(1)将原始图像经多帧堆栈技术处理后的图像和处理前的原始图像作为模型的训练集;
(2)构建CNN模型,并使用训练数据集进行训练和优化,得到训练好的CNN模型;
(3)使用训练好的CNN模型预测增强图像M1、M2、M3、M4的加权平均系数;
(4)根据预测的加权平均系数,计算出增强图像M1、M2、M3、M4的加权平均值。
6.一种地下低照度深部地层空区图像增强装置,其特征在于,所述装置包括:
处理器;
存储器,其上存储有可在所述处理器上运行的计算机程序;
其中,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的一种地下低照度深部地层空区图像增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843877.6A CN116993636B (zh) | 2023-07-10 | 2023-07-10 | 一种地下低照度深部地层空区图像增强方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843877.6A CN116993636B (zh) | 2023-07-10 | 2023-07-10 | 一种地下低照度深部地层空区图像增强方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993636A CN116993636A (zh) | 2023-11-03 |
CN116993636B true CN116993636B (zh) | 2024-02-13 |
Family
ID=88522307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310843877.6A Active CN116993636B (zh) | 2023-07-10 | 2023-07-10 | 一种地下低照度深部地层空区图像增强方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993636B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504212A (zh) * | 2016-11-07 | 2017-03-15 | 湖南源信光电科技有限公司 | 一种改进的hsi空间信息低照度彩色图像增强算法 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
CN111626967A (zh) * | 2019-02-28 | 2020-09-04 | 富华科精密工业(深圳)有限公司 | 图像增强方法、装置、计算机装置及可读存储介质 |
KR102277005B1 (ko) * | 2020-03-13 | 2021-07-14 | 이화여자대학교 산학협력단 | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 |
CN113129236A (zh) * | 2021-04-25 | 2021-07-16 | 中国石油大学(华东) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及*** |
CN115272115A (zh) * | 2022-07-25 | 2022-11-01 | 贵州杰源水务管理技术科技有限公司 | 基于物理和深度学习双重引导的水下图像增强网络及方法 |
CN115526803A (zh) * | 2022-10-14 | 2022-12-27 | 中国石油大学(华东) | 非均匀光照图像增强方法、***、存储介质及设备 |
CN116363001A (zh) * | 2023-03-08 | 2023-06-30 | 江苏科技大学 | 一种结合rgb和hsv颜色空间的水下图像增强方法 |
-
2023
- 2023-07-10 CN CN202310843877.6A patent/CN116993636B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504212A (zh) * | 2016-11-07 | 2017-03-15 | 湖南源信光电科技有限公司 | 一种改进的hsi空间信息低照度彩色图像增强算法 |
CN111626967A (zh) * | 2019-02-28 | 2020-09-04 | 富华科精密工业(深圳)有限公司 | 图像增强方法、装置、计算机装置及可读存储介质 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
KR102277005B1 (ko) * | 2020-03-13 | 2021-07-14 | 이화여자대학교 산학협력단 | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 |
CN113129236A (zh) * | 2021-04-25 | 2021-07-16 | 中国石油大学(华东) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及*** |
CN115272115A (zh) * | 2022-07-25 | 2022-11-01 | 贵州杰源水务管理技术科技有限公司 | 基于物理和深度学习双重引导的水下图像增强网络及方法 |
CN115526803A (zh) * | 2022-10-14 | 2022-12-27 | 中国石油大学(华东) | 非均匀光照图像增强方法、***、存储介质及设备 |
CN116363001A (zh) * | 2023-03-08 | 2023-06-30 | 江苏科技大学 | 一种结合rgb和hsv颜色空间的水下图像增强方法 |
Non-Patent Citations (2)
Title |
---|
Image Quality Enhancement using CLAHlet RetiGaussian Filter for Maize Leaf Images;Priyanka Handa et al.;《Research Square》;20230210;全文 * |
基于双颜色空间与多网络融合的水下图像增强;宋宇康 等;《南京邮电大学学报》;20230630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993636A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9135681B2 (en) | Image chroma noise reduction | |
CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
Suganya et al. | Survey on image enhancement techniques | |
CN111260580B (zh) | 图像去噪方法、计算机装置及计算机可读存储介质 | |
CN112801925B (zh) | 基于信息熵最大化消除水波纹影响的水下图像增强方法 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
CN111696052B (zh) | 一种基于红通道衰弱的水下图像增强方法及*** | |
US7903900B2 (en) | Low complexity color de-noising filter | |
CN107862672B (zh) | 图像去雾的方法及装置 | |
CN113781320A (zh) | 一种图像处理方法、装置、终端设备及存储介质 | |
CN115984134A (zh) | 一种遥感测绘图像智能增强方法 | |
CN113850741A (zh) | 图像降噪方法、装置、电子设备以及存储介质 | |
Gao et al. | Sandstorm image enhancement based on YUV space | |
CN116188325A (zh) | 一种基于深度学习和图像颜色空间特性的图像去噪方法 | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及*** | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN111311503A (zh) | 一种夜晚低亮度图像增强*** | |
CN112200719B (zh) | 图像处理方法、电子设备及可读存储介质 | |
Sun et al. | Readability enhancement of low light videos based on discrete wavelet transform | |
CN116993636B (zh) | 一种地下低照度深部地层空区图像增强方法和装置 | |
CN111161189A (zh) | 一种基于细节弥补网络的单幅图像再增强方法 | |
CN108492264B (zh) | 一种基于sigmoid变换的单帧图像快速超分辨方法 | |
CN115082296B (zh) | 一种基于小波域图像生成框架的图像生成方法 | |
Sadia et al. | Color image enhancement using multiscale retinex with guided filter |
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 |