一种改进CycleGAN的低照度图像增强网络

为了提高CycleGAN对低照度图像增强后的细节分辨能力,提高图像整体的视觉质量,提出了一种改进CycleGAN的低照度图像增强算法.该网络的生成器由低光照增强模块和亮度均衡处理模块组成,用以学习低照度图像到正常照度图像的特征映射.以多尺度卷积和残差空洞卷积构建基于U-Net的低光照增强模块,提高网络对增强后图像细节信...     

双分支金字塔网络的微光图像增强算法

针对微光图像存在亮度低、细节丢失严重以及现有算法增强后的微光图像存在曝光过度、颜色失真等问题,提出双分支金字塔网络的微光图像增强算法.首先,将微光图像从RGB颜色空间转换到HSV颜色空间.其次,对V分量采用双分支金字塔网络的微光图像增强算法,自适应获取图像特征.网络结构由并行双分支构成,含层级残差模块的分支有效增强V分...     

融合非物理模型的改进AM-RetinexNet图像增强算法

针对地下空间低照度图像色彩偏暗、亮度低且分布不均、增强后图像色偏和噪声高等问题，研究提出了融合非物理模型的改进AM-RetinexNet图像增强算法。该算法将RGB图像转换成HSV分量，利用HSV空间相互独立性实现图像亮度增强和色彩增强处理，其中S分量利用V分量提取的相关信息进行自适应调整，V分量采用融合直方均衡化与注意力机制优化的RetinexNet进行照度分量增强处理；将处理后HSV分量转化成RGB图像，并对图像进行自适应色彩恢复，得到照度增强图像。对比实验表明，在图像的细节处理、亮度整体增强处理、图像降噪和色彩视觉修正等方面该方法表现较好，测试指标中平均互信息(MI)、标准差(STD)、结构相似性(SSIM)、平均梯度(AG)、空间频率(SF)和峰值信噪比(PSNR)最佳，均值分别可达到6.18,70.62,0.56,13.29,36.53,39.22。     

自适应HSV空间Retinex煤矿监控图像增强算法

针对煤矿井下的监控图像由于粉尘、煤尘、低照度或点光源等光照的影响,而整体阴暗模糊,对比度低,背景噪声强,视觉效果不理想的问题,提出一种改进的HSV(Hue,Saturation,Value)空间的颜色可恢复的多尺度Retinex(Muhi-Scale Ret-inex,MSR)的图像增强算法.该算法先将图像从RGB空间转换到HSV空间,以确保后续图像增强处理不会影响图像的色彩效果;然后利用提出的自适应的高斯核函数分离亮度分量V的照度分量和反射分量,再利用自适应的增益系数对反射分量进行增强处理,获得不受光照影响的、增强的反射图像;最后将反射图像逆变换回RGB空间,再利用优化的颜色恢复函数对增强的图像进行颜色修正,从而改善图像的全局视觉效果和局部对比度.实验表明该方法能有效提高煤矿井下监控图像的对比度和亮度,抑制背景噪声,从而大大改善煤矿井下监控图像的视觉效果,且很好地实现了参数自适应,减少了人为因素对结果的影响.     

改进Retinex与多图像融合算法用于低照度图像增强

为了解决低照度图像在图像增强过程中图像质量不佳、对比度不高等问题,本文提出改进Retinex与多图像融合算法用于低照度图像增强。首先将待处理图像转换到HSV色彩空间,并设定阈值对其V通道分量进行亮度调节,然后转换到RGB色彩空间,将其拷贝3份,对第一份进行直方图均衡化,中值滤波处理;对第2份进行自动亮度调节,双边滤波处理;对第3份进行改进的Retinex算法处理,采用高斯滤波、双边滤波作为其环绕函数,估计图像照明分量,最后输出反射图。将处理后的3份图像转到HSV色彩空间,对其V分量进行多图像融合,H、S分量沿用第2份图像分量值,最后将融合后的图像由HSV转为RGB色彩空间,输出处理后的图像。实验结果表明,本文提出的算法在增强低照度图像的同时,还可抑制图像噪声,同时具有良好的保边性,且细节明显。     

基于卷积神经网络的室内低照度图像增强

针对现有的低照度图像增强算法复杂度过高,文章基于卷积神经网络,对比已有的MSRCR算法,进行改进,从而弥补MSRCR算法的不足(如不具有自适应性,设计参数过多)。本文将图像转换到HSI空间,提取出其亮度分量I,将该分量输入到卷积神经网络中,获得增强后的亮度分量I,再将其转回到RGB空间。本文所使用的所有训练集均为室内无光照图片,图片具有亮度均匀、整体亮度偏暗的特点。在处理这一图片时,本文算法结果图像有更好的峰值信噪比和彩色图像信息熵,拥有更好的视觉效果。     

基于卷积神经网络的低照度图像增强方法

为提升低照度图像的饱和度,增强图像的视觉效果,对基于卷积神经网络的低照度图像增强方法设计与分析。进行低照度图像预处理,设定Reyinex卷积分辨目标,通过FRED-Net结构识别图像特征,进行BP神经元图像增强节点的布设,以此为基础,设计HSI双向卷积神经网络图像增强模型,建立注意力机制,采用合成处理实现低照度图像增强。最终的测试结果表明:与传统单质成像图像增强测试组、传统层级描述图像增强测试组相对比,文章所设计的卷积神经图像增强测试组最终得出的饱和度可以达到92%,表明该方法对于图像的增强效果更佳,具有实际的应用价值。     

采用两阶段混合策略实现的低照度图像增强算法

在深入分析现有各主流低照度图像增强(Low Light Image Enhancement,LLIE)算法的基础上,提出了一种采用两阶段混合策略实现的低照度图像增强(Hybrid LLIE,HLLIE)算法.具体地,在第一阶段,对于给定的低照度图像,利用互补效果较好的Fu和Ying两个主流LLIE算法分别对其进行增强预处理,所得到的两张增强后图像称为初步增强图像;在第二阶段,将所得到的两张初步增强图像输入到预先训练好的多通道浅层卷积神经网络(Multi?channel Shallow Convolution Neural Network,MSCNN)模型中,由MSCNN模型将两张初步增强图像优化组合为一张具有更高图像质量的最终增强图像.实验结果表明:与各主流LLIE算法相比,所提出的HLLIE算法在各个客观图像质量评价指标上有显著优势,人工主观评价亦能证实这一点.     

基于小波变换的低照度图像自适应增强算法

提出了一种基于小波变换的低照度图像快速、自适应增强算法。将RGB图像转到HSV空间,并对亮度V图像利用离散小波变换(DWT)将图像的高、低频子带分离。在小波变换的低频子带上利用双边滤波对图像的照射光分量进行快速估计与去除,而在高频子带上利用模糊变换实现边缘、纹理信息的增强与去噪处理。对处理后的V图像,基于提出的直方图目标函数,利用鲍威尔与模拟退火相结合的优化算法,实现了对比度的快速、自适应增强处理。将增强后的V图像与H、S颜色分量合成为清晰化的彩色图像。实验结果表明,该算法能快速、有效实现低照度图像的清晰化处理。     

基于深度卷积神经网络的无参考低照度图像增强

针对低照度图像增强算法在实现细节增强的同时对噪声抑制考虑的不足问题,该文提出一种基于深度卷积神经网络的无参考低照度图像增强方法。首先,基于Retinex理论从输入的低照度图像中提取照射分量和反射分量,并分别对二者进行优化,随后将优化后的照射分量和反射分量相乘得到增强后的图像;同时,将3D块匹配(BM3D)的去噪效果融合进反射分量的优化过程中;最后,采用无参考图像训练的方式,并配合改进后的趋势一致性损失对网络参数进行更新。实验结果表明,该文算法相较于现有的主流算法,可有效地提升低照度图像的对比度和亮度,同时保持图像的自然性。     

一种基于ARD⁃GAN的低照度图像增强方法

为解决低照度图像增强过程中噪声放大、细节不足以及色彩还原问题,本文提出一种基于注意力机制残差密集生成对抗网络(Attention Residual Dense?Generative Adversarial Networks,ARD?GAN)的低照度图像增强方法.首先,该方法在全局光照估计模块(Global Illumination Estimation Module,GIEM)中生成全局曝光注意力图,以引导后续模块更好地进行照度增强;其次,使用卷积残差模块(Convolution and Residual Module,CRM)和基于通道注意力的残差密集模块(Channel Attention Residual Dense Module,CARDM)分别提取浅层特征和深层特征,并将不同层次的特征融合以获取更好的细节信息;然后,在CARDM基础上将密集连接与批归一化相结合抑制噪声;最后改进了损失函数,使增强后图像色彩还原更好.实验表明,ARD?GAN有与主流算法相比,在主观视觉和客观评价指标上均得到更好的效果.     

低照度下具有动态特性的彩色图像质量优化算法

针对低照度环境下具有动态性的彩色图像辨识度相对较差的问题,提出了基于人类视觉感知模型的对比度分辨率补偿算法。首先,将图像从RGB空间转换到HSV空间,保持H分量不变;对V分量提取图像特征参数,然后对V分量进行对比度分辨率补偿,增强图像亮度;并对S分量进行线性拉伸,复原图像色彩信息;最后将处理后的V分量和S分量与H分量进行反变换生成RGB空间新图像。实验结果表明,该算法对低照度下具有动态性的彩色图像增强效果较好,较好地保持了图像的细节,取得了良好的视觉效果。     

采用深度学习与图像融合混合实现策略的低照度图像增强算法

提出了一种采用深度学习与图像融合混合实现策略的低照度图像增强算法.首先,利用照射分量预测模型直接基于输入的低照度图像快速地估计出其最佳照射分量并在Retinex模型框架下获得一张整体上适度曝光图像;其次,将低照度图像本身及它的过曝光图像作为适度曝光图像的修正补充图像参与融合;最后,采用局部结构化融合和色度加权融合机制技术将制备好的3张待融合图像进行融合以获得最终的增强图像.实验数据表明:本文算法相较于各种主流对比算法在主客观图像质量评价指标上均有显著优势,在局部图像结构细节上具有更好的边缘保持和颜色保真效果.     

一种新的自适应图像增强融合算法

提出了一种新的自适应图像增强融合算法,算法将输入图像分解为反映图像平均照度特征的低频分量和反映图像对比度特征的高频分量图像,基于局部灰度方差增强因子和非线性投影变换因子进行自适应图像增强处理,基于局部能量、局部归一化互相关融合测度和加权融合算子对增强后的图像进行特征提取和重构,得到融合图像.有效地将输入图像细节特征传递组合到融合图像中.     

基于任务解耦的低照度图像增强方法

低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题,因此低照度图像增强是一个具有挑战性的任务.现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升,导致增强图像中仍然存在噪声等缺陷.针对上述问题,本文提出了一种基于任务解耦的低照度图像增强方法,根据低照度图像增强任务对高层和低层特征的不同需求,将该任务解耦为亮度与色彩增强和细节重构两组任务,进而构建双分支低照度图像增强网络模型（Two-Branch Low-light Image Enhancement Network,TBLIEN）.其中,亮度与色彩增强分支采用带全局特征的U-Net结构,提取深层语义信息改善亮度与色彩;细节重构分支采用保持原始分辨率的全卷积网络实现细节复原和噪声去除.此外,在细节重构分支中,本文提出一种半双重注意力残差模块,能在保留上下文特征的同时通过空间和通道注意力强化特征,从而实现更精细的细节重构.在合成和真实数据集上的广泛实验表明,本文模型的性能超越了当前先进的低照度图像增强方法,并具有更好的泛化能力,且可适用于水下图像增强等其他图像增强任务.     

基于窗口经验模式分解的医学图像增强

提出了基于窗口经验模式分解(WEMD)的医学图像增强算法。用WEMD算法分解医学图像,能够自适应地提取图像的内涵模式函数(IMF)分量。利用IMF分量图像的直方图服从正态分布的特性,结合直方图匹配算法的增强能力处理前几个IMF分量,经处理的IMF分量中的高频细节信息得到增强。将处理后的IMF分量和剩余分量重构,获取增强的医学图像。实验表明,WEMD算法增强效果优于目前的图像增强算法。     

基于视觉传达的低亮度激光图像细节信息增强方法

针对激光图像亮度较低,导致内部细节信息缺失,图像应用性下降等问题,提出基于视觉传达的低亮度激光图像细节信息增强方法。从视觉传达角度出发将低照度激光图像转换为Lab色彩模式,采用Curvelet变换将激光图像分解为高频分量与低频分量,利用细节增强网络模型增强高频分量,通过基于照度图估计的微光图像增强方法增强低频分量,融合增强后的高、低频分量,实验结果显示,采用该方法对所选图像进行细节信息增强处理后,各图像的信息熵均高于8.35以上,而对比度与相关系数则分别在0.846和0.815以上,增强后的图像更符合人眼视觉特性。     

基于大气散射模型的低照度视频增强算法

低照度情形下光照条件复杂，摄像设备采集到的视频无法满足实际应用需求，因此，需要进行增强。提出一种基于大气散射模型的低照度视频增强算法。将视频分帧，对于每一帧图像，提取V分量。提出透射率和大气光值估计方法，更加准确地描述图像的照度分布，从而避免过曝光现象；根据低照度大气散射模型，求解得到初步增强的V分量。为了丰富图像细节，提出细节优化方法，得到增强图像，合成每一帧增强图像得到增强视频。对增强结果进行主观和客观分析，结果表明，所提出的算法在视觉效果和客观评价指标方面均优于对比算法，其中所提出算法的清晰度、边缘强度、基于块的对比度和结构相似度均排名第一，且算法运行速度较快。     

基于分数阶Retinex的低照度图像增强方法

低照度彩色图像增强在生活中起着重要作用,传统的低照度彩色图像增强算法往往会引起图像的不同程度失真。为了增强低照度彩色图像而又不引起图像失真,本文提出了一种新的低照度图像自适应对比度增强算法。将分数阶微积分、传统Retinex变分法与分段对数变换饱和度增强法相结合,构造一种新的分数阶Retinex图像增强算法。实验结果表明,该方法具有增强图像对比度的同时又能保持边缘和纹理细节的能力。与传统低照度图像增强算法相比,能突出图像的细节纹理信息,同时图像色度和亮度也有明显改善。     

基于动态双稳随机共振的低照度彩色图像增强

针对非均匀低照度图像增强问题,提出了一种动态双稳随机共振算法。该算法基于双稳态随机共振模型,将图像中的噪声能量转移到低照度区域,能有效对低照度图像进行亮度增强。在研究过程中设定了低照度像素的迭代阈值,避免了高亮度区域的过度增强,可保证图像具有较好的视觉感受。研究采用感知质量评估(PQA)和亮度阶误差(LOE)作为图像质量的评价指标,通过对比实验发现,所设计算法的PQA值最接近10,增强图像的质量最好,同时LOE值在67～204之间,图像自然性保存最优。