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...     

基于卷积网络模型的低照度激光图像特征增强方法

针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理，造成激光图像特征增强后损失值较大的问题，提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器，完成低照度激光图像预处理。使用分段性变换方法设计激光图像映射关系函数，得到低照度激光图像增强目标函数。构建卷积神经网络模型以及模型对应损失函数，完成低照度激光图像特征增强。至此，基于卷积网络模型的低照度激光图像特征增强方法设计完成。实验结果表明：此方法增强真实与合成图像特征后的损失值较低，分别为0.245和0.361,其峰值信噪比较高，分别为45.52和48.54,极大地提高了图像的应用价值，且文中方法对图像增强处理的时长最短，在13 s到16 s之间，其应用性能较高。     

基于深度注意力机制的低照度图像增强方法

复杂环境下的低照度图像具有光照分布不均、多光源叠加作用等特点,导致增强后的图像真实性不足、图像噪声增加等问题。针对低照度图像的特点,提出了一种基于深度注意力机制的低照度图像增强方法。设计生成对抗全局自注意力低照度增强网络（GSLE-GAN）以实现低照度图像的增强。在生成器中设计并使用注意力模块,提高模型对于光照分布特点的提取能力以及生成图像的真实性,采用局部鉴别器与全局鉴别器共同作用的方式使图像具有更丰富的细节信息,使用非配对数据及对模型进行训练,以提升模型的鲁棒性并进一步保证生成图像的真实性。通过对比实验,证明了文中所提方法的优越性,并在目标检测任务中证明了方法的有效性。     

一种用于局部低照度水下图像的自适应增强方法

针对局部低照度导致的水下图像细节丢失以及使用现有的水下图像整体增强方法产生的增强过度现象,提出一种基于改进Retinex-Net的水下图像增强方法.通过基于HSV空间颜色阈值的图像二值化获取图像任意位置的低照度区域;利用卷积神经网络对图像的低照度区域学习与分解,并对分解结果进行端对端训练;在增强网络中运用U-Net,构...     

基于双残差卷积网络的低照度图像增强

为解决当前低照度图像增强问题,提出了一种基于双残差卷积网络的图像增强算法。首先,根据Retinex理论模型,将正常照度图像合成低照度图像,再分别将它们分解在R(红)、G(绿)、B(蓝)3个分量上,然后通过特征提取模块和双残差模块学习低照度图像与正常照度图像在各分量的映射关系,获得各分量上的增强图像,最后合成增强的RGB图像。采用双边滤波优化增强的RGB图像,使得所获得的图像更加接近参考图像。实验表明,本文所提算法,对于处理合成的低照度图像,峰值信噪比最高可达25.931 1dB,结构相似度最高可达0.945 2;对于处理真实的低照度图像,盲图像质量评估指标高于其他算法,且运行速度更快。     

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。     

标准化变换在视频隐形图像重现中的应用

针对低照度环境下,网络监控视频图像由于对比度低、灰度信息少,视频图像存在隐形问题,提出了一种基于人类视觉系统感知的标准化变换算法,并嵌入基于ARM平台的视频网络监控中。实验结果表明,与其他图像增强算法对比,该算法有效地提高了视频图像对比度分辨率,重现隐形图像,取得了较好的整体视觉效果,而且满足网络监控的时实性要求。     

基于双重迭代的零样本低照度图像增强

针对低光照条件下拍摄图像质量低下的问题,该文提出一种基于双重迭代的零样本低照度图像增强方法。其外层迭代通过卷积神经网络估计增强参数,再由内层迭代进行图像增强,增强结果进一步用于计算损失函数并反馈更新外层的参数估计网络,最终通过多轮迭代生成高质量的图像。在该框架下,还设计了多尺度增强系数估计模块、基于注意力的像素级大气光估计模块,并提出了基于亮度对比度、大气光、颜色均衡以及图像平滑性先验的无监督损失函数。大量实验结果表明,该方法可有效将低光照图像增强为高质量的清晰图像,其性能优于现有的同类方法。同时该方法基于零样本学习,不需任何训练数据集,具有良好的普适性。     

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。     

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。     

基于OpenCV的暗视觉图像处理的研究

为了获取低照度环境下更多的图像信息,本文基于OpenCV这个开源的机器视觉库平台,利用人类视觉对比度分辨率补偿和运动序列的帧间时域滤波,对低照度下的视频进行处理。通过对本地存储的低照度视频的处理,验证了该算法能有效地增强图像的信息。     

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.     

一种基于U-Net生成对抗网络的低照度图像增强方法

在低照度环境下采集的图像具有低信噪比、低对比度及低分辨率等特点,导致图像难以识别利用.为了提升低照度图像的质量,本文提出一种基于U-Net生成对抗网络的低照度图像增强方法.首先利用U-Net框架实现生成对抗网络中的生成网络,然后利用该生成对抗网络学习从低照度图像到正常照度图像的特征映射,最终实现低照度图像的照度增强.实验结果表明,与主流算法相比,本文提出的方法能够更有效的提升低照度图像的亮度与对比度.     

基于深度学习的低照度图像增强方法

在低照度环境下采集的图像往往亮度不足,导致在后续视觉任务中难以有效利用。针对这一问题,过去的低照度图像增强方法大多在极度低光场景中表现失败,甚至放大了图像中的底层噪声。为了解决这一难题,本文提出了一种新的基于深度学习的端到端神经网络,该网络主要通过空间和通道双重注意力机制来抑制色差和噪声,其中空间注意力模块利用图像的非局部相关性进行去噪,通道注意力模块用来引导网络细化冗余的色彩特征。实验结果表明,与其他主流算法相比,本文方法在主观视觉和客观评价指标上均得到了进一步提高。     

基于矿山井下视频监控系统的图像增强方法研究

针对煤矿井下照度低、粉尘多的恶劣环境导致矿山井下图像质量差、图像可分辨率低的问题,提出一种基于脊波变换的图像增强算法,采用多种评价标准对增强后的图像进行评价,并且与直方图均衡化算法、小波增强算法进行比较。结果显示,该算法能够更好地增强图像的边缘、对比度和细节信息,图像效果从整体上更加符合人眼视觉标准。     

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.     

基于双曲映射变换的低照度道路图像增强方法研究

在智能驾驶领域中，针对低照度环境下获取视觉图像中道路环境交通特征信息难的问题，提出一种基于双曲映射变换的低照度道路图像增强方法。采用最大熵法对HSV颜色空间中的V分量进行阈值分区，利用改进的双曲正切S型函数和双曲正割累积分布函数分别增强明暗区域的亮度，采取非线性变换函数LC补偿光照，进而用双尺度均值滤波法增强图像中道路特征信息。通过自建数据集对比验证相关算法，结果表明：本方法增强后的图像平均亮度提高了111.54%、信息熵提高了11.8%,平均梯度提高了159.75%,低照度环境下获取视觉图像中交通特征信息显著提升。     

低照度环境下图像增强算法的FPGA实现

在低照度环境下,通用的图像传感器普遍存在成像效果不佳的情况,因此采用图像增强算法来提升图像对比度就显得尤为重要,然而大多数图像增强算法都是针对静态图像进行增强.为此,基于现有的图像增强算法,提出了一种改进的基于图像去雾的图像增强算法架构,该架构不仅利于FPGA实现,而且能够较好地增强视频的显示效果.测试结果表明:该算法占用FPGA资源较少,能够实时处理1080P 60 f/s的视频且增强效果良好.     

低照度短波红外图像增强算法

为了拓展非制冷短波红外探测器在弱光夜视观测方面的应用，开展了针对短波红外低照度成像的研究。提出了一种新的图像增强方法抑制图像噪声增强图像细节进而改善图像质量。使用3D降噪（3DNR（3D Noise reduction））算法，将多尺度高斯差分法结合边缘保持滤波器最大限度的分离图像高频信息与隐藏噪声，再针对图像进行自适应灰度映射。实验结果表明：该算法显著地抑制了在低照度下图像的时域噪声，丰富了短波红外图像的细节，改善了短波红外的夜视显示效果。     

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。