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。     

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.     

基于深度学习的低照度图像增强技术研究综述

使用图像增强方法和深度学习的方法可以提高低照度图像亮度,改善图像质量。文章首先对传统的低照度图像增强算法分类介绍,总结这些算法近年来的改进过程,然后重点介绍当下适用于低照度图像增强的网络模型,同时对这些网络结构和适用于该网络的部分方法进行梳理,最后介绍实验所需要的数据库与增强后图像的评价准则,提出了目前深度学习在该领域所面临的挑战,旨在为低照度图像增强的发展方向提供思考。     

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。     

BIQI和JND相结合的图像增强客观评价方法

提出一种结合盲图像质量指标(BIQI )和临界可见偏差(JND)的图像增强 客观评价方法。方法基于Retinex理论,将测试图像分成反射图像和照度图像 ,分别对反射图像和照度图 像进行BIQI和JND评分,得到的评分之和作为图像增强客观评价得分。对原图 像失真和背景亮 度的变量控制系列的实验表明,Retinex分解得到的反射图像只受失真的种类 和失真程度影响,而照度图像代表 原图像环境光照信息具有亮度阈值效应;应用本文算法对增强后的图像评分得到Score的 最高分为 0.609,与主观评价结果一致;而PSNR、SSIM的评分都是和原图像本身比较, 不能表明图像增强效果。实验结果表明,本文算法的评价结果与主观视觉一致,能用于定量 对图像增强进行客观评价。     

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。     

基于光照重映射的低照度图像增强算法

目前,大量低照度图像中存在不同程度的饱和区域,这些图像主要是由前后背景亮度差异较大而形成的.对于该类低照度图像,如何在增强低照度区域的同时,尽量保留饱和区域细节纹理成为研究的难点.提出了一种基于光照重映射的低照度图像增强算法,该算法从相机成像原理出发,利用相机响应模型,通过区域化处理和非线性变换对亮度信息进行重新调整.实验结果表明,所提算法具有增强区域广、纹理保真度高、速度快等优点,在主观视觉评价和客观指标上均取得了较好的结果.     

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MSR和融合理论的X射线安检图像增强算法

针对X射线安检图像噪声大、对比度低和边缘不清晰等问题,提出一种结合多尺度Retinex算法(Multi-Scale Ret-inex,MSR)算法和图像灰度最大值融合的双重能量X射线图像增强算法.首先,应用MSR算法对高能和低能X射线图像进行处理得到初步增强结果,然后采用空域灰度值最大融合算法融合经过MSR算法初步增强后的高能和低能X射线图像从而得到最终增强X射线图像.实验结果表明该算法能更有效地提高双重能量X射线图像的对比度,显著改善图像质量.     

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。     

低照度自适应图像增强方法研究

在夜间低照度情况下,应用于智能交通的目标检测与跟踪算法性能急剧下降,不能满足实际需求。为此提出一种夜间低照度彩色图像增强方法,提高图像的视觉效果,使智能交通系统全时工作成为可能。采用RGB三通道联合增强的方式,从亮度和对比度两方面协同改善图像质量;打破伽玛校正用于对比度增强的惯例,利用伽玛校正进行亮度调节并联合对比度增强函数来实现图像增强;通过对图像质量整体评价自适应计算变换参数。实验结果表明:算法简洁、效果良好,具有一定的使用价值。     

基于照度分割的局部多尺度Retinex算法

针对现有多尺度Retinex图像增强算法采用线性加权的方法来综合各个单尺度Retinex增强效果,不能很好地体现出各个尺度在色彩保真和细节增强上的特点与优势,本文提出一种新的基于照度分割的局部多尺度Retinex图像增强算法.该算法首先通过引入带参数的LIP模型将图像分解成四个照度区域,然后对各区域根据照度的差异采用相应尺度的Retinex算法进行增强,最后通过基于面积的比例因子对各增强后子图进行照度融合,实现图像增强.实验结果表明,与现有多尺度Retinex算法相比,本文算法在图像亮度保持和细节增强上,处理效果较好,在色彩方面也有较好的效果.     

色度在评价增强图像时对传统算法的修正效果

增强图像是指与原始图像相比在清晰度、亮度、色彩、对比度等方面有一定增强的图像.图像增强已被广泛应用,例如很多图像处理软件PS,ACDSee等都能够对图像进行增强.与此同时,也出现了很多图像增强算法.所以,对增强图像的质量评价具有重要意义.传统的图像质量评价算法不能够对增强图像进行精确评价.增强图像与原始图像相比,在色度上存在一定差异.在此基础上,研究了色度在评价增强图像质量时对传统的图像质量评价算法的修正效果.在增强图像数据库中进行的实验证明在评价增强图像质量时,色度能够对传统的图像质量评价算法进行较好的修正.     

基于云计算平台加速的时频域结合图像增强方法

不充分的光照会使图像细节损失严重，降低图像视觉质量，严重影响图像的各项下游任务，如目标检测、分类和识别等。因此，如何针对低照度图像进行增强，是机器视觉领域研究的热点。现有方法都是基于时域设计的，没有基于更接近人类视觉系统、信息表征能力更强的频域，增强效果一度停滞不前。针对这一问题，以提升图像增强效果为目标，将时域原图像的频域信号进行编码、映射和增强，提出了一种包含全新频域图像增强模块的时频结合低照度图像增强(Low Light Image Enhancement, LLIE)网络。同时，为了加快上述深层网络的训练速度，提出了一种基于云计算平台的专有加速模块，从系统架构的角度对网络训练进行加速。实验结果表明，所提算法增强后的图像不但比其余方法拥有更优异的客观指标、更好的主观视觉效果，同时也拥有比传统计算平台更快的训练速度。     

基于移位窗口多头自注意力U型网络的低照度图像增强方法

针对低照度图像增强模型中的亮度提升、噪声抑制以及保持纹理颜色一致性等难点问题,该文提出一种基于移位窗口自注意力机制的低照度图像增强方法。该文以U型结构为基本框架,以移位窗口多头自注意力模型为基础,构建了由编码器、解码器以及跳跃连接组成的图像增强网络。该网络将自注意力机制的特征提取优势应用到低照度图像增强领域,建立图像特征信息之间的长期依赖关系,能够有效获取全局特征。将所提方法与当前流行的算法进行定量和定性对比试验,主观感受上,该文方法显著提升了图像亮度,抑制图像噪声效果明显并较好地保持了纹理细节和颜色信息;在峰值信噪比(PSNR)、结构相似性(SSIM)和图像感知相似度(LPIPS)等客观指标方面,该方法较其他方法的最优值分别提高了0.35 dB, 0.041和0.031。实验结果表明,该文所提方法能够有效提升低照度图像的主观感受质量和客观评价指标,具有一定的应用价值。     

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...     

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.     

基于亮度通道细节增强的低照度图像处理

为了解决在低照度条件下,可见光成像设备采集的图像亮度低、细节不清晰等问题,提出一种基于亮度通道细节增强的低照度图像处理算法。首先,将图像从RGB转换到Lab颜色模型,将Lab模型中的亮度通道通过指数派生函数校正构造为光照分量,再经过Retinex增强得到初步增强图像。然后,采用结构张量和多尺度引导滤波分别对初步增强图像进行细节提取,并将两种方法提取的细节信息进行了融合。最后,将细节图像和初步增强图像融合得到了目标图像。实验结果主观上得到了亮度合适、细节清晰的增强图像,客观上在亮度失真、信息熵和能量梯度上均有良好且稳定的表现,表明该算法能够有效提高图像的亮度和细节信息,并保持自然的色彩和光照效果。