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。     

基于三维激光扫描的低照度图像色彩增强方法

为了提高图像画面的清晰度，给用户展示更多细节，提出了基于三维激光扫描的低照度图像色彩增强方法。利用图像直方图分析灰度级，通过直方图处理实现低照度图像对比度增强，使所有灰度区域的均匀布局；通过多维信息算出协方差，利用矩阵构成相关数据，在相邻点实行空间曲面拟合，构建平面图像函数，将连续图像函数变换成离散形式，扫描图像找到相应的行列数，判断点位置获得三维激光图像矩阵。通过实验可知，本方法的图像标准差与实际图像差值仅为0.25,信息熵差值仅为0.1,平均梯差值仅为0.05,表明本方法能够增强低照度图像色彩。     

基于卷积分析稀疏表示和相位一致性的低照度图像增强

针对低照度图像存在的对比度低、视觉效果差等问题,提出一种基于卷积分析稀疏表示和相位一致性的低照度图像增强方法.该方法基于Retinex模型,在估计照度图像时采用卷积分析稀疏表示进行约束,所用滤波器一部分人工设定,一部分由样本训练自动获得;在计算反射图像时利用单演相位一致性特征,施加相位一致性残余最小约束来恢复细节;通过联合约束并进行优化,得到的反射图像即为最终的增强结果.对大量低照度图像进行实验,并与当前先进方法相比,结果表明,本文方法不仅提高了图像的亮度与对比度,增强了细节,而且在多个客观评价指标上都优于其他方法.     

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.     

梯度稀疏和最小平方约束下的低照度图像分解及细节增强

低照度图像存在细节模糊、对比度低等问题.针对这些问题,本文提出一种低照度彩色图像增强算法.首先建立梯度稀疏和最小平方约束模型,将图像分解为结构层和细节层;然后采用提出的多尺度边缘保护细节增强算法强化图像的细节信息并滤波;最后把细节增强的图像经改进的Retinex算法映射,最终得到细节增强、亮度适宜、对比度较强的修复图像.实验结果表明,主观上：图像细节增强,亮度适宜;客观上：结构层图像的一维像素线性图显示其平滑特性效果较好,细节增强图的NIQE（5.5202）、BRISQE（31.1893）和PSNR（25.3625）特征较好,修复图像的熵值（7.4421）、边缘强度（128.3231）和平均亮度（121.1827）较好.本文算法实现了对低照度图像的有效分解及细节增强,并提高了图像综合质量.     

基于双域分解的夜间车辆红外图像研究

夜间车辆交通红外图像光照不均,导致车辆图像细节纹理较弱,识别难度较大。为此,提出基于双域分解的夜间车辆交通红外偏振图像增强方法。采用改进Retinex低照度图像光照补偿算法,分解图像为低频图像与高频图像,对低频图像去雾、优化其对比度,对高频图像去噪与增强,合成低频、高频图像实现夜间车辆交通红外偏振图像增强。实验测试结果证明,对比传统方法,所提方法增强后图像亮度与对比度得以优化,且细节信息更丰富,具有理想的视觉效果。     

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ResNet的红外与低照度可见光图像融合方法

针对传统红外与低照度可见光图像融合后,容易造成目标模糊不清、细节信息缺失等问题,本文提出一种低照度可见光图像预增强与残差网络(Residual Network,ResNet)相结合的图像融合方法。该方法首先利用单尺度Retinex(Single Scale Retinex,SSR)算法对低照度可见光图像进行增强预处理,得到增强的可见光图像。其次,利用ResNet-50分别从增强后的可见光图像和红外图像中提取深度特征。然后,采用L1范数对生成的深度特征进行正则化处理,并通过上采样操作将其分辨率恢复至输入图像大小,得到权重图。最后,使用加权平均策略获取融合图像。实验结果表明,本文算法能更好地保留输入图像的纹理细节和结构信息;使用TNO数据集与现有的三种典型算法对比,该算法融合结果的离散余弦特征互信息(FMIdct)、小波特征互信息(FMIw)、基于噪声评估的融合性能(Nabf)、结构相似度测量(SSIM)四种客观指标总体优于对比算法。     

一种基于双通道CMOS相机的低照度动态场景HDR融合方法

高动态范围成像技术能够全面有效反映场景信息,有利于在高动态范围场景下获得高质量的成像。但当前常用的基于单台相机的多次曝光融合方法在动态场景下易出现“鬼影”问题,基于多个传感器同时曝光的系统复杂且价格昂贵,基于单幅低动态范围图像的拓展方法易丢失欠曝光或过曝光区域的细节信息,且多用于较好的照明条件。针对低照度动态场景成像,研究了一种基于双通道低照度CMOS相机的高动态范围图像融合方法,对双通道CMOS相机采集低照度动态场景两幅不同曝光图像,依据累计直方图拓展原则分别进行动态范围拓展,并采用像素级融合方法对动态范围拓展的序列图像进行融合。实验表明,动态范围拓展融合方法可满足低照度动态场景下获取高动态范围图像的应用要求,获得更佳的成像质量。