结合多分支结构和U-net的低照度图像增强

随着夜景拍摄技术的提高,低照度图像增强成为计算机视觉领域一个新的热点。但是由于光照不足、逆光、聚焦失败等因素的影响会导致光照强度不足,导致图像亮度和对比度过低。为了更好地处理低光照图像,提出了一种基于多分支结构和U-net结合的低照度图像增强算法。利用深度残差网络将图片不同层次的特征提取出来进行交叉合并。将得到的图像通过不同深度和结构的U-net进行增强。将U-net增强后的图像进行融合,最终得到了增强后的低照度图像。通过大量的实验表明,运用深度残差网络和U-net,可以更好地进行特征提取,低照度图像增强的效果也更好,很大程度上优于现有的技术。提出的方法不仅在视觉上提高了亮度和对比度,色彩更真实,更加符合人眼视觉系统特性,而且PSNR、SSIM等七项客观图像质量指标在几种算法中都是最优的。     

基于照度图引导的低照度图像增强网络

在低照度环境下采集的图像,由于光照的不均匀性,存在能见度差、对比度低和颜色失真等问题.现有的大多数低照度图像增强方法存在过增强或欠增强的现象,影响视觉感知和后续目标检测任务.针对上述问题,提出一种基于照度图引导的低照度图像增强网络.首先根据低照度图像的灰度分布特点构造对应的照度图,度量低照度图像不同区域块的明暗程度;然后利用照度图作为网络增强的引导图,与低照度图像一起送入图像增强网络来获得增强后的图像.为了解决训练数据不足的问题,提出一种基于内循环和概率旋转的数据增强方法来扩充训练数据样本的数量和多样性;同时,针对目前图像增强方法中普遍存在照度不均匀的问题,基于直方图匹配的思想构建一种直方图损失函数,约束并指导网络的训练.在合成数据集LOL和真实图像上的实验结果表明,所提网络在低照度图像增强方面获得了更好的主观视觉效果;与经典的RetinexNet方法相比,所提方法在PSNR和SSIM客观定量指标上分别提高了7.905 dB和0.328;该网络对后续目标检测任务的检测率可提高10.17%～17.19%.     

基于HSV色彩空间的低照度图像增强

为解决低照度图像色彩偏暗、整体亮度较低、光照不均等问题,提出一种低照度图像增强算法.在HSV色彩空间将V分量按照灰度等级的高低进行分层处理,利用引入权重值的巴特沃斯滤波器对低灰度等级的V分量进行灰度级拉伸,利用提出的亮度控制方法对过度增强区域进行灰度级新映射,合并所有V分量并平滑,基于权重值和映射函数,提出S分量的自适...     

融合多分支残差与仿射变换的低照度图像增强

针对现有低照度图像增强算法难以同时处理亮度、对比度、伪影和噪声等因素,提出了多分支残差与仿射变换低光增强网络,其核心思想是运用不同模块处理不同的任务.首先通过光照估计模块获得低光图像的光照变量,然后使光照仿射变换模块与光照编码参数融合恢复图像的光照,最后通过细节重建模块融合更多的图像细节获得最终输出.实验结果表明,该方法有效地丰富了图像的纹理细节,同时增强了亮度和对比度,并具有更少的伪影和噪声.通过与其他主流方法进行比较,定量和定性地证明了提出方法对低光图像增强的效果更好.     

DenseNet生成对抗网络低照度图像增强方法

针对低照度环境下采集图像存在低信噪比、低分辨率和低照度的问题,提出了一种基于稠密连接网络(DenseNet)生成对抗网络的低照度图像增强方法.利用DenseNet框架建立生成器网络,并将PatchGAN作为判别器网络;将低照度图像传入生成器网络生成照度增强图像,同时利用判别器网络负责监督生成器对低照度图像的增强效果,通...     

基于局部生成对抗网络的水上低照度图像增强

针对低照度条件下获取的水上图像亮度和对比度低以及质量差的问题,提出一种基于局部生成对抗网络的图像增强方法.以残差网络作为基本框架设计生成器,通过加入金字塔扩张卷积模块提取与学习图像深层特征和多尺度空间特征,从而减少结构信息丢失.设计一个自编码器作为注意力网络,估计图像中的光照分布并指导图像不同亮度区域的自适应增强.构建...     

基于端到端双网络的低照度图像增强方法

由于环境的不确定性,捕获的图像存在亮度低、对比度低和信息丢失严重等问题,且利用现存算法增强后的图像存在曝光过度问题,不能满足计算机视觉任务的输入要求。针对此问题,提出了基于端到端双网络的低照度图像增强方法,该网络由Inception网络模块与URes-Net模块组成。首先利用Retinex理论合成低照度图像样本;然后运用双网络模型进行特征提取、特征融合与重建,根据测试集的损失不断调整参数以优化模型,最终使双网络模型具有较高的低照度图像增强能力。实验结果表明,所提方法的PSNR和SSIM的均值分别为28.659 8 dB和0.896 6,亮度、对比度显著提高,获得的图像更加符合人类视觉,优于其他先进的低照度图像增强方法。     

基于亮度传播图的低照度图像增强算法

由于低照度图像的整体亮度比较暗、动态范围低、噪声大等特点,提出一种基于亮度传播图的低照度图像增强算法。考虑到低照度图像增强的同时也会放大噪声,因此在增强图像之前对图像进行去噪处理。使用BM3D在YCb Cr空间对图像进行去噪之后,在HSI空间对图像进行增强,利用亮度分量估计亮度传播图,利用物理模型还原低照度图像。实验表明该方法能够快速有效地提高低照度图像的整体亮度和对比度,增强图像的细节并减少噪声,得到视觉效果良好的图像。     

基于相似场景的低照度监控图像增强

为了使低照度监控图像增强后的效果近似于自然光照下的图像,更有利于辨识,对基于相似场景的低照度监控图像增强方法进行研究。首先获取良好光照下,与低照度监控图像场景相似的图像,并建立图像库,从中选择最合适的图像作为参考图像;然后通过直方图匹配的方法,以参考图像为标准,对低照度图像进行增强,并用迭代增强的方法不断提高图像的清晰度;最终得到增强后的低照度监控图像。实验结果表明,该方法改善了图像的视觉效果,提高了图像的亮度和对比度。     

条件生成对抗网络的低照度图像增强方法

目的 在日常的图像采集工作中,由于场景光照条件差或设备的补光能力不足,容易产生低照度图像。为了解决低照度图像视觉感受差、信噪比低和使用价值低（难以分辨图像内容）等问题,本文提出一种基于条件生成对抗网络的低照度图像增强方法。方法 本文设计一个具备编解码功能的卷积神经网络（CNN）模型作为生成模型,同时加入具备二分类功能的CNN作为判别模型,组成生成对抗网络。在模型训练的过程中,以真实的亮图像为条件,依靠判别模型监督生成模型以及结合判别模型与生成模型间的相互博弈,使得本文网络模型具备更好的低照度图像增强能力。在本文方法使用过程中,无需人工调节参数,图像输入模型后端到端处理并输出结果。结果 将本文方法与现有方法进行比较,利用本文方法增强的图像在亮度、清晰度以及颜色还原度等方面有了较大的提升。在峰值信噪比、直方图相似度和结构相似性等图像质量评价指标方面,本文方法比其他方法的最优值分别提高了0.7 dB、3.9%和8.2%。在处理时间上,本文方法处理图像的速度远远超过现有的传统方法,可达到实时增强的要求。结论 通过实验比较了本文方法与现有方法对于低照度图像的处理效果,表明本文方法具有更优的处理效果,同时具有更快的处理速度。     

基于YCbCr颜色空间的火焰图像分割方法

视频火焰检测对消防安全具有重要的实际意义.火焰颜色信息在视频火灾检测中起着举足轻重的作用,众多学者提出了基于不同颜色空间的多种火焰颜色检测算法.针对目前视频火焰颜色检测算法检测率低、误检率高、适应性差等不足,提出基于颜色空间的火焰图像分割方法.通过研究火焰图像在颜色空间上的分布情况,分析火焰像素对应的Y,Cb和Cr分量...     

低光照图像增强算法综述

低光照图像增强旨在提高光照不足场景下捕获数据的视觉感知质量以获取更多信息,逐渐成为图像处理领域中的研究热点,在自动驾驶、安防等人工智能相关行业中具有十分广阔的应用前景。传统的低光照图像增强技术往往需要高深的数学技巧以及严格的数学推导,且导出的迭代过程普遍流程复杂,不利于实际应用。随着大规模数据集的相继诞生,基于深度学习的低光照图像增强已经成为当前的主流技术,然而此类技术受限于数据分布,存在性能不稳定、应用场景单一等问题。此外,在低光照环境下的高层视觉任务(如目标检测)对于低光照图像增强技术的发展带来了新的机遇与挑战。本文从3个方面系统地综述了低光照图像增强技术的研究现状。介绍了现有低光照图像数据集,详述了低光照图像增强技术的发展脉络,通过对比低光照图像增强质量与夜间人脸检测精度,进一步对现有低光照增强技术进行了全面评估与分析。基于对上述现状的探讨,结合实际应用,本文指出当前技术的局限性,并对其发展趋势进行预测。     

极端低光情况下的图像增强方法

针对极端低光情况下的图像增强问题,提出一种基于编码解码网络和残差网络的 端到端的全卷积网络模型。设计一个包括编码解码网络和精细网络2 部分的端到端的全卷积网 络模型作为转换网络,直接处理短曝光图像的光传感器数据得到RGB 格式的输出图像。该网 络包含对抗思想、残差结构和感知损失,先通过对极低光图像编码解码重构图像的低频信息, 之后将重构的低频信息输入残差网络中进而重构出图像的高频信息。在SID 数据集上进行实验 验证,结果表明,该方法有效地提高了极端低光情况下拍摄得到的图像进行低光增强之后的视 觉效果,增加了细节表达,使得图像中物体的纹理更加清楚和边缘更加分明。     

语义分割和HSV色彩空间引导的低光照图像增强

目的 低光照图像增强是图像处理中的基本任务之一。虽然已经提出了各种方法,但它们往往无法在视觉上产生吸引人的结果,这些图像存在细节不清晰、对比度不高和色彩失真等问题,同时也对后续目标检测、语义分割等任务有不利影响。针对上述问题,提出一种语义分割和HSV（hue,saturation and value）色彩空间引导的低光照图像增强方法。方法 首先提出一个迭代图像增强网络,逐步学习低光照图像与增强图像之间像素级的最佳映射,同时为了在增强过程中保留语义信息,引入一个无监督的语义分割网络并计算语义损失,该网络不需要昂贵的分割注释。为了进一步解决色彩失真问题,在训练时利用HSV色彩空间设计HSV损失;为了解决低光照图像增强中出现细节不清晰的问题,设计了空间一致性损失,使增强图像与对应的低光照图像尽可能细节一致。最终,本文的总损失函数由5个损失函数组成。结果 将本文方法与LIME（low-light image enhancement）、RetinexNet（deep retinex decomposition）、EnlightenGAN（deep light enhancement using generative adversarial networks）、Zero-DCE（zero-reference deep curve estimation）和SGZ（semantic-guided zero-shot learning）5种方法进行了比较。在峰值信噪比（peak signal-to noise ratio,PSNR）上,本文方法平均比Zero-DCE（zero-reference deep curve estimation）提高了0.32dB;在自然图像质量评价（natural image quality evaluation,NIQE）方面,本文方法比EnlightenGAN提高了6%。从主观上看,本文方法具有更好的视觉效果。结论 本文所提出的低光照图像增强方法能有效解决细节不清晰、色彩失真等问题,具有一定的应用价值。     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。     

基于YCbCr空间和GA神经网络的棉花图像分割算法

棉花分割是采棉机器人视觉系统的关键步骤,在强光照、阴影等复杂的棉田环境下如何准确有效地分割棉花,有助于确定其在三维空间的位置。该算法在YCbCr颜色空间下,基于棉花与背景的色调信息差,分别提取棉花与背景样本,采用BP神经网进行训练并输出其误差,得到适应度函数并进行遗传算法中的选择、交叉及变异操作,优化神经网络权值、阈值,直到输出误差达到要求或达到预定迭代次数。最后根据所获得的BP神经网络权值、阈值进行棉花图像分割。通过对136幅棉田环境中拍摄图像的分割实验表明：该方法在棉花强光照及阴影条件下也能准确地分割,分割准确率达91.9%,并且比BP算法收敛更快。     

融合注意力机制和上下文信息的微光图像增强

目的 微光图像存在低对比度、噪声伪影和颜色失真等退化问题,造成图像的视觉感受质量较差,同时也导致后续图像识别、分类和检测等任务的精度降低。针对以上问题,提出一种融合注意力机制和上下文信息的微光图像增强方法。方法 为提高运算精度,以U型结构网络为基础构建了一种端到端的微光图像增强网络框架,主要由注意力机制编/解码模块、跨尺度上下文模块和融合模块等组成。由混合注意力块(包括空间注意力和通道注意力)引导主干网络学习,其空间注意力模块用于计算空间位置的权重以学习不同区域的噪声特征,而通道注意力模块根据不同通道的颜色信息计算通道权重,以提升网络的颜色信息重建能力。此外,跨尺度上下文模块用于聚合各阶段网络中的深层和浅层特征,借助融合机制来提高网络的亮度和颜色增强效果。结果 本文方法与现有主流方法进行定量和定性对比实验,结果显示本文方法显著提升了微光图像亮度,并且较好保持了图像颜色一致性,原微光图像较暗区域的噪点显著去除,重建图像的纹理细节清晰。在峰值信噪比(peak signal-to-noise ratio,PSNR)、结构相似性(structural similarity,SSIM)和图像感知...     

一种面向机器视觉感知的暗光图像增强网络

低光照等恶劣环境下的目标检测一直都是难点,低光照和多雾因素往往会导致图像出现可视度低、噪声大等情况,严重干扰目标检测的检测精度。针对上述问题,提出了一个面向机器视觉感知的低光图像增强网络MVP-Net,并与YOLOv3目标检测网络整合,构建了端到端的增强检测框架MVP-YOLO。MVP-Net采用了逆映射网络技术,将常规RGB图像转换为伪RAW图像特征空间,并提出了伪ISP增强网络DOISP进行图像增强。MVP-Net旨在发挥RAW图像在目标检测中的潜在优势,同时克服其在直接应用时所面临的限制。模型在多个真实场景暗光数据上取得了优于先前工作效果并且能够适应多种不同架构的检测器。其端到端检测框mAP（50%）指标达到了78.3%,比YOLO检测器提高了1.85%。     

低照度视频图像自适应补偿增强的设计与实现

针对低照度环境下视频图像对比度低、难以识别的问题,提出对比度自适应补偿增强算法。首先,提取低照度环境下视频图像特征参数的平均灰度,根据原始图像的灰度级差异建立人类视觉对比度分辨率补偿的数学模型,并对真彩色三原色分别采用比例积分补偿。然后,当补偿程度低于明视觉恰可分辨差异时,设置补偿阈值线性补偿明视觉至满带宽。最后,结合主观图像质量评价和图像特征参数建立补偿比例系数的自动寻优模型,并把该模型嵌入到Directshow视频处理系统,应用于视频图像自适应增强。实验测试结果表明,补偿增强系统的实时性好,可以有效挖掘暗视觉信息,能够广泛应用于不同场景。