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.     

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...     

基于并联残差网络的低照度图像增强算法

为了解决低照度图像亮度低、对比度低、信息丢失严重、颜色失真等问题,提出一种基于并联残差网络的低照度图像增强算法.该网络模型的主要思想是将交替残差模块与局部全局残差模块进行并联,运用改进的损失函数计算测试集损失,不断地调整网络参数,最终得到具有较强增强能力的网络模型.实验结果表明,本文网络模型能够有效提高图像亮度、对比度...     

基于改进Retinex算法的低照度图像增强

通过对比不同图像增强算法,针对传统图像增强算法无法兼顾色彩、细节以及纹理的同步处理等问题,文章提出一种MSRCR-HIS图像增强算法,融合直方图转换法与MSRCR算法的优势,并将处理后的图像与原始图像进行融合以保留原图细节信息,通过验证,文章提出的算法与经典算法相比,能够有效地改善图像的呈现效果,有利于后续各项实验操作。     

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。     

基于无监督学习的低照度图像增强算法

针对目前低照度图像增强算法存在恢复细节丢失、网络复杂度高和配对数据集获取难度大等问题,提出了一种基于无监督学习的图像增强算法。在YIQ色彩空间中,通过构建的轻量化网络和幂指函数计算亮度通道Y的增强曲线,从而获得曝光较差区域增强和高光区域遏制的图像。该网络使用的无参考损失函数可以隐式地评估图像增强质量并驱动网络学习。实验对比结果表明,该算法在可训练参数和模型权重仅占9.5 k/88 kB的情形下,在视觉效果与图像质量指标上都取得了具有竞争力的结果。     

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Retinex的低照度图像增强

Retinex理论是颜色恒常知觉的计算理论,可以用于图像清晰度严重失真状况下的图像增强.在研究Retinex算法的基础上,对低照度彩色图像失真中色彩恢复存在的问题进行研究,构建了一个恢复效果较好的色彩恢复函数——余弦色彩恢复函数.给出了处理后图像的自动补偿/增益方法以及补偿/增益中参数实际选取的经验值.对处理后的图像进行了质量评价分析,表明该恢复函数在处理低照度图像时具有较明显的改善效果.     

多层次特征融合低照度图像增强算法

针对成像设备在夜间等低照度环境下采集的图像存在细节丢失、动态范围较窄和大量噪声等特点,导致采集图像清晰度低、可用性不高和识别性较差等问题,提出了一种多层次特征融合(Multi-level Feature Fusion, MFF-Net)算法。该算法利用多尺度采样构建U型网络,并引入多种注意力机制多线程处理图像流,各支路特征向量跨通道交互,协同渐进式抑制冗余信息。高效运用特征融合模块强化对低尺度纹理细节和多层次特征的感知。设计了由峰值信噪比(Peak Signal to Noise Ratio, PSNR)和结构相似性(Structural Similarity, SSIM)指标构成的损失函数,有目的地引导网络由浅到深地学习图像之间的映射关系,从而加快模型收敛速度,助力提高模型性能和图像增强。所提算法在LOL数据集Low-Light Dataset上进行了相关实验和测试。其PSNR、SSIM和学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)等6种客观评价指标上整体优于大部分先进算法。实验结果表明,所构建的模型能有效抑...     

基于深度学习的矿井下低照度图像增强算法研究

针对传统图像增强算法在处理井下图片时存在的噪声大、图像颜色失真等问题,提出一种基于深度学习的KinD-Net算法应用于矿井下环境对图像进行增强。该算法在图像分解网络中加入重构损失,反射图恢复网络中加入去噪模块,抑制图像增强过程中产生的噪声。在反射恢复网络中引入照度图信息减少图像颜色失真。将本文算法与Retinex算法、MSRCR算法、HSV MSRCR算法与Retinex-Net算法进行对比。实验结果表明,本文算法峰值信噪比、机构相似性方面表现较优,可以有效提高图像的亮度,优化图像颜色失真问题。     

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...     

基于双路编解码器的卷积神经网络在低照度图像增强和超分辨率中的研究

本文以高清户外直播技术为切入点,针对夜晚场景下受光照条件限制直播画面亮度低、不清晰的问题,提出了一种基于双路编解码器的卷积神经网络,应用于低照度图像增强和超分辨率,有效提升了户外直播的画面质量,降低了对传输带宽的需求,有利于提升户外直播的用户体验.     

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...     

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。     

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。     

基于物理模型与边界约束的低照度图像增强算法

针对低照度下图像降质严重的问题,该文提出一种基于边界约束与图像亮度的低照度图像增强算法。该算法首先通过改进的边界约束对伪雾图进行透射率估计,并对其进行优化;同时从伪雾图雾的形成原理出发,利用低照度图像的亮度分量进行伪雾图大气光值的估计;最后将增强后的伪雾图反转,即得到增强后的低照度图像。实验结果表明,针对低照度下的图像,该算法可以有效地提升对比度和亮度,过增强现象得到改善;效果优于对比算法,且复杂度低。     

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...