低频重分布与边缘增强的红外图像增强算法北大核心CSCD

针对现有的红外图像增强方法存在欠增强、过增强以及微小细节丢失等缺陷,提出了低频重分布与边缘增强的红外图像增强算法。用基于改进引导滤波的Retinex将红外图像分解为低频和高频图像。为了充分利用像素级的动态空间,对低频图像进行均匀重分布,以提升图像的亮度和清晰度;用提出的方向梯度算子对高频图像进行边缘提取,再对高频图像进行边缘增强,进一步提升图像的对比度。将经增强处理的低频和高频图像作Retinex反变换,得到增强效果的红外图像。实验结果显示,相对于部分现有方法,本文方法的增强图像的信息熵和Brenner指数更高,而NIQE指数更小,因此本文方法能更有效地提升红外图像的对比度,在增强图像纹理细节的同时更好地保持图像的自然度。     

基于双引导滤波的红外和可见光图像融合算法

图像融合是将多幅图像中有用或互补信息整合成一幅图像的过程。本文提出了一种基于引导滤波多尺度分解的红外和可见光图像融合算法。在传统的引导滤波图像融合算法的基础之上,利用双引导滤波器代替均值滤波器将源图像分解为小尺度纹理细节、大尺度边缘和基础图像;直接利用纹理细节及边缘层图像构建显著性映射图,用其代替额外的特征提取操作,可很好地突出源图像显著性信息的同时大大降低算法复杂度;利用显著性映射图、Sigmoid函数构造权重图,将源图像中具有视觉意义的信息注入到融合图像中;利用色彩模型转换融合方式,可更好保留图像的色彩信息。定性和定量实验结果证明,相比于传统的基于引导滤波的图像融合算法,本文算法的融合效果得到进一步提升。     

基于PSF的太赫兹图像分辨率增强算法（英文）

近年来,太赫兹成像技术在多个领域具有广阔的应用。一套完整的太赫兹成像系统的数学模型是非常有必要的。基于点扩散函数的太赫兹图像增强模型是很好的选择。该方法将目标函数与点扩散函数进行褶积,实现了太赫兹图像的模拟传输。然后根据光学成像的过程,计算成像系统的点扩散函数。最后,基于点扩散函数对图像进行反褶积增强。该模型用于探测图像增强的结果表明,该方法有效地提高了图像的分辨率。恢复的映像包含更多细节。     

基于轻量级密集残差网络的水下图像增强

深度卷积神经网络是水下图像增强的主要方法之一,但其过高的内存消耗和计算需求阻碍了在实际应用中的部署。为此,提出一种轻量级的密集残差卷积神经网络(dense residual convolutional neural networks, DRCNN)用于水下图像增强。为降低计算成本,DRCNN采用深度可分离卷积提取高级特征;通过密集连接和残差学习促进不同通道之间的信息交互,提高模型表征能力;将输入的退化图像与中间特征图融合,保留图像全局相似性,同时防止模型梯度消失。实验结果证明DRCNN能有效提高水下图像质量,较于现有算法,DRCNN参数量减少了85%,PSNR、SSIM值分别提高了3%、2%,测试速度提高了3%。DRCNN使用更少的参数实现了更好的性能,利于在低资源设备的实时场景中应用。     

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。     

结合WLS滤波与还原控制因子的图像去雾

雾天退化图像的复原过程中,针对大气光幕和大气亮度估计不准确导致光晕效应、偏色现象和对比度不足等问题,提出一种结合WLS (weighted least square)滤波与还原控制因子的去雾算法.首先分析WLS滤波器的原理和性能,并用于大气光幕的有效提取;其次利用Sobel算子检测二值化图像边缘,将边缘数目与像素均值同时作为四叉树空间索引的依据,提高大气亮度的估计准确性;最后分析天空出现颜色失衡现象的原因,引入还原控制因子改善视觉效果.实验结果表明,去雾后图像的平均梯度整体提高58.03%,信息熵提高2.88%,运行时间节省50%以上.该方法对含有浓雾、薄雾以及天空等深度复杂的远景图像、近景图像均能得到高对比度、可视度和色彩保真度的恢复效果.     

基于RAW域的低光照图像质量增强方法

考虑原始图像(RAW图像)中的噪声未经过相机ISP的复杂非线性映射,更加容易建模,提出基于RAW域对低光照图像进行质量增强,以获得清晰的、高质量的图像.首先,将由相机传感器捕获的RAW图像进行线性插值,获得RGGB共4个通道的彩色图像,并模拟不同曝光程度的图像;其次,设计神经网络模型来学习不同曝光程度的RAW图像与正常曝光图像的映射关系,该神经网络采用了自编码器结构,并嵌入了通道注意力模块,以提取并增强图像中的纹理与细节特征;最后,在神经网络训练时,引入了结构相似性损失和梯度下降损失,引导网络生成与参考图像之间结构相似性和色彩关联性较高的高质量图像.该方法在SID数据集上进行了训练和测试,PSNR达到了29.738 0 dB,MPSNR达到了30.233 4 dB,均高于目前流行方法(如EnlightenGAN,Zero-DCE,SID,Residual和ALEN等);在主观质量方面,该方法生成的图像质量显著优于比较方法,无明显噪声和色斑伪影,颜色也更加真实细腻.     

基于注意力机制的特征融合的暗图像增强网络

暗图像能见度低、颜色失真、细节丢失,会对计算机视觉应用造成干扰。提出了基于无参注意力、高效通道注意力、像素注意力和通道注意力的特征融合的暗图像增强网络。提出的网络使用对抗式训练,具有提高图像亮度、增强图像颜色内容和细节信息的能力。算法增强结果的结构相似度（PSNR）和峰值信噪比（SSIM）均优于所对比的算法。     

不同光照下的绝缘子串劣化灰度图像识别方法

作为故障多发元件的绝缘子串,其劣化严重影响输电线路安全,为此提出基于无人机搭载红外传感器下的绝缘子串劣化灰度图像识别方法,提升不同光照条件下的绝缘子串劣化图像识别效果。采用无人机搭载红外传感器采集绝缘子串图像,通过灰度级线性变换对图像进行增强,提高图像中绝缘子串与背景之间对比度,利用开闭运算去除增强后图像中非必要存在区域。根据图像二值化变换特征,利用连通区域标记法提取完整绝缘子串图像,采用Hough变换求取绝缘子串倾斜角度,经水平校正及定位后完成绝缘子串劣化灰度图像识别。经实验验证:该方法在不同光照条件下,绝缘子串劣化灰度图像识别效果较好,具有实用性。     

Multi-scale fusion residual encoder-decoder approach for low illumination image enhancement

The sensing light source of the line scan camera cannot be fully exposed in a low light environment due to the extremely small number of photons and high noise, which leads to a reduction in image quality. A multi-scale fusion residual encoder-decoder (FRED) was proposed to solve the problem. By directly learning the end-to-end mapping between light and dark images, FRED can enhance the image's brightness with the details and colors of the original image fully restored. A residual block (RB) was added to the network structure to increase feature diversity and speed up network training. Moreover, the addition of a dense context feature aggregation module (DCFAM) made up for the deficiency of spatial information in the deep network by aggregating the context's global multi-scale features. The experimental results show that the FRED is superior to most other algorithms in visual effect and quantitative evaluation of peak signa-to-noise ratio (PSNR) and structural similarity index measure (SSIM). For the factor that FRED can restore the brightness of images while representing the edge and color of the image effectively, a satisfactory visual quality is obtained under the enhancement of low-light.