前一段整理的近两年retinex论文摘要及总结

最新推荐文章于 2024-07-08 14:02:05 发布
原创 最新推荐文章于 2024-07-08 14:02:05 发布 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文 #retinex

博主将写在Excel里的内容保存成图像进行处理，但未提及具体处理目的和后续操作，仅说明了转换方式。

写在excel里了，不想重新再写一遍，就直接保存成图像转到这里吧~



MATLAB基础应用精讲-【数模应用】Retinex图像去雾算法（附MATLAB和python代码实现）
qq_36130719的博客
12-01 465
Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温•兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；
【图像增强（Image Enhancement ）】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、关于答疑、文章目录、与我联系等（持续更新中...）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
09-01 3209
专栏内涉及的算法都是基于深度学习的图像增强算法；收录的文章基本上是基于Pytorch框架实现的，部分基于Tensorflow；预计完成100篇论文，并持续更新；专栏内文章主要为两部分：【论文精读】与【论文复现】论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算综合而言，从大到小拆解模型结构，从小到大实现模型搭建。实现论文与源码的统一，深入理解论文行文逻辑与代码实现逻辑，融汇贯通二者思想，并学以致用。
关于Retinex的三篇大牛的论文
09-08
这个是关于retinex理论的三篇经典论文，分享
论文复现——Retinex-Based Signal Enhancement for Image Dark Regions
zhangxiaio1的博客
06-15 569
论文复现——Retinex-Based Signal Enhancement for Image Dark Regions
论文研究-基于Retinex理论的图像增强算法.pdf
07-22
这种增强算法首先依据像素的R，G，B分量将输入的彩色图像被分解成为三幅图像，代表场景中波长不同（长波、中波和短波）的反射光的强度；分别计算长波、中波和短波波段内像素间的相对明暗关系，进而确定每个像素的色彩。最后，将Retinex色度空间内的色彩线性映射到RGB空间，获得经过增强的图像。通过这种方法所获得的图像具有色彩逼真度、动态范围大的特点。计算机仿真结果表明运用这种方法进行图像处理可以获得非常好的处理效果。
论文阅读——《Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement》
Vaeeeee的博客
10-24 1万+
本文试图从原理和代码简单介绍低照度增强领域中比较新的一篇论文——Retinexformer，其效果不错，刷新了十三大暗光增强效果榜单。论文主要贡献总结如下:1.提出了首个与Retinex理论相结合的 Transformer 算法，命名为 Retinexformer。
暗光增强论文“Retinex-Net”
Najlepszy的博客
02-11 4365
网络拆分成两个模块，Decom-Net用于对图像进行Retinex分解，Enhance-Net用于对图像进行光照图的调整。仅通过低光照/正常曝光图像的reflectance的反射图一致性和光照图的光滑性来进行约束。与此同时，在反射图上使用联合去噪BM3D算法。 其实这篇论文更重要的是LOL Dataset，以及制作这个数据集的方法。 ...
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 1817
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
高教社杯数模竞赛特辑论文篇-2013年A题：车道被占用对城市道路通行能力的影响（附获奖论文及MATLAB代码实现）
getusushu的博客
09-02 465
态分布，即是说，实际通行能力本质上是由理论通行能力决定，受现实条件影响。车道的横断面的车辆情况，本文在使用了背景差分法为主，直方图均衡化、中值。力和实际通行能力，由两种通行能力随时间变化的图像可知实际通行能力在事故。一步使用了通径分析，得到的结果为同一横断面交通事故所占车道不同对横断面。增加而改变的排队长度，然后使用非线性比例尺改进算法统计视频的排队长度。最后用遗传算法对神经网。对模型进行改进，考虑红绿灯的情况，得到车辆排队长度达。续性强等特点，一条车道被占用，也可能降低路段所有车道的通行能力，即使时。
“华为杯”研究生数学建模竞赛2020年-【华为杯】E题：能见度估计与预测（附获奖论文及python代码实现）
getusushu的博客
04-23 2165
因此，题目要求借助机场的 AMOS 观测数据中的气压、温度、湿度、风速等气象因子，达到 100% 时，空气中的水汽便会凝结成细微的水滴悬浮于空中，使地面水平的能见度下。传统的仪器探测法成本高，覆盖范围小，而基于视频的能见度检测能弥补仪器测量的不足之处，但是预测精度不高，需要进一步改。象条件，空气质量的影响，其中较为关键的影响因子是雾和霾。性过强，激光能见度仪的检测方法更为可信，但是激光能见度仪覆盖的检测范围小，安装。覆盖的交通视频路况数据间接计算得到能见度数值的方法，此方法成本较低，覆盖范围广。
自适应Retinex目前最好的文献
07-26
包含：Retinex算法最为经典的4篇文献： 单尺度Retinex（SSR)、多尺度Retinex（MSR)、基于变分框架的Retinex、以及自适应平滑的Retinex。读完这些将彻底了解Retinex的理论，变化及改进。
基于Retinex理论的低照度图像增强论文研读历程
一青里的博客
09-13 2605
LIME：Low-light enhancement via illumination map estimation 2016 TIP 【论文思想】输入一张低照度图片，选取每个像素通道中的最大值初始化该图像的光照图，然后通过加入一种结构先验来细化该初始光照图，最后根据Retinex理论合成增强图。 【算法目的】非均匀地增强低照度图像的光照，而不是消除光源引起的色偏。 【小收获】伽马校正的缺点：无法反映像素间关系，即无法反映光照水平间的关系 【论文贡献】不同于以往的方法（将图像I分解为L和R），该..
CVPR|《URetinex-Net: Retinex-based Deep Unfolding Network for Low-light Image Enhance》论文超详细解读（翻译＋精读）
路人贾的博客
07-08 7644
CVPR|《URetinex-Net: Retinex-based Deep Unfolding Network for Low-light Image Enhance》论文超详细解读（翻译＋精读）
Deep Retinex Decomposition for Low-Light Enhancement 论文阅读报道
yodala的博客
04-29 285
2022/04/29Retinex 理论Retinex-Net for Low-Light Enhancement网络结构 Retinex 理论 理论基础 真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果。我们见到的水是无色的，但是水膜（肥皂膜）却是显现五彩缤纷，那是薄膜表面光干涉的结果； 每一颜色区域由给定波长的红、绿、蓝三原色构成的； 三原色决定了每个单位区域的颜色。 内容 Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的
Retinex算法详解
热门推荐
计算机视觉小菜鸟的专栏
07-26 12万+
Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法，它是Edwin.H.Land于1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一样，Retinex也是由两个单词合成的一个词语，他们分别是retina 和cortex，即：视网膜和皮层。Land的retinex模式是建立在以下三个假设之上的： （1）真实世界是无颜色的，我们所感知的颜色是光与物质
【OpenCV】Retinex图像增强（SSR，MSR，MSRCR）
GordonWei
10-05 1万+
简介 1963年12月30日E. Land作为人类视觉的亮度和颜色感知的模型在俄亥俄州提出了一种颜色恒常知觉的计算理论——Retinex理论。Retinex是一个合成词，它的构成是retina（视网膜）+cortex（皮层）→ Retinex。40多年来，工作在IS&T、NASA的J. J. McCann和D. J. Jobson、Zia-Ur Rahman、G. A. Woodell等人...
关于Retinex图像增强算法的一些新学习。
06-26 2822
最近再次看了一下IPOL网站，有一篇最近发表的文章，名字就是Multiscale Retinex，感觉自己对这个已经基本了解了，但还是进去看了看，也有一些收货，于是抽空把他们稍微整理了下。
基于Retinex的图像去雾算法（MATLAB实现）
白马负金羁
07-01 5万+
通常图像增强算法（例如直方图均衡算法以及更加强大的CLAHE）或多或少都有一定的去雾效果，只是这个效果有强有若罢了。本文将讨论另外一类十分重要的图像增强算法——Retinex算法。并在MATLAB中实验一下这类方法的去雾效果。Retinex（包括SSR、MSR和MSRCR）是一种常用的建立在科学实验和科学分析基础上的图像增强方法，它是以人类视觉系统为出发点发展而来的一套理论方法
图像去雾（二）Retinex图像增强算法
u012935100的博客
07-23 3万+
前一段时间研究了一下图像增强算法，发现Retinex理论在彩色图像增强、图像去雾、彩色图像恢复方面拥有很好的效果，下面介绍一下我对该算法的理解。 Retinex理论 Retinex理论始于Land和McCann于20世纪60年代作出的一系列贡献,其基本思想是人感知到某点的颜色和亮度并不仅仅取决于该点进入人眼的绝对光线，还和其周围的颜色和亮度有关。Retinex这个词是由视网膜(Reti...
retinex论文
最新发布
12-26
与Retinex相关的论文可以从以下途径查找： - **学术数据库**：如IEEE Xplore、ACM Digital Library、ScienceDirect等。这些数据库涵盖了大量的计算机科学、图像处理等领域的研究论文，可使用“Retinex”作为关键词进行搜索。在IEEE Xplore中搜索能找到关于基于Retinex理论的图像增强算法的研究，像对传统基于Retinex的LLIE方法，包括通过变分框架估计反射率和照度来恢复微光图像，以及优化从最大后验（MAP）框架导出的能量函数增强微光图像等方面的研究论文 [^2]。 - **学术搜索引擎**：Google Scholar是一个强大的学术搜索引擎，能搜索到各个领域的学术文献。输入“Retinex”关键词，不仅能找到学术论文，还能查看论文的引用次数、相关文献等信息，有助于进一步拓展研究范围。 - **相关会议和期刊**：关注图像处理领域的顶级会议，如CVPR（Computer Vision and Pattern Recognition）、ICCV（International Conference on Computer Vision）、ECCV（European Conference on Computer Vision）等，以及相关期刊如IEEE Transactions on Image Processing等。这些会议和期刊通常会发表图像处理领域的前沿研究成果，可能包含Retinex相关的论文。 ### 代码示例 以下是使用Python的`requests`和`BeautifulSoup`库从Google Scholar搜索Retinex相关论文的简单示例： ```python import requests from bs4 import BeautifulSoup query = "Retinex" url = f"https://scholar.google.com/scholar?q={query}" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"} response = requests.get(url, headers=headers) if response.status_code == 200: soup = BeautifulSoup(response.text, 'html.parser') results = soup.find_all('h3', class_='gs_rt') for result in results: link = result.find('a') if link: print(link.text) print(link.get('href')) else: print("请求失败") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值