基于融合的低照度图像增强

原创 已于 2022-05-21 16:32:44 修改 · 914 阅读 · 1 ·
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：

#图像处理 #图像增强 #视频HDR #低照度图像增强

于 2022-05-21 16:26:20 首次发布
本文详述了一种针对弱光环境图像的增强方法，通过融合技术提升图像质量。文章深入探讨了《Afusion-basedenhancingmethodforweaklyilluminatedimages》中的关键技术，适合对图像处理感兴趣的读者阅读。链接提供有道笔记和知乎上的详细内容。

因为之前在有道笔记上有写过一篇文章了，主要是对这篇文章《A fusion-based enhancing method for weakly illuminated images》进行讲解，这里就不多写了，因为工作的时候不是很方便写优快云和知乎，一般都是自己写笔记。所以直接访问我的笔记就好了哈

http://note.youdao.com/noteshare?id=549682d938e416a8e6e81f6b902ef7ec&sub=364184FE08454F4892D57161A25D2541

或者访问我的知乎也行：

基于融合的低照度图像增强 - 知乎 (zhihu.com)

计算机视觉与深度学习 ｜ 基于Transformer的低照度图像增强技术
尘世冰封的专栏
05-08 496
基于Transformer的低照度增强方法通过全局建模与局部优化结合，显著提升了图像质量。未来方向包括更轻量化的架构设计（如IAT的实时性优化）和多任务联合训练（如增强与检测联合优化）。开发者可参考开源代码快速复现，并结合实际场景调整损失函数与注意力机制。
Counterfactual Samples Synthesizing for Robust Visual Question Answering论文笔记
bxg1065283526的博客
05-28 1808
Abstract 尽管视觉问答（VQA）在过去几年中已经取得了令人瞩目的进步，但是当今的VQA模型倾向于捕获训练集中的表层语言相关性，而不能推广到具有不同QA分布的测试集中。为了减少语言偏见，最近的一些工作引入了一个辅助的仅问题模型，以规范化目标VQA模型的训练，并在VQA-CP上实现主导性能。但是，由于设计的复杂性，当前的方法无法为基于集成模型的模型配备理想VQA模型的两个必不可少的特征：1）视觉可解释的：模型在做出决策时应依赖正确的视觉区域。 2）对问题敏感：该模型应对所讨论的语言变化敏感。为此，我们
HDR技术（Research_on_Single_Image_Fusion_based_High_Dynamic_Range_Enhancement）
qq_41692468的博客
10-20 750
文章介绍了六种主要的基于融合的单图像HDR增强方法，并在两个新的数据集上评估和比较了它们的效果。其方法简要见下文及表1。其评价方法有三种，一种是全参考评价方法，两种无参考客观质量评价方法。 IM[1]（histogram_hdr）等人，提出了一种基于单一图像的无重影HDR方法。该方法在空间上拉伸局部直方图和保持边缘。 一年后，Lee等人[2]（CLA）提出了一种分类虚拟曝光图像融合方法，调整图像离散小波变换（DWT）系数以生成高对比度图像的方法。然而，Lee等人[2]的方法对每个像素进行分类的时间复杂度
图像增强2023最新经典顶会论文和代码合集，附开源数据集下载
学姐带你玩AI的博客
12-21 6574
是图像处理领域长期的、不可回避的研究课题，也是活跃在各大顶会中的热门研究方向。其应用范围广泛涉及医学影像分析、安全监控、智能交通、目标检测与识别、遥感影像处理等领域，具有很高的实用性，因此每年的相关论文数量也比较多。这次我就给同学们盘了今年，还整理了部分，另外附上了一些。因为时间和篇幅关系，只做简单介绍，建议有发顶会需求的同学看原文仔细学习~论文原文及代码数据集看文末。
Low-Light Enhancement 数据集 和 论文代码
热门推荐
u014546828的博客
10-24 1万+
数据集： LOL [30] : Deep Retinex Decomposition for Low-Light Enhancement. 2018 British Machine Vision Conference. [dataset] LIME [16] : LIME: Low-light Image Enhancement via Illumination Map Estimation. IEEE TIP (2017). [dataset] NPE [28] :Naturalness pres.
【图像增强】基于融合的弱光图像增强方法研究Matlab论文复现
matlab_dingdang的博客
01-09 1009
弱光图像普遍存在对比度低、细节缺失、噪声显著等问题，严重影响图像的后续处理和应用。针对这一挑战，本文提出一种基于融合的弱光图像增强方法，旨在有效提升弱光图像的视觉质量和信息利用率。该方法仅需单一输入图像即可实现增强，并能灵活地集成多种成熟的图像处理技术，同时兼顾高效的计算性能，使其具备良好的实用性。现有弱光图像增强方法主要分为基于Retinex、基于深度学习和基于先验知识等几类。
MyDLNote-Enhancment : 弱光（low-light）图像增强、过亮图像（over-expsure）纠正算法文章收集
u014546828的博客
05-30 6171
弱光图像、过亮图像增强算法文章收集 刚刚博士答辩结束。准备读博士后的导师发来消息建议我入站后，做些图像过暗、过亮的图像处理工作，也包括无人机航拍的图像去雾去雪等。都是我想做的事情吧，一直有一种直觉，即去雾与亮度增强算法是两个反向的过程，可以一起拿来研究。之前一直没机会，如今，它们自己找我来了。很好。感谢导师的安排！ 所以，接下来几天要收集些过暗、过亮图像处理的论文了。 但一时又不能一下都找到，而且也不知道好坏（这里的好坏是指更多群体所认可的，其实能做出工作写成文章的都很好，尊重每一位学者的研究成.
精选资源
基于细节特征融合的低照度全景图像增强
01-12
为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法...
精选资源
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.pdf
08-18
"低照度图像增强算法基于深度学习与图像融合混合实现策略" 本文提出了一种基于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。该算法首先使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...
基于深度学习的低照度图像增强方法.pdf
08-18
基于深度学习的低照度图像增强方法是图像处理领域中的一项重要技术。在低照度条件下，即光线不足的环境中，拍摄得到的图像往往存在亮度不足、对比度低、色彩失真严重以及噪声问题。这些问题严重影响了图像后续处理和...
精选资源
基于深度学习的低照度图像增强技术研究综述.pdf
08-18
传统低照度图像增强算法的分类包含：基于色调映射算法、基于背景融合算法、基于直方图均衡化算法和基于模型算法。色调映射技术是一种通过扩展图像的动态范围，提高图像亮度和改善光照不均匀性的方法，大致可以分为...
常用的增强算法
yanmengying的博客
12-23 1670
低光照图像增强算法
多模态(Fusion)融合的几种骚操作
大脸猫的博客
09-19 8412
概要介绍 首先，做多模态融合前我们可以思考这几个问题 如何获取多模态的表示【learn multimodal representations】 如何做各个模态的融合【fuse multimodal signals at various levels】 多模态的应用【multimodal applications】 带着这几个问题我们开始今天的博客。 融合Fusion做的事情简而言之就是信息整合，将不同模态表示的信息融合为一个信息，得到一个特征向量，然后利用特征向量去做接下来的任务；用黑话讲就是深度
Spatio-Temporal Fusion based Convolutional Sequence Learning for Lip Reading论文阅读
程序员养成日记
04-10 1377
Abstract 目前最先进的唇读方法是基于自然机器翻译和音频语音识别的seq2seq架构。但是这种方案没有充分利用唇动的特征，有两种缺陷：首先是短期的时间依赖关系是嘴唇图像到发音嘴型映射的关键但是没有接收足够的注意力；二是在现有的序列模型中由于使用了全局池化导致局部空间信息的丢失。 本文提出了一个时间聚焦块来充分描述短期依赖关系，同时提出一个时空融合模块来保持局部空间信息并降低特征维度。实验结...
深度学习：图像增强
AIBAIKE的博客
08-17 8334
https://blog.youkuaiyun.com/zhangjunhit/article/details/79554140
CVPR 2020 论文大盘点-图像增强与图像恢复篇
我爱计算机视觉
06-30 9072
本文继上一篇CVPR 2020 论文大盘点-去雨去雾去模糊篇之后，继续盘点CVPR 2020 中低层图像处理技术，本篇聚焦于图像视频的增强与恢复，含如下四个方向：图像与视频增强（Im...
Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline for a Pixel-bin Image Sensor
learning5201的博客
08-17 1874
最重要的是，我们扩展了建议的图像处理管道，以全面重建和增强使用像素合并技术的智能手机相机捕获的图像。提议的 PIPNet 的生成器在不同的特征深度之间遍历以利用类似 UNet 的结构 d = (64, 126, 256)，其中提议网络的 GDAB 块包括 m = 3 个 DAB 块（也称为组密度后面的部分）。图 3 描述了所提出的方法的概述，包括新的 PIPNet 架构。在这里，所提出的网络利用特征相关性，也称为注意机制 [14,40,8]，通过 U-Net [33] 中的新组件（如架构）来减轻视觉伪影。.
一种基于融合的单背光低照度图像增强策略（matlab）
ISP行业的忠实粉丝
02-15 3271
一种基于融合的单背光图像增强策略（matlab） 简单介绍 这是一篇2016年ICIP发表的一篇论文主要关于低照度单背光图像增强利用了融合的的策略，在学习的过程中，也是觉得其融合思想较好，所以想记录分享一下。 论文思想 整个算法思路可以从上面的图中可以看出来，下面介绍一下其中间多尺度融合的思路，主要是为了提升图像的亮度和细节部分。 论文在在HSV空间中进行的，提取V亮度通道对图像进行不同的处理...
基于FPGA的低照度图像增强算法
最新发布
03-19
<think>好的，用户想了解基于FPGA实现低照度图像增强算法的设计方案。我需要结合现有的引用资料，特别是引用[1]提到的金字塔融合算法和FPGA实现架构。首先，应该概述FPGA在图像处理中的优势，比如并行处理和低功耗。然后，根据引用[1]，详细说明金字塔融合的步骤，包括图像分解、分层增强和融合策略。同时，需要结合引用[3]的Retinex算法和引用[2]的直方图均衡等方法，说明如何将这些算法适配到FPGA架构中。还要考虑硬件设计的关键点，比如流水线设计、内存优化和模块划分。最后，生成相关问题，帮助用户进一步探索。确保使用正确的中文术语和LaTeX格式，结构清晰，引用标识正确。</think>### FPGA实现低照度图像增强算法设计方案 #### 1. FPGA在图像增强中的优势 FPGA凭借其并行计算能力、低功耗特性和可重构性，特别适合实时图像处理任务。例如，在金字塔融合算法中，多尺度分解、分层增强和图像融合等步骤可通过流水线并行实现[^1]。 #### 2. 核心算法选择与适配 **推荐方案：** 结合金字塔融合（引用[1]）与Retinex理论（引用[3]） ```python # 伪代码示例（FPGA实现需转换为硬件描述语言） def fpga_enhancement(input_img): # 步骤1: 多尺度分解（高斯金字塔） pyramid = build_gaussian_pyramid(input_img, levels=4) # 步骤2: 分层处理 for level in pyramid: retinex_layer = retinex_process(level) # 使用引用[3]方法 he_layer = histogram_equalization(level) # 使用引用[2]方法 enhanced_level = fusion(retinex_layer, he_layer) # 步骤3: 金字塔重建 output_img = reconstruct_laplacian_pyramid(enhanced_pyramid) return output_img ``` #### 3. 关键硬件设计要素 $$ \text{处理速度} = \frac{\text{像素时钟周期}}{\text{流水线级数}} \times \text{并行通道数} $$ - **流水线架构**：将图像处理流程分解为获取像素→色彩空间转换（RGB→HSV）→分层处理→融合→后处理的流水阶段[^2] - **内存优化**：采用双缓冲结构，交替存取图像数据 - **并行计算**：对$m \times n$图像块进行并行处理，利用FPGA的DSP切片加速卷积运算 #### 4. 实现步骤详解 1. **预处理模块**： - 实现RGB到HSV色彩空间转换（引用[2]） - 生成亮度分量$V$的直方图分布： $$ H(v) = \sum_{i=0}^{W-1}\sum_{j=0}^{H-1} \delta(V(i,j)-v) $$ 2. **增强处理模块**： - 采用双曲正切函数增强高亮度区域（引用[2]）： $$ V_{enhanced} = \tanh(\alpha \cdot V) \cdot \beta $$ - 使用引导滤波进行细节增强（引用[3]） 3. **融合模块**： - 基于拉普拉斯金字塔的融合策略（引用[1]）： $$ L_k = G_k - \text{UP}(G_{k+1}) $$ 其中$G_k$为第$k$层高斯金字塔 #### 5. 资源优化策略 | 模块 | 逻辑单元(LE) | 内存(kb) | DSP切片 | |------|-------------|----------|--------| | 色彩转换 | 1,200 | 18 | 3 | | 直方图统计 | 2,500 | 64 | 8 | | 滤波处理 | 3,800 | 128 | 16 | 建议采用时间复用技术，将处理帧率控制在60fps时，资源占用可降低40%
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