《改进非线性亮度提升模型的逆光图像恢复》论文复现

算法原理

这个论文是中文的,论文网址在这:http://html.rhhz.net/JSJYY/2017-2-564.htm 。算法原理可以直接在这个网址或者下载论文查看。
关于RGB和HSI的相互转换,大家可以尝试这个博客列出的一些算法,本人程序在转换部分没有写好,自己尝试实现即可,但整体逻辑在matlab对拍测试无误,用这个博客第一种算法会出现色斑,由于这个论文的意义不是很大,就没有尝试后面的转换算法了。有兴趣可以结合我的代码去尝试一下。

源码实现

#include "iostream"
#include "opencv2/opencv.hpp"
#include <opencv2/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <math.h>
using namespace std;
using namespace cv;

double log2(double N) {
	return log10(N) / log10(2.0);
}

Mat Inrbl(Mat src, double k) {
	int row = src.rows;
	int col = src.cols;
	Mat dst(row, col, CV_8UC3);
	Mat dsthsi(row, col, CV_64FC3);

	//RGB2HSI
	Mat H
根据以下及以上信息,给出论文中应写出的Facenet特征提取模型工作机制的内容 Facenet 特征提取模型用途:提取人脸特征向量模型文件:model.onnx主要功能:提取 128 维人脸特征向量特征向量归一化 优势:特征提取稳定计算效率高特征具有良好的判别性 技术实现 1. 人脸检测流程 图像预处理 # 使用 CLAHE 进行自适应直方图均衡化 clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) # 使用 RetinaFace 进行人脸检测 faces = self.app.get(img) # 裁剪并统一大小为 100x100 face_img = cv2.resize(face_img, (100, 100)) 2. 特征提取流程 图像标准化 # 图像预处理 img = image_transform(img) 特征向量提取 # 使用 ONNX Runtime 运行 Facenet 模型 ort_output = ort_session.run(['output'], {'input': img})[0] 3. 人脸匹配流程 特征向量比对 # 计算欧氏距离 dist = np.linalg.norm(img - vector) # 使用阈值 1.2 进行匹配判断 if min_distance < 1.2: 系统优化 1. 光照适应性优化 使用 LAB 色彩空间处理 自适应直方图均衡化 多尺度特征融合 2. 遮挡处理优化 局部特征提取 多区域特征融合 特征冗余设计 3. 性能优化 使用 ONNX Runtime 加速推理 CPU 优化的模型部署 异步处理机制 预训练模型说明 本项目使用两个预训练模型: 1. RetinaFace预训练模型(人脸检测) 来源:InsightFace官方预训练模型 模型文件:det_10g.onnx 优势: 已在大规模人脸数据集上训练 具有较强的人脸检测能力 可以处理不同角度、光照条件的人脸 检测速度快,准确率高 鲁棒性特点: 逆光环境:通过多尺度特征金字塔提取深层特征,减少光照变化影响 部分遮挡:采用密集预测策略,即使部分人脸被遮挡也能检测 姿态变化:使用多尺度锚框设计,适应不同角度的人脸 图像预处理:使用自适应直方图均衡化增强图像细节
04-29
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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