图像增强
关注
分享
扫一扫
文章平均质量分 94
在这个专栏中，我将深入探讨传统和深度学习图像增强算法的原理、实现细节和效果对比。从基础的图像处理知识到前沿的深度神经网络模型，我将带领大家一起探索图像增强技术的奥秘。无论你是刚入门的算法工程师，还是想深入研究的资深学者，都能在这里找到有价值的参考。
视觉研坊
刀不磨生锈，人不学落后！
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
图像增强——复现Matlab中imsharpen函数图像锐化方法（附python代码）
图像处理过程，有些弱场景中的物体细节模糊，对比度弱，为了突出弱场景中的物体细节，不放大噪声的同时，保持原有的高频信息，可以考虑图像锐化进行增强处理。原创 2024-11-28 21:15:00 · 1587 阅读 · 0 评论 -
图像增强——MIRNet网络测试（详细图文教程）
论文《Learning Enriched Features for Real Image Restoration and Enhancement》提出了一种方法来提升真实世界图像的修复与增强效果。该研究的重点在于解决实际图像修复过程中遇到的挑战，例如图像模糊、噪声、压缩伪影等问题，尤其是在面对复杂退化模式时。原创 2024-10-12 20:00:00 · 2377 阅读 · 0 评论 -
图像增强——传统算法伽马校正实现暗光增强（附Python代码）
伽马校正作为一种传统的图像增强技术，适用于简单的亮度和对比度调整，尤其是在图像整体较暗或者需要快速增强的场景中。但它不适合处理复杂光照场景以及要求精确局部控制的场合。在更复杂的任务中，现代的图像处理方法（如基于深度学习的增强算法）可能更具优势。原创 2024-10-11 20:15:00 · 4732 阅读 · 0 评论 -
暗光增强——IAT网络推理测试（详细图文教程）
AT模型由两个独立的分支组成，局部分支用于像素调整，并输出两个用于加法和乘法的特征图。全局分支用于全局调整并输出颜色矩阵和gamma值，全局分支受DETR启发，网络通过动态查询学习的方式更新颜色矩阵和gamma值。原创 2024-03-14 23:00:00 · 3044 阅读 · 15 评论 -
暗光增强——URetinex-Net网络推理测试（详细图文教程）
URetinex-Net 设计了三个基于学习的模块，分别负责数据相关的初始化、高效的展开优化和用户指定的光照增强。由于 URetinex-Net 的推理速度非常快，它可以用于需要实时图像处理的应用，如手机摄像头、实时视频流等。原创 2023-12-30 10:00:00 · 3121 阅读 · 12 评论 -
暗光增强——Zero-DCE网络推理测试（详细图文教程）
Zero-DCE（Zero-Reference Deep Curve Estimation）是一种用于低光照增强的网络。原创 2023-12-29 20:00:00 · 6613 阅读 · 24 评论