多尺度的图像细节提升
多尺度的图像细节提升
论文的全名是DARK IMAGE ENHANCEMENT BASED ON PAIRWISE TARGET CONTRAST AND MULTI-SCALE DETAIL BOOSTING,论文核心的字段如下:
论文的核心思想类似于Retinex,使用了三个尺度的高斯模糊,再和原图做减法,获得不同程度的细节信息,然后通过一定的组合方式把这些细节信息融合到原图中,从而得到加强原图信息的能力:请参考这一篇博客介绍:SSE图像算法优化系列十二:多尺度的图像细节提升。该博客给出了SSE的实现过程
实现代码:
def multiScaleSharpen(img ,radius):h,w,chan = img.shapeGaussBlue1 = zeros(img.shape,dtype = uint8)GaussBlue2 = zeros(img.shape, dtype=uint8)GaussBlue3 = zeros(img.shape, dtype=uint8)Dest_float_img = zeros(img.shape, dtype=float32)Dest_img = zeros(img.shape, dtype=uint8)w1 = 0.5w2 = 0.5w3 = 0.25GaussBlue1 = cv2.GaussianBlur(img,(radius,radius),1)GaussBlue2 = cv2.GaussianBlur(img,(radius*2-1,radius*2-1),2)GaussBlue3 = cv2.GaussianBlur(img,(radius*4-1,radius*4-1),4)for i in range(0,h):for j in range(0,w):for k in range(0,chan):Src = img.item(i,j,k)D1 = Src-GaussBlue1.item(i,j,k)D2 = GaussBlue1.item(i,j,k) - GaussBlue2.item(i,j,k)D3 = GaussBlue2.item(i,j,k) - GaussBlue3.item(i,j,k)if(D1 > 0):sig = 1else:sig = -1Dest_float_img.itemset((i,j,k),(1-w1*sig)*D1+w2*D2+w3*D3+Src)Dest_img = cv2.convertScaleAbs(Dest_float_img)return Dest_imgif __name__ == '__main__':img = cv2.imread("LenaRGB.bmp")multiScaleSharpen_out = zeros(img.shape, dtype=uint8)multiScaleSharpen_out = multiScaleSharpen(img,5)cv2.namedWindow("original image", cv2.WINDOW_NORMAL)cv2.namedWindow("multiScaleSharpen image", cv2.WINDOW_NORMAL)cv2.namedWindow("Compare image", cv2.WINDOW_NORMAL)cv2.imshow("original image", img)cv2.imshow("multiScaleSharpen image", multiScaleSharpen_out)cv2.imshow("Compare image",hstack((img,multiScaleSharpen_out)))cv2.imwrite("multiScaleSharpen_LenaRGB.bmp", multiScaleSharpen_out)cv2.waitKey(0) # 等待键盘触发事件,释放窗口
实现效果图:
参考资料:
图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法
SSE图像算法优化系列十二:多尺度的图像细节提升。
多尺度的图像细节提升相关推荐
- 图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法
图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法 看到一篇博客介绍基于多尺度的图像的细节提升算法,其参考论文<Dark image ...
- 双尺度与多尺度图像细节提升
双尺度与多尺度图像细节提升 双尺度图像分解细节提升 第一次看到双尺度图像分解细节提升的思想是来自2013的一篇论文(Image Fusion with Guided Filtering )中的一小节, ...
- 尺度不变网络提升人群计数性能(附Github地址)
(欢迎关注"我爱计算机视觉"公众号,一个有价值有深度的公众号~) 人群计数是通过计算机视觉计算人群数量,在公共安全和城市规划中有非常重要的应用.今天分享的文章通过改进网络对该任务的 ...
- CVPR2021|通过多尺度特征融合提升深度估计模型精度
作者丨Andy@知乎 来源丨https://zhuanlan.zhihu.com/p/377146332 编辑丨3D视觉工坊 Boosting Monocular Depth Estimation M ...
- 小波(小波包)变换 频率/频域 与 图像细节处理
文章目录 小波变换与python 小波包变换 小波变换与深度学习的结合 频域(DCT,小波变换)与CNN结合 超分-wavelet [Invertible Image Rescaling 可逆图像缩放 ...
- 图像增强/颜色管理/3A
参考文章: HDR之双边滤波和引导滤波, 图像增强模块简介, 论文解读 https://blog.csdn.net/yywxl/article/details/108976002 色相/饱和度 图像处 ...
- 尺度不变人脸检测:Group Sampling
点击我爱计算机视觉标星,更快获取CVML新技术 CV君:前几天发布了目标检测中的不平衡问题综述,引起了不少朋友的关注.在检测领域由于数据和算法都较复杂,不平衡问题很多.本文研究的是针对人脸检测中正负样 ...
- EfficientNet 解析:卷积神经网络模型尺度变换的反思
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 编辑:Sophia 计算机视觉联盟 报道 | 公众号 CVLianMeng 转载于 :AI源创评论 AI博士笔记 ...
- 【今日CV 计算机视觉论文速览 第130期】Thu, 13 Jun 2019
今日CS.CV 计算机视觉论文速览 Thu, 13 Jun 2019 Totally 39 papers ?上期速览✈更多精彩请移步主页 Interesting: ?LED2Netz照明条件估计的去雾 ...
最新文章
- [转] Adobe Flash Professional CS解决提示:您的内容将不流化。运行时共享库(RSL)预加载要求下载您的所有内容后才可播放第一帧。...
- Linux常用下载软件
- 基于OpenCV进行相机标定
- 【20161109】noip模拟赛
- 爬虫学习笔记(二十)—— 字体反爬
- bogofilter 使用
- python PyQt5 QtCore.QPointF类、QPointF类与QPoint类区别
- 第3讲--3.1旋转矩阵
- python统计字典里面value出现的次数_python统计字典中元素出现的次数
- sklearn集成学习概述
- .net mysql 参数,在MySQL .NET Provider中使用命名参数
- vscode中断点调试nodejs实用方便
- 金属拉链滑块行业调研报告 - 市场现状分析与发展前景预测
- 响应式滚动图懒加载 element ui el-carousel 组件优化代码
- AcWing 1843. 圆形牛棚(暴力+枚举)
- Microsoft Dynamics NAV成本原理讲解
- jinja2说明文档
- NLP揭秘:除了宝石,女儿也是灭霸的真爱(附代码)
- html5离散数学,离散数学怎样判断合取范式和析取范式
- 一种新型的EC编码,LRC码,基于RS码的改进,特点介于RS和副本之间。
热门文章
- 光伏并网逆变器,F28335光伏并网逆变器
- 2021-06-05 吾日三省吾身
- opencv控制鼠标事件
- 计算机相关职称难易程度,中级职称考试各科目难易程度怎么样
- java蓝牙对战游戏_Java 蓝牙五子棋对战
- 网络营销中的博客营销有什么价值?对于博客营销我们应该注意哪些问题?
- java的指数函数_Java中常用的数学函数
- Linux centos7 docker部署gitlab私有服务器
- 马斯克最新访谈:关于自动驾驶、AI和特斯拉人形机器人
- 激活工银亚洲账号(收到开通成功通知短信以后,汇款到“港元储蓄”子账号)