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 ...

多尺度的图像细节提升

多尺度的图像细节提升

实现代码：

实现效果图：

多尺度的图像细节提升相关推荐

最新文章

热门文章