暗态图像处理论文:A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement
暗态图像处理论文:A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement
- 论文内容
- 论文摘要
- 论文主要内容
- 论文模型评价
论文内容
论文摘要
受人类视觉系统的启发,论文设计了一种用于微光图像增强的多曝光融合框架。基于此框架,论文提出了一种双曝光融合算法,以提供准确的对比度和亮度增强。论文首先设计了基于光照估计技术的图像融合权值矩阵。然后引入相机响应模型来合成多曝光图像。接下来,寻找最佳曝光比例,使合成图像在原始图像曝光不足的区域曝光良好。最后,根据权重矩阵将输入图像与合成图像进行融合,得到较好的增强结果。(代码链接:https://github.com/baidut/BIMEF)。
论文主要内容
为了确定一个图像曝光较弱需要增强的位置,论文需要事先确定一个权重矩阵。一个直接的思想是通过对原图像的像素逐一乘幂,较亮的像素就会在乘幂之后得到突出(μ\muμ给定,照明图像TTT待确定):
W^=Tμ\hat{W}=T^\mu W^=Tμ
为了确定全局照明情况,一种简单的方法是对原微光图像PPP的RGB三个通道的值逐像素取最大:
L(x)=maxP{R,G,B}(x)L(x)=max \space P_{\{R,G,B\}}(x) L(x)=max P{R,G,B}(x)
考虑到图像边缘轮廓信息的提取,论文采用了拉普拉斯差分加卷积窗口的方式进行提取(d,h表示横纵向求差分,两者运算结果加和):
Md,h(x)=1∣Σ∇d,hL(x)∣+ϵM_{d,h}(x)=\frac{1}{|\Sigma\nabla_{d,h}L(x)|+\epsilon} Md,h(x)=∣Σ∇d,hL(x)∣+ϵ1
根据以上的公式,给出的照明图像TTT需要使得兼顾全局光照性和轮廓清晰度(分别对应优化公式的前后两项),为此提出的最优化目标为:
minT∣T−L∣2+λ∣M∘∇T∣\underset{{T}}{min} |{T-L}|^2+\lambda|{M} \circ \nabla {T}| Tmin∣T−L∣2+λ∣M∘∇T∣
论文引入相机响应模型(CRF),通过构造双向纹理函数ggg对图片加强曝光(β\betaβ, γ\gammaγ由相机参数决定):
g(P,k)=eb(1−ka)P(ka)a=logkγb=lnβ1−γg(P,k)=e^{b(1-k^a)}P^{(k^a)}\\ \\ a=log_k\gamma\\ b=\frac{ln\beta}{1-\gamma} g(P,k)=eb(1−ka)P(ka)a=logkγb=1−γlnβ
对于图片过暗的区域,论文设计了一种曝光度确定的方法。首先根据0.5为阈值提取过暗的像素,根据每个像素的香农熵之和的最大值确定最佳曝光度k^\hat{k}k^:
Q∈{P(x)∣T(x)<0.5}B:=(Qr∘Qg∘Qb)13H(B)=∑pi∈Bpilog2pik^=argmkax(H(g(P,k)))Q\in \{P(x)|T(x)<0.5\}\\ B:=(Q_r\circ Q_g\circ Q_b )^\frac{1}{3} \\ H(B)=\sum_{p_i\in B}p_i log_2 p_i\\ \hat{k}=arg\underset{k}max(H(g(P,k))) Q∈{P(x)∣T(x)<0.5}B:=(Qr∘Qg∘Qb)31H(B)=pi∈B∑pilog2pik^=argkmax(H(g(P,k)))
对于曝光度kkk,双向纹理函数ggg,论文据此得出增强后的微光图像RcR^cRc:
Rc=W^∘Pc+(1−W^)∘g(Pc,k)R^c=\hat{W}\circ P^c+(1-\hat{W})\circ g(P^c,k) Rc=W^∘Pc+(1−W^)∘g(Pc,k)
论文模型评价
论文采用了两种方式对构建的模型进行评价:亮度阶误差(LOE)以及视觉信息失真(VIF),并将模型的处理效果与其他微光图形增强方式进行比较。
亮度阶误差是采用比较原图像和增强图像两者的亮度相关性所得到的指标。U表示全图根据每个像素进行阈值化得到的阈值图矩阵,x,yx,yx,y代表图像长宽,论文是将图像缩放为100x100像素之后进行运算的。
LOE=1m∑x=1m∑y=1mU(L(x),L(y))xorU(L′(x),L′(y))LOE= \frac{1}{m}\sum_{x=1}^m\sum_{y=1}^mU(L(x),L(y))\space xor \space U(L^{'}(x),L^{'}(y)) LOE=m1x=1∑my=1∑mU(L(x),L(y)) xor U(L′(x),L′(y))
视觉信息失真是通过互信息之比得到的指标,C,F,EC,F,EC,F,E分别是测试图片,原始图片和增强之后的图片:
VIF=I(C;F)I(C;E)VIF=\frac{I(C;F)}{I(C;E)} VIF=I(C;E)I(C;F)
LOE
VIF
最终增强的效果
暗态图像处理论文:A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement相关推荐
- A Two-Stage Unsupervised Approach for Low Light Image Enhancement 论文阅读笔记
这是一篇无监督暗图增强论文,来自RAL期刊(JCR1区) 文章将暗图增强任务分解两个阶段,第一阶段用基于retinex的传统方法进行预增强,第二阶段用refinement network 来进一步提高 ...
- 【论文阅读笔记】HLA-Face Joint High-Low Adaptation for Low Light Face Detection
HLA-Face Joint High-Low Adaptation for Low Light Face Detection 文章目录 HLA-Face Joint High-Low Adaptat ...
- Self-supervised Low Light Image Enhancement and Denoising 论文阅读笔记
这是哈工大的一篇无监督暗图增强和去噪的论文,似乎还没有在哪个会议期刊正式发表 文章提出了一个能够同时进行暗图增强和去噪的框架,由两部分组成,一部分是对比度增强网络(ICE-Net),一部分是进一步增强 ...
- 论文笔记:Integrating Semantic Segmentation and Retinex Model for Low Light Image Enhancement
来源:Proceedings of the 28th ACM International Conference on Multimedia (2020) 目录 Contributions Mothol ...
- 论文速读:自监督弱光图像增强:Self-supervised Image Enhancement Network: Training with Low Light Images Only
Self-supervised Image Enhancement Network: Training with Low Light Images Only Yu Zhang, Xiaoguang D ...
- 计算机图形图像的领域应用论文,计算机图形与图像处理论文2000字
图像处理技术是计算机技术中一项重要的组成部分,直接决定了计算机技术应用的范围和使用价值.现阶段,计算机图像处理技术具有非常广阔的发展空间.下面是学习啦小编给大家推荐的计算机图形与图像处理论文2000字 ...
- 计算机与图像处理论文标题,数字图像处理论文各种题目.doc
数字图像处理论文各种题目 待处理图片 参考最终效果图 29利用中值空间滤波去去除波形噪声 要求: 掌握空间滤波原理: 了解中值空间滤波在实际中的应用: 利用MATLAB实现对波形的中值滤波: 改进算子 ...
- 计算机图像处理相关论文,计算机图像处理论文
为毕业生写计算机图像处理论文提供计算机图像处理论文范文参考,涵盖硕士.大学本科毕业论文范文和职称论文范文,包括论文选题.开题报告.文献综述.任务书.参考文献等,是优秀免费计算机图像处理论文网站. 浅析 ...
- 计算机科学还是cscd吗,计算机类的图像处理论文CSCD期刊
计算机类的图像处理论文CSCD期刊 发布时间:2018-11-10 15:25:43更新时间:2018-11-10 15:25:43所属分类:期刊知识浏览:1次 计算机类的图像处理论文CSCD期刊还是 ...
- 暗光增强论文“Kindling the Darkness: A Practical Low-light Image Enhancer”
暗光增强论文"Kindling the Darkness:A Practical Low-light Image Enhancer" 还是retinex-based的思想,将图像调 ...
最新文章
- XAMPP 相关设置(linux下的)
- dBm与Vpp相互转换公式
- python的range()和list操作
- Xamarin IOS – hello word
- miui11禁止更新方法
- 【深度学习】研究揭秘:神经网络越大、表现越好的“神秘力量”
- jasig CAS实现单点登录(数据库认证)
- python命令行输入参数_Python3.x那些事儿:[3]命令行参数传递
- D. Solve The Maze Codeforces Round #648 (Div. 2)
- JAVA入门级教学之(super的内存示意)
- Metrics_collector还没有添加到共享预加载库(shared_preload_libraries)中
- C++和Java函数传递数组参数比较
- R packages for big data:data.table
- java day05【数组】
- 中正平和的机器人学笔记——2. 机械臂逆运动学(附MATAB代码)
- ubuntu 配置nginx
- cve-2005-1794
- 洗牌算法java 剑指_扑克牌的完美洗牌算法
- TDOP技术C++实现
- 微软张亚勤:分享读《孙子兵法》体会和领导力培养