低光图像增强

简介: 这篇摘要讨论了低光照图像增强技术,涉及HDRNet、GAN、轻量化伪影、语义分割网络和Retinex等方法。核心任务是提升图像亮度和细节。方法包括分布映射(如伽马矫正、直方图均衡化)、模型优化(Retinex理论)和深度学习(亮度增强与噪声去除)。传统方法不依赖数据,但可能产生伪影;深度学习方法需大量训练数据,无监督学习更优。不足之处在于缺乏成对数据集和精确标签。

低光照图像综述:

关键名词:HDRNet(high dynamic range network)  GAN(gen-erative adversarial network)  轻量化 伪影 语义分割网络   Retinex   拉普拉斯 金字塔

鲁棒性  RUAS  泛化能力



内容:

     低光照图像增强的一个核心任务在于提升图像亮度以显示更多结构与细节

     为获取肉眼可见且信息高质量图像   1)通过物理成像过程的参数设置来提高成像质量。2)提高ISO 构建智能化算法提高图像质量。

      根据算法设计理念不同,现有低光照增强算法分为三大类:

1>基于分布映射的方法(S型曲线变换(伽马矫正)直方图均衡化)


缺点:(1)缺乏对低光照图像自身对于光照需求的建模以及忽略了分布内在的联系,以至于无法有效区分语义,进而导致该类技术生成的结果往往存在颜色失真,以及细节异常等视觉不友好的现象。

          (2)对于低光照增强而言,伽马矫正的增强结果极其不自然且不真实,尤其在曝光水平和细节表现上。基于S型曲线的方法,曝光不均匀现象仍然是存在的最大的问题


改进:双直方图均衡化方法,二元子图像直方图均衡化方法 (实现曝光的自然化处理)

           自适应直方图均衡化方法   对比度自适应的直方图均衡化方法 (处理细节损失)

           双边滤波分解低光观测随后采用不同参数设置的S型曲线方法处理分解层,并进行重新组合。

           试图对通过分割输入而产生的每个子区域执行S型曲线功能。

2>基于模型优化的方法   (基于迭代的算法流程,Retinex理论)


缺点:限于设计的先验的刻画能力,这些传统算法往往会产生曝光不足、色彩不饱和以及伪影或噪声明显的问题。


3>基于深度学习的方法(分为两大类:用于亮度增强的方法    联合亮度增强与噪声去除的方法)

缺点(难点):缺乏有效的训练数据对



(传统与深度学习)二者对比:

     基于模型优化的方法整体上优于基于深度学习的方法,基于模型优化的方法不依赖于数据的影响,现相对突出的基于深度学习方法(表现为前两名)当中,除 FIDE外,均属于无监督方法。



基于模型优化的工作在某些具有挑战的场景中能够实现令人满意的性能。基于深度学习的方法依赖于大量的训练数据,数据是影响性能的重要因素,


基于深度学习的方法无法将已经训练好的模型快速的应用于另一种不同分布的数据上   基于无监督深度学习的方法要普遍优于全监督的深度学习方法  

传统方法通过对图像本身进行分析,不依赖于数据的影响,性能较为稳定


不足:大多数的数据集属于非成对数

据,而由于低光照图像增强建模中的光照难以得到,

无法有效合成理想的成对数据集,因此现有的成对

低光照图像数据集中的标签主要依赖于手工参数的

设置(调整曝光时间或专家修饰),存在多种物理因

素变化带来的误差,使得标签不精确;此外,一些数

据集的构造过程考虑了检测标签,即与高层视觉任

务建立联系

相关文章
|
网络协议 关系型数据库 Shell
gitlab-设置邮件SMTP以及GitLab收不到邮件的问题
gitlab-设置邮件SMTP以及GitLab收不到邮件的问题
1771 1
|
10月前
|
机器学习/深度学习 监控 算法
基于 YOLOv8 的河道漂浮垃圾智能检测|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
本项目基于YOLOv8构建河道漂浮垃圾智能检测系统,集成PyQt5可视化界面,支持图片/视频/摄像头实时检测。提供完整源码、标注数据集、训练权重及详细教程,开箱即用,适用于环保监测、智慧水务等场景。
基于 YOLOv8 的河道漂浮垃圾智能检测|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
|
PyTorch Linux 算法框架/工具
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
这篇文章是关于如何使用Anaconda进行Python环境管理,包括下载、安装、配置环境变量、创建多版本Python环境、安装PyTorch以及使用Jupyter Notebook的详细指南。
3181 1
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
|
机器学习/深度学习 存储 编解码
什么是图像噪声?是如何产生的?图像去噪技术都有哪些?
图像噪声是在图像采集、传输和处理过程中产生的像素值异常现象,主要由光子计数统计、电子偏移和放大器噪声等因素引起。噪声影响图像质量,降低信噪比,使特征难以识别。图像去噪技术包括传统方法(如空间域滤波、频域滤波、图像压缩和超糅合)和基于深度学习的方法(如卷积神经网络、残差网络和生成对抗网络),旨在有效去除噪声,提高图像质量。
|
11月前
|
人工智能 JSON 文字识别
从读图到懂图,AI+金融理解力新升级
OCR要落伍了?多模态大模型凭借端到端的图像识别与语义理解能力,正在颠覆传统 OCR 的应用逻辑,预示着图像识别与理解正迈向新一代的技术范式。
835 0
|
机器学习/深度学习 监控 算法
基于单尺度Retinex和多尺度Retinex的图像增强算法实现
基于单尺度Retinex(SSR)和多尺度Retinex(MSR)的图像增强算法实现
1572 1
|
存储 网络性能优化 网络安全
Hyper-V云桌面优化的设置指南
这份《Hyper-V云桌面优化设置指南》涵盖了硬件、虚拟机配置、网络、安全及高级配置的优化建议。硬件方面,确保CPU支持虚拟化并合理分配资源,使用SSD和VHDX格式提升存储性能;虚拟机配置上,优化内存、处理器和硬盘设置,并安装Hyper-V集成服务;网络优化包括虚拟交换机配置、适配器调整及QoS策略;安全性设置涵盖防火墙、端口管理和加密;高级配置如显卡直连和实时迁移进一步提升性能。这些措施能显著提高Hyper-V云桌面的效率与稳定性。
1076 12
|
人工智能 安全 算法
多端融合,打造最优落地效果的多模态百炼
本次分享由阿里云智能集团飞天实验室资深产品专家江潇和科学家胡露露主讲,介绍了多端融合的多模态百炼产品。内容涵盖多模态模型的优化、生产力和产品力建设、RAG能力升级、终端大模型场景探索、内容安全和生态应用等方面。百炼已支持多模态模型调用,提升了模型效果和应用效果,并在安全性、模型优化和终端部署上取得了显著进展。
|
机器学习/深度学习 PyTorch 算法框架/工具
图像数据增强库综述:10个强大图像增强工具对比与分析
在深度学习和计算机视觉领域,数据增强是提升模型性能和泛化能力的关键技术。本文全面介绍了10个广泛使用的图像数据增强库,分析其特点和适用场景,帮助研究人员和开发者选择最适合需求的工具。这些库包括高性能的GPU加速解决方案(如Nvidia DALI)、灵活多功能的Albumentations和Imgaug,以及专注于特定框架的Kornia和Torchvision Transforms。通过详细比较各库的功能、特点和适用场景,本文为不同需求的用户提供丰富的选择,助力深度学习项目取得更好的效果。选择合适的数据增强库需考虑性能需求、任务类型、框架兼容性及易用性等因素。
2504 10
|
前端开发 JavaScript 物联网
组件化设计适用于哪些场景
【10月更文挑战第22天】组件化设计适用于哪些场景