IJDMBgydF4y2Ba 国际期刊的数字多媒体广播gydF4y2Ba 1687 - 7586gydF4y2Ba 1687 - 7578gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2017/9029315gydF4y2Ba 9029315gydF4y2Ba 研究文章gydF4y2Ba 低光照条件下的图像增强基于引导图像梯度域滤波gydF4y2Ba http://orcid.org/0000 - 0002 - 4902 - 0067gydF4y2Ba 太阳gydF4y2Ba XiankungydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0001 - 7969 - 1948gydF4y2Ba 刘gydF4y2Ba HuijiegydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0002 - 6383 - 7663gydF4y2Ba 吴gydF4y2Ba ShiqiangydF4y2Ba 3gydF4y2Ba http://orcid.org/0000 - 0001 - 8563 - 5678gydF4y2Ba 方gydF4y2Ba 新gydF4y2Ba 2gydF4y2Ba 李gydF4y2Ba ChengfangydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0001 - 5574 - 2165gydF4y2Ba 阴gydF4y2Ba 靖远县gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba LabeaugydF4y2Ba 法布里斯gydF4y2Ba 1gydF4y2Ba 计算机工程与科学学院gydF4y2Ba 上海大学gydF4y2Ba 上海gydF4y2Ba 中国gydF4y2Ba shu.edu.cngydF4y2Ba 2gydF4y2Ba 电子与电气工程学院gydF4y2Ba 上海工程技术大学gydF4y2Ba 上海gydF4y2Ba 中国gydF4y2Ba sues.edu.cngydF4y2Ba 3gydF4y2Ba 学校的机械和自动化gydF4y2Ba 武汉科技大学gydF4y2Ba 武汉gydF4y2Ba 中国gydF4y2Ba wust.edu.cngydF4y2Ba 4gydF4y2Ba 上海市地震局gydF4y2Ba 上海gydF4y2Ba 中国gydF4y2Ba 2017年gydF4y2Ba 28gydF4y2Ba 9gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 02gydF4y2Ba 03gydF4y2Ba 2017年gydF4y2Ba 16gydF4y2Ba 06gydF4y2Ba 2017年gydF4y2Ba 06gydF4y2Ba 08年gydF4y2Ba 2017年gydF4y2Ba 28gydF4y2Ba 9gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 版权©2017 Xiankun太阳et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

我们提出一个新的低光照条件下的图像增强方法。基于illumination-reflection模型,引导图像过滤器是用来提取底层图像的照明组件。之后,我们获得反射分量,提高了非线性函数,分别乙状结肠和伽马。我们使用一阶edge-aware约束的梯度域实现良好的增强图像边缘保持特性和有效地消除光环人工制品。此外,生成的图像具有高对比度和充足的细节由于增强照明和反射分量。我们评估我们的方法通过操作大量的低光照条件下的图像,与其他流行的方法进行比较。实验结果表明,我们的方法优于其他的视觉感知和客观的评价。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 61371190gydF4y2Ba 上海自然科学基金gydF4y2Ba 13 zr1455200gydF4y2Ba 17 zr1411900gydF4y2Ba 上海信息安全重点实验室综合管理技术gydF4y2Ba AGK2015006gydF4y2Ba 上海高校青年教师gydF4y2Ba ZZGCD15090gydF4y2Ba 上海工程技术大学gydF4y2Ba 2016 - 56gydF4y2Ba 1。介绍gydF4y2Ba

视频监控已经广泛应用于各个领域,如公安、交通、等等。监测系统需要执行不仅在白天还在晚上的时间。然而,在某些情况下,如黑暗的地方拍摄的视频或晚上非常贫穷的对象很难被人类。因此,有必要加强光线暗的图像在图像处理和视频监控。gydF4y2Ba

最近,低光照条件下的图像增强技术已取得了令人瞩目的进展。常用的方法包括暗通道先验模型(gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba),神经网络模型(gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 4gydF4y2Ba),直方图均衡化(他)gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 6gydF4y2Ba),图像融合(gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba),小波域算法(gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 10gydF4y2Ba),和illumination-reflection模型(gydF4y2Ba 11gydF4y2Ba- - - - - -gydF4y2Ba 14gydF4y2Ba]。有人指出暗通道先验模型的适应性很差在处理细节丰富的图像和高亮度gydF4y2Ba 2gydF4y2Ba]。神经网络的设计和使用需要领域知识,因此潜在的神经系统具有良好的泛化。直方图均衡化的想法是合并几个垃圾箱的灰度为了增加对比度,但这样的详细过程可能产生的损失。图像融合方法需要多个帧图像,这并不适用于单帧图像。小波变换是替代低光照条件下的图像增强技术所示(gydF4y2Ba 9gydF4y2Ba]。最受欢迎的方法提高光线暗的图像分解图像与illumination-reflection模型。gydF4y2Ba

它提出了土地gydF4y2Ba 15gydF4y2Ba),一个图像gydF4y2Ba JgydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 由反射组件可以分解吗gydF4y2Ba RgydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 和照明组件gydF4y2Ba lgydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba :gydF4y2Ba (1)gydF4y2Ba JgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba RgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ·gydF4y2Ba lgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 代表图像的坐标。通常,照明组件是由底层图像的动态范围,同时反射组件依赖于底层图像中对象的内在特征。方程(gydF4y2Ba 1gydF4y2Ba)通常转换为对数域乘法变成加法。gydF4y2Ba

照明组件可以通过各种方法,如多尺度高斯函数(gydF4y2Ba 11gydF4y2Ba),一种改进的高斯函数(gydF4y2Ba 12gydF4y2Ba,两国filtering-based方法(gydF4y2Ba 14gydF4y2Ba]。高斯函数背后的关键思想是使用低通滤波器所示(gydF4y2Ba 2gydF4y2Ba)。的方程,gydF4y2Ba FgydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 代表一个围绕函数,它也是一个低通滤波器,和象征gydF4y2Ba ∗gydF4y2Ba 代表卷积。然后,可以获得反射组件(gydF4y2Ba 3gydF4y2Ba)与照明组件。gydF4y2Ba (2)gydF4y2Ba lgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba FgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ∗gydF4y2Ba JgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba (3)gydF4y2Ba lggydF4y2Ba ⁡gydF4y2Ba RgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba lggydF4y2Ba ⁡gydF4y2Ba JgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba lggydF4y2Ba ⁡gydF4y2Ba lgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

而计算照明组件和一个图像的反射分量,最重要的是制作和保存边缘光滑平坦区域。多尺度Retinex (MSR)算法(gydF4y2Ba 11gydF4y2Ba)单独处理每个颜色通道,然后删除照明组件保持反射组件。这样的处理是容易颜色失真。此外,该方法不能达到边缘容易保存和收益率光环产物如图gydF4y2Ba 1 (b)gydF4y2Ba。双边滤波(BLF),提出Tomaci和Mabduchi [gydF4y2Ba 16gydF4y2Ba),是一个很好的方法,边缘保存和消除光环人工制品。指出在gydF4y2Ba 17gydF4y2Ba]BLF可能导致梯度逆转如图gydF4y2Ba 2 (b)gydF4y2Ba。因此,引导图像滤波器(GIF) [gydF4y2Ba 17gydF4y2Ba)和它的变体,即加权引导图像滤波器(WGIF) [gydF4y2Ba 18gydF4y2Ba)和引导图像滤波器在梯度域(GDGIF) [gydF4y2Ba 19gydF4y2Ba)提出了实现好的保留边缘。gydF4y2Ba

光环人工制品。gydF4y2Ba

输入图像gydF4y2Ba

形象光环人工制品gydF4y2Ba

梯度逆转。gydF4y2Ba

输入图像gydF4y2Ba

图像梯度逆转gydF4y2Ba

在本文中,我们提出一个新方法低光照条件下的图像增强,主要对以下三个方面:gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 为了有效应对光环加工品和梯度逆转,该方法使用GIF的illumination-reflection模型并选择梯度域特征是平滑和边缘保持估计照明组件;gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 该方法适用于HSI颜色空间来消除颜色失真;gydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 照明组件和反射组件是由非线性增强乙状结肠和伽马变换,分别以提高图像对比度,增强图像的细节。gydF4y2Ba

本文的其余部分组织如下:部分gydF4y2Ba 2gydF4y2Ba描述了建议的低光照条件下的图像增强算法。部分gydF4y2Ba 3gydF4y2Ba演示实验结果,紧随其后的是结论部分gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

 2。该方法gydF4y2Ba

该方法增强光线暗的图像包含以下步骤:gydF4y2Ba

低光照条件下的图像从RGB颜色空间转化为HSI颜色空间gydF4y2Ba

强度(照明)层,与引导图像滤波器在梯度估计照明组件领域,其次是提取反射组件gydF4y2Ba

提高照明组件和一个非线性乙状结肠变换gydF4y2Ba

加强与非线性反射组件伽马变换gydF4y2Ba

的反对数之和的步骤gydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 和gydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 强度的增强层gydF4y2Ba

转换新溪图像RGB,产生最终的增强图像gydF4y2Ba

2.1。引导图像滤波器在梯度域gydF4y2Ba

GDGIF [gydF4y2Ba 19gydF4y2Ba]和WGIF [gydF4y2Ba 18gydF4y2Ba)都是引导图像滤波器的改进。基本上,输出图像gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 引导的是一个线性变换形象吗gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 在一个方形窗口gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba 为中心的像素gydF4y2Ba kgydF4y2Ba :gydF4y2Ba (4)gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba +gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba ∀gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba 在(gydF4y2Ba 4gydF4y2Ba),引导图像gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 可以输入图像gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 本身。像素gydF4y2Ba 我gydF4y2Ba 位于窗口吗gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba 的长度gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba rgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ,在这gydF4y2Ba rgydF4y2Ba 是过滤半径。gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 和gydF4y2Ba bgydF4y2Ba kgydF4y2Ba 像素线性系数吗gydF4y2Ba kgydF4y2Ba 。GIF、WGIF GDGIF,更大的价值gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 意味着更好的边缘保留。相反,如果该值gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 更接近于0,过滤器在平坦地区具有良好的滤波性能。gydF4y2Ba

根据[gradient-domain优化框架gydF4y2Ba 20.gydF4y2Ba),过滤的任务意味着将一个输入图像gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 在最终的图像gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ,它可以表示为一个能量函数gydF4y2Ba EgydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba 包括零数据成本函数gydF4y2Ba EgydF4y2Ba dgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 和一阶梯度成本函数gydF4y2Ba EgydF4y2Ba ggydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 术语:gydF4y2Ba (5)gydF4y2Ba EgydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba EgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba EgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba (6)gydF4y2Ba EgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba +gydF4y2Ba bgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (7)gydF4y2Ba EgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba =gydF4y2Ba φgydF4y2Ba 我gydF4y2Ba ∇gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ∇gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 梯度大小;gydF4y2Ba φgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 是梯度重量限制。在(gydF4y2Ba 4gydF4y2Ba),梯度的大小gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba ∇gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

2.1.1。引导图像过滤器gydF4y2Ba

在引导图像滤波器(gydF4y2Ba 17gydF4y2Ba),gydF4y2Ba φgydF4y2Ba 1gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba =gydF4y2Ba εgydF4y2Ba 的表达式gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 和gydF4y2Ba bgydF4y2Ba kgydF4y2Ba 可以根据获得的(gydF4y2Ba 4gydF4y2Ba)- (gydF4y2Ba 7gydF4y2Ba)所示如下:gydF4y2Ba (8)gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba wgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba :gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba kgydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba σgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba εgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba =gydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba μgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba kgydF4y2Ba 是图片的意思吗gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 在窗口中gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba σgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 方差的图像吗gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 在窗口中gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 窗口中的像素数目吗gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba 是图片的意思吗gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 在窗口gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba εgydF4y2Ba 是正则化参数,它控制着保留边缘和平滑度之间的权衡。作为gydF4y2Ba εgydF4y2Ba 通常是固定的而不是空间不同在过滤过程中,光环加工品是不可避免的在边缘。gydF4y2Ba

 2.1.2。加权引导图像过滤器gydF4y2Ba

李等人。gydF4y2Ba 18gydF4y2Ba)提出了WGIF,空间变化梯度重量约束gydF4y2Ba φgydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba =gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba (添加了gydF4y2Ba 7gydF4y2Ba)。gydF4y2Ba (9)gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba σgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba kgydF4y2Ba +gydF4y2Ba λgydF4y2Ba σgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 是一个single-scale edge-aware权重,使用本地定义的差异gydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba 窗户,gydF4y2Ba σgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba kgydF4y2Ba )gydF4y2Ba 引导的方差图像吗gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 在gydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba 窗口中,gydF4y2Ba NgydF4y2Ba 图像像素的数量,gydF4y2Ba λgydF4y2Ba 是一个小的常数,其值是什么gydF4y2Ba (gydF4y2Ba 0.001gydF4y2Ba ×gydF4y2Ba lgydF4y2Ba )gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba输入图像的动态范围。的表达式gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 和gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 可以获得WGIF根据(gydF4y2Ba 4gydF4y2Ba)- (gydF4y2Ba 7gydF4y2Ba)如下所示:gydF4y2Ba (10)gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba wgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba :gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba kgydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba σgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba μgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba 它是指出edge-aware权重gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 是空间WGIF不同;也就是说,gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 大于1时,像素gydF4y2Ba kgydF4y2Ba 位于边缘地区,gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 小于1时,像素gydF4y2Ba kgydF4y2Ba 位于平原地区。作为一个结果,gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba 接近1比gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba GIF,这意味着WGIF边缘保护比GIF。gydF4y2Ba

WGIF在一定程度上可以减少光环人工制品。然而,GIF和WGIF过滤器处理边缘没有明确的约束。都不能保存边缘因为在边缘上执行图像过滤,这绝对平滑边缘(gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba]。gydF4y2Ba

 2.1.3。引导图像滤波器在梯度域gydF4y2Ba

口等。gydF4y2Ba 19gydF4y2Ba)提出了引导图像滤波器在梯度域(GDGIF),通过添加一个显式的一阶(梯度域)edge-aware约束gydF4y2Ba EgydF4y2Ba egydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba gradient-domain方程(gydF4y2Ba 5gydF4y2Ba)所示:gydF4y2Ba (11)gydF4y2Ba EgydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba EgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba EgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ϕgydF4y2Ba EgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba egydF4y2Ba 我gydF4y2Ba =gydF4y2Ba αgydF4y2Ba ∇gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ∇gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba EgydF4y2Ba egydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 是edge-aware约束。目的是感知的变化在当地社区,这样类似的过滤中执行类似的区域。gydF4y2Ba αgydF4y2Ba 是一个重量值,gydF4y2Ba ∇gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba ∇gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 代表输出图像的梯度值gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 和输入图像gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

GDGIF,多尺度edge-aware不同空间梯度重量限制gydF4y2Ba φgydF4y2Ba 3gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba =gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 添加(gydF4y2Ba 7gydF4y2Ba)。GDGIF的能量函数所示(gydF4y2Ba 12gydF4y2Ba),第二项是一阶梯度成本函数的组合gydF4y2Ba EgydF4y2Ba ggydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 和edge-aware约束gydF4y2Ba EgydF4y2Ba egydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba (12)gydF4y2Ba EgydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba +gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba - - - - - -gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba εgydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba - - - - - -gydF4y2Ba γgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (13)gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba χgydF4y2Ba kgydF4y2Ba +gydF4y2Ba λgydF4y2Ba χgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba (14)gydF4y2Ba γgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba egydF4y2Ba ηgydF4y2Ba χgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba χgydF4y2Ba ,gydF4y2Ba ∞gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 由局部方差定义的gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba rgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ×gydF4y2Ba (gydF4y2Ba 2gydF4y2Ba rgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 窗口的像素;gydF4y2Ba rgydF4y2Ba 是过滤半径。需要指出的是,gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 是一个多尺度edge-aware权重不同空间,gydF4y2Ba χgydF4y2Ba kgydF4y2Ba =gydF4y2Ba σgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba ∗gydF4y2Ba σgydF4y2Ba ggydF4y2Ba ,gydF4y2Ba rgydF4y2Ba kgydF4y2Ba 。edge-aware权重更准确地检测边缘,检测到一个像素作为一个边缘像素时,两个规模差异很大。gydF4y2Ba

的比较gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 和gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba WGIF图像如图gydF4y2Ba 3gydF4y2Ba。检测到的边缘图像准确地利用多尺度edge-aware权重gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 而不是使用single-scale edge-aware权重gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 在WGIF。gydF4y2Ba

的比较gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 和gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

原始图像gydF4y2Ba

边缘效果,gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba

边缘效果,gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba

在(gydF4y2Ba 14gydF4y2Ba),gydF4y2Ba γgydF4y2Ba kgydF4y2Ba 是一个edge-aware约束保持边缘。gydF4y2Ba μgydF4y2Ba χgydF4y2Ba ,gydF4y2Ba ∞gydF4y2Ba 的意思是gydF4y2Ba χgydF4y2Ba 我gydF4y2Ba 和的值gydF4y2Ba ηgydF4y2Ba 是gydF4y2Ba 4gydF4y2Ba /gydF4y2Ba (gydF4y2Ba μgydF4y2Ba χgydF4y2Ba ,gydF4y2Ba ∞gydF4y2Ba - - - - - -gydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba χgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba )gydF4y2Ba 。的价值gydF4y2Ba γgydF4y2Ba kgydF4y2Ba 接近1时,像素gydF4y2Ba kgydF4y2Ba 位于边缘区域,当像素值接近于0gydF4y2Ba kgydF4y2Ba 位于平原地区。gydF4y2Ba

的表达式gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 和gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 可以获得GDGIF根据(gydF4y2Ba 12gydF4y2Ba)- (gydF4y2Ba 14gydF4y2Ba),如下所示:gydF4y2Ba (15)gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba wgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba :gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba kgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba kgydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba +gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba γgydF4y2Ba kgydF4y2Ba σgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba =gydF4y2Ba pgydF4y2Ba kgydF4y2Ba ¯gydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba μgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

当输入图像gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 和引导映像gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 都是一样的,GDGIF保留边缘和平滑特性比GIF和WGIF由于以下两点。gydF4y2Ba

(1)当像素gydF4y2Ba kgydF4y2Ba 位于边缘区域的表达gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 可以计算为gydF4y2Ba (16)gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba =gydF4y2Ba σgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba γgydF4y2Ba kgydF4y2Ba σgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba εgydF4y2Ba /gydF4y2Ba ΓgydF4y2Ba ^gydF4y2Ba ggydF4y2Ba _gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba 它是发现的价值gydF4y2Ba γgydF4y2Ba kgydF4y2Ba 的值是1,gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 是1,独立的参数gydF4y2Ba εgydF4y2Ba 。事实上,的价值gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 在GDGIF更接近于1比GIF和WGIF。因此,GDGIF有最好的边缘保持特性。gydF4y2Ba

(2)当一个像素gydF4y2Ba kgydF4y2Ba 位于平坦的地区,值gydF4y2Ba γgydF4y2Ba kgydF4y2Ba 接近0,参数gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 是相应的独立的选择吗gydF4y2Ba εgydF4y2Ba 。因此,我们可以选择更大gydF4y2Ba εgydF4y2Ba 在比WGIF GDGIF和GIF,以便达到更好的平滑而不影响边缘保护(gydF4y2Ba 19gydF4y2Ba]。gydF4y2Ba

例如,我们使用GIF, WGIF, GDGIF图像过滤通过选择相同的过滤半径gydF4y2Ba rgydF4y2Ba =gydF4y2Ba 16gydF4y2Ba 和正则化参数gydF4y2Ba εgydF4y2Ba =gydF4y2Ba 0.8gydF4y2Ba ∧gydF4y2Ba 2gydF4y2Ba 。结果如图gydF4y2Ba 4gydF4y2Ba。这是观察到的图像过滤GDGIF保留有最好的优势。gydF4y2Ba

GIF的区别,WGIF GDGIF。gydF4y2Ba

原始图像gydF4y2Ba

GIF图像过滤的gydF4y2Ba

图像过滤WGIFgydF4y2Ba

图像过滤GDGIFgydF4y2Ba

总之,GDGIF有最好的边缘保留和平滑的特性。因此,我们选择GDGIF估计照明组件。gydF4y2Ba

 2.2。提高强度层gydF4y2Ba

一般来说,RGB图像的处理操作R, G, B三个通道分别是耗时的。在这部作品中,光线暗的图像从RGB颜色空间转换到HSI颜色空间。HSI颜色空间源于人类的视觉系统,使用三个元素的颜色,色调(H),饱和(S)和强度(I)来描述颜色,哪个更符合人类视觉特性比RGB颜色空间。在HSI颜色空间中,组件是强度增强而色相和饱和度提取组件是没有进一步的处理。gydF4y2Ba

2.2.1。估计照明组件gydF4y2Ba

基于illumination-reflection模型,结合(gydF4y2Ba 2gydF4y2Ba),(gydF4y2Ba 4gydF4y2Ba)和(gydF4y2Ba 15gydF4y2Ba),我们使用GDGIF估计照明组件gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 强度层图像gydF4y2Ba 我gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 如下:gydF4y2Ba (17)gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 问gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ∗gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 问gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 由GDGIF表示函数,见(gydF4y2Ba 4gydF4y2Ba)。然后反射组件gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 强度层图像可以根据(gydF4y2Ba 3gydF4y2Ba)和(gydF4y2Ba 17gydF4y2Ba)如下:gydF4y2Ba (18)gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba lggydF4y2Ba ⁡gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba lggydF4y2Ba ⁡gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba lggydF4y2Ba ⁡gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

2.2.2。加强照明组件gydF4y2Ba

通常,基于illumination-reflection模型方法来提取,然后提高反射组件而不考虑照明组件。这种处理会导致灰色水平和收益率之间缺乏协调的颜色失真。为了应对这个问题,吴et al。gydF4y2Ba 13gydF4y2Ba)提出提高反射组件一起照明组件。灵感来自这个想法,我们处理照明组件的非线性拉伸乙状结肠变换如图gydF4y2Ba 5gydF4y2Ba。这是显示在[gydF4y2Ba 22gydF4y2Ba],乙状结肠变换图像锐化的能力,突出当地的细节,和拉伸图像对比。表达的非线性拉伸乙状结肠变换是以下方程:gydF4y2Ba (19)gydF4y2Ba lgydF4y2Ba 乙状结肠gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba rgydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba +gydF4y2Ba rgydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba - - - - - -gydF4y2Ba rgydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba egydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba bgydF4y2Ba ·gydF4y2Ba rgydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba - - - - - -gydF4y2Ba rgydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba _gydF4y2Ba 出gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ×gydF4y2Ba lgydF4y2Ba 乙状结肠gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba lgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba 米gydF4y2Ba ogydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 是自定义乙状结肠非线性函数,它的范围是什么gydF4y2Ba (gydF4y2Ba 0 1gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba 和gydF4y2Ba rgydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba 代表反射组件的最大和最小值,分别gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 和gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba _gydF4y2Ba 出gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 最初,增强照明组件,分别。它指出,有两个重要的参数gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 的参数gydF4y2Ba 一个gydF4y2Ba 控制一个图像增强和参数gydF4y2Ba bgydF4y2Ba 控制了对比度增强。一般来说,一个较大的值gydF4y2Ba 一个gydF4y2Ba 大大增强了图像。另一方面,一个小的价值gydF4y2Ba bgydF4y2Ba 提高了黑暗区域的对比,一个较大的值gydF4y2Ba bgydF4y2Ba 提高光的对比。图gydF4y2Ba 6gydF4y2Ba通过不同的参数显示的例子。在这项研究中,参数gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 分别选为2和0.004。gydF4y2Ba

乙状结肠函数曲线。gydF4y2Ba

乙状结肠曲线在不同的gydF4y2Ba 一个gydF4y2Ba 值gydF4y2Ba (gydF4y2Ba bgydF4y2Ba =gydF4y2Ba 0.004gydF4y2Ba )gydF4y2Ba

乙状结肠曲线在不同的gydF4y2Ba bgydF4y2Ba 值gydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba

照明组件增强了s形的曲线。gydF4y2Ba

在不同的光照增强gydF4y2Ba 一个gydF4y2Ba 值(gydF4y2Ba bgydF4y2Ba =gydF4y2Ba 0.004gydF4y2Ba )gydF4y2Ba

在不同的光照增强gydF4y2Ba bgydF4y2Ba 值gydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba

2.2.3。提高反射组件gydF4y2Ba

众所周知,人类的眼睛是不明智的高亮度差异但明智的低强度的细微差别。因此,伽马变换(gydF4y2Ba 23gydF4y2Ba)通常是用来增强反射组件如下:gydF4y2Ba (20)gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba _gydF4y2Ba 出gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba cgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba γgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba cgydF4y2Ba 是一个积极的常数;gydF4y2Ba γgydF4y2Ba 是一个参数来控制图像的对比。gydF4y2Ba

从图gydF4y2Ba 7gydF4y2Ba,当gydF4y2Ba γgydF4y2Ba 小于1,低强度的对比增加了。相反,在高强度的对比增强gydF4y2Ba γgydF4y2Ba >gydF4y2Ba 1gydF4y2Ba 。参数的影响gydF4y2Ba cgydF4y2Ba 如图gydF4y2Ba 8gydF4y2Ba。在这部作品中,选择实验参数如下:gydF4y2Ba γgydF4y2Ba =gydF4y2Ba 0.6gydF4y2Ba ;gydF4y2Ba cgydF4y2Ba =gydF4y2Ba 0.3gydF4y2Ba 。gydF4y2Ba

伽马变换gydF4y2Ba (gydF4y2Ba cgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

反射增强由不同的组件gydF4y2Ba cgydF4y2Ba 值。gydF4y2Ba

 2.3。最终增强的图像gydF4y2Ba

通过照明组件的反对数与反射组件相结合,得到增强的强度图像。新溪的图像是由增强强度层,原色调,饱和度层。然后增强HSI图像转换为RGB图像获得最终的增强图像。整个过程如图gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

拟议中的光线暗的图像的过程。gydF4y2Ba

原始gydF4y2Ba

强度层图像gydF4y2Ba

照明组件gydF4y2Ba

反射组件gydF4y2Ba

加强照明组件gydF4y2Ba

增强反射组件gydF4y2Ba

图像增强的强度gydF4y2Ba

增强的RGB图像gydF4y2Ba

 3所示。实验结果和讨论gydF4y2Ba

由于没有公共光线暗的图像数据库,我们从美国国会图书馆和互联网收集20个图像如图gydF4y2Ba 10gydF4y2Ba。在仿真中,参数是预先定义如下:窗口半径gydF4y2Ba rgydF4y2Ba =gydF4y2Ba 16gydF4y2Ba 正则化参数gydF4y2Ba εgydF4y2Ba =gydF4y2Ba 0.001gydF4y2Ba ,乙状结肠参数gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba =gydF4y2Ba 0.004gydF4y2Ba 和γ参数gydF4y2Ba γgydF4y2Ba =gydF4y2Ba 0.6gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba =gydF4y2Ba 0.3gydF4y2Ba 。所有的实验都在Matlab代码执行Windows 7操作系统。电脑是英特尔®核心™i5 - 4570 3.20 GHz, RAM是4.00 GB。流行的算法等传统MSR (gydF4y2Ba 11gydF4y2Ba),郝的算法(gydF4y2Ba 14gydF4y2Ba),他的算法gydF4y2Ba 17gydF4y2Ba),直方图均衡化(他),改善MSR (gydF4y2Ba 12gydF4y2Ba),和金正日的算法(gydF4y2Ba 9gydF4y2Ba]实现的性能比较。gydF4y2Ba

用于实验的数据集。gydF4y2Ba

 3.1。主观的评价gydF4y2Ba

这是观察到的数据gydF4y2Ba 11gydF4y2Ba和gydF4y2Ba 12gydF4y2Ba图像增强的传统MSR算法有明显的“白色”现象,这表明颜色失真。郝的图像增强的方法导致梯度逆转加工品如红场形象4(白塔)在图gydF4y2Ba 11gydF4y2Ba,这表明穷人双边滤波边缘保护财产。此外,郝的方法产生的图像模糊,可以从图片1(教堂)和5(研究)在图gydF4y2Ba 11gydF4y2Ba。他的算法还显示光环人工制品,可以从图1(教会),这种方法不能提高图像对比度和亮度图所示gydF4y2Ba 12gydF4y2Ba。gydF4y2Ba

不同算法之间的比较。gydF4y2Ba

结果通过不同的算法。gydF4y2Ba

直方图均衡化算法能增强图像对比度,但是这个方法忽略细节和噪声增大,从数据可以观察到gydF4y2Ba 11gydF4y2Ba和gydF4y2Ba 12gydF4y2Ba。改进MSR算法比传统的MSR算法,但这种方法引起晕人工制品,可以从图1(教会)在图gydF4y2Ba 11gydF4y2Ba(突出显示框)。此外,“白色”现象存在如图片13所示(男孩),轮胎在哪里over-enhanced和失去的详细信息。我们的结果表明,改进MSR算法不是有效的在处理夜间图像,观察,如图gydF4y2Ba 12gydF4y2Ba。gydF4y2Ba

金正日的算法也会造成颜色失真,可以看到从图1(教会)在图gydF4y2Ba 11gydF4y2Ba在红场,天空变成了灰色。增强的图像可能会模糊见图1(教会),这意味着金正日的算法具有贫困边缘的保护。gydF4y2Ba

从数据看gydF4y2Ba 11gydF4y2Ba和gydF4y2Ba 12gydF4y2Ba,该算法具有最好的色彩保真度和边缘保护。同时,增强图像的噪音更小和更清晰的细节比直方图均衡化算法做了改进。gydF4y2Ba

 3.2。客观的评价gydF4y2Ba

目前,没有标准客观指标提出了增强评估低光照条件下的图像。在这项研究中,我们采用信息熵(IE)来评估图像边缘细节和选择的平均强度(AEI)评价增强图像的边缘保持特性。IE的定义如下:gydF4y2Ba (21)gydF4y2Ba 我gydF4y2Ba EgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba ∑gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba lgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba rgydF4y2Ba 年代gydF4y2Ba 日志gydF4y2Ba 2gydF4y2Ba ⁡gydF4y2Ba PgydF4y2Ba rgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba PgydF4y2Ba (gydF4y2Ba rgydF4y2Ba 年代gydF4y2Ba )gydF4y2Ba 表示灰度的概率gydF4y2Ba 年代gydF4y2Ba ;gydF4y2Ba lgydF4y2Ba 灰色的总数的水平。大即显示更多的信息,这意味着有更多的细节在底层形象。gydF4y2Ba

AEI定义如下:gydF4y2Ba (22)gydF4y2Ba 一个gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba EgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba EgydF4y2Ba 年代gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 年代gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba xgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 和gydF4y2Ba 年代gydF4y2Ba ygydF4y2Ba (gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 代表梯度gydF4y2Ba xgydF4y2Ba 和gydF4y2Ba ygydF4y2Ba 在图像边缘的方向。gydF4y2Ba EgydF4y2Ba 代表了期望。在这项研究中,索贝尔算子用于梯度计算。大AEI表明好的保留边缘。此外,该方法的效率与其他方法相比较。gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba显示了平均IE和AEI和操作时间基于20个测试图像。可以看出他的方法的性能不好IE。图像增强他的方法通常是黑暗和失去很多细节。图gydF4y2Ba 13gydF4y2Ba显示了IE表现最好的三种方法,即,周浩的算法,金正日的算法,该方法。见过,即中值(用红线标示出来)的方法是最大的。均值即特点(绿线)的方法比郝的算法高出9.8%和1.8%高于金的算法在20个测试图像。gydF4y2Ba

即平均AEI和操作时间(sec) 20图片。gydF4y2Ba

平均即gydF4y2Ba 平均AEIgydF4y2Ba 平均时间gydF4y2Ba
原始gydF4y2Ba 11.057gydF4y2Ba 50.756gydF4y2Ba N / RgydF4y2Ba
传统的MSRgydF4y2Ba 13.439gydF4y2Ba 67.485gydF4y2Ba 1.77gydF4y2Ba
郝et al。(gydF4y2Ba 14gydF4y2Ba]gydF4y2Ba 14.091gydF4y2Ba 57.838gydF4y2Ba 16.289gydF4y2Ba
他等的gydF4y2Ba 17gydF4y2Ba]gydF4y2Ba 11.867gydF4y2Ba 61.952gydF4y2Ba 0.377gydF4y2Ba
他gydF4y2Ba 14.761gydF4y2Ba 83.874gydF4y2Ba 0.281gydF4y2Ba
改善MSR (gydF4y2Ba 12gydF4y2Ba]gydF4y2Ba 13.234gydF4y2Ba 83.606gydF4y2Ba 7.915gydF4y2Ba
金正日et al。(gydF4y2Ba 9gydF4y2Ba]gydF4y2Ba 15.193gydF4y2Ba 96.477gydF4y2Ba 0.867gydF4y2Ba
该方法gydF4y2Ba 15.478gydF4y2Ba 114.297gydF4y2Ba 0.698gydF4y2Ba

即结果由内科医师,金正日,该方法。gydF4y2Ba

另一方面,它是观察从表gydF4y2Ba 1gydF4y2Ba改进的MSR,直方图均衡化(他),金正日的算法,该算法实现AEI的四大表演。指出高AEI的直方图均衡化占太多的噪音。AEI的改善MSR,金的方法,该方法在每个图像如图gydF4y2Ba 14gydF4y2Ba。结果表明,中值AEI(用红线标示出来)的方法是最大的,而且意味着AEI特点(绿线)提议的方法改进的MSR高出26.8%和15.6%高于金正日的算法。gydF4y2Ba

AEI金正日的结果,提高了MSR,该方法。gydF4y2Ba

总之,该方法达到了IE和AEI的最佳性能。此外,该方法是非常有效的和达到第三位置7方法如表所示gydF4y2Ba 1gydF4y2Ba。指出他的算法增强图像质量最差。图gydF4y2Ba 15gydF4y2Ba显示了平均手术时间(用红线标示出来)和平均运行时间(以绿线),金的,该方法。一般来说,双边滤波不是GDGIF一样有效。双边滤波的计算复杂性gydF4y2Ba ogydF4y2Ba (gydF4y2Ba NgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba ,在那里gydF4y2Ba rgydF4y2Ba 是指双边滤波窗口半径,gydF4y2Ba NgydF4y2Ba 图像像素的数量而GDGIF的计算复杂性是吗gydF4y2Ba ogydF4y2Ba (gydF4y2Ba NgydF4y2Ba )gydF4y2Ba 。换句话说,GDGIF的计算复杂性与过滤器的大小无关。结果表明,该方法的平均时间比他高出59.7%和19.4%不到金的算法。gydF4y2Ba

由他操作时间,金的,该方法。gydF4y2Ba

 4所示。结论gydF4y2Ba

一个低光照条件下的图像增强算法。通过将光线暗的图像分解为照明组件和反射组件,它提供了一个解决方案分别扩大照明,增强了图像的细节。具体来说,照明组件是使用引导图像滤波器在梯度域进行处理,其次是非线性乙状结肠变换。反射组件由伽马变换增强。这个解决方案增强光线暗的图像和有效地避免扭曲(例如颜色)和恼人的文物(如模糊,晕)。最终结果是得到反对数之和增强两部分组成。实验结果表明,该方法增强图像的主观视觉上赏心悦目的测试,该方法的性能优于现有方法在IE和AEI评估。此外,该算法是有效的,因为计算复杂性与过滤器的大小。该方法有巨大的潜力来实现实时光线暗的视频处理。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这部分工作是支持下由中国国家自然科学基金资助61371190,上海自然科学基金的资助下13 zr1455200 17 zr1411900,上海重点实验室开放项目集成管理的信息安全技术(AGK2015006),计划成立上海高校青年教师培养的(ZZGCD15090)和研究创业计划成立上海工程技术大学(2016 - 56)。作者想感谢Se Kim Eun分享他的代码。gydF4y2Ba

 AlajarmehgydF4y2Ba 一个。gydF4y2Ba 萨拉姆gydF4y2Ba r。gydF4y2Ba MarhusingydF4y2Ba m F。gydF4y2Ba AbdulrahimgydF4y2Ba K。gydF4y2Ba 实时视频增强对各种天气条件下使用黑暗的通道和模糊逻辑gydF4y2Ba 《2014年国际会议上计算机和信息科学、ICCOINS 2014gydF4y2Ba 2014年6月gydF4y2Ba 岬gydF4y2Ba 2 - s2.0 - 84938793154gydF4y2Ba 10.1109 / ICCOINS.2014.6868351gydF4y2Ba 江gydF4y2Ba X。gydF4y2Ba 姚gydF4y2Ba H。gydF4y2Ba 张gydF4y2Ba 年代。gydF4y2Ba 陆gydF4y2Ba X。gydF4y2Ba 曾gydF4y2Ba W。gydF4y2Ba 晚上视频增强使用改进的黑暗通道之前gydF4y2Ba 学报2013年20 IEEE图像处理国际会议上,ICIP 2013gydF4y2Ba 2013年9月gydF4y2Ba 来自gydF4y2Ba 553年gydF4y2Ba 557年gydF4y2Ba 2 - s2.0 - 84897743001gydF4y2Ba 10.1109 / ICIP.2013.6738114gydF4y2Ba 唐gydF4y2Ba lgydF4y2Ba 陈gydF4y2Ba 年代。gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 改善Retinex图像增强算法gydF4y2Ba 学报》2011年第2挑战国际会议在环境科学和计算机工程,CESCE 2011gydF4y2Ba 2011年12月gydF4y2Ba 中文gydF4y2Ba 208年gydF4y2Ba 212年gydF4y2Ba 2 - s2.0 - 84863175826gydF4y2Ba 10.1016 / j.proenv.2011.12.032gydF4y2Ba AthimethphatgydF4y2Ba M。gydF4y2Ba KritayakiranagydF4y2Ba K。gydF4y2Ba 加强照明平衡与神经网络改进扫描text-photo退化图像gydF4y2Ba 学报》第八届电气工程/电子、计算机、通信和信息技术(ECTI) 2011年泰国——会议协会,ECTI-CON 2011gydF4y2Ba 2011年5月gydF4y2Ba 那gydF4y2Ba 983年gydF4y2Ba 986年gydF4y2Ba 2 - s2.0 - 79961212603gydF4y2Ba 10.1109 / ECTICON.2011.5948007gydF4y2Ba 亚达夫gydF4y2Ba G。gydF4y2Ba MaheshwarigydF4y2Ba 年代。gydF4y2Ba 阿加瓦尔gydF4y2Ba 一个。gydF4y2Ba 对比基于有限的自适应直方图均衡化增强实时视频系统gydF4y2Ba 学报》第三届国际会议上的进步计算、通信和信息,ICACCI 2014gydF4y2Ba 2014年9月gydF4y2Ba 印第安纳州gydF4y2Ba 2392年gydF4y2Ba 2397年gydF4y2Ba 2 - s2.0 - 84927639575gydF4y2Ba 10.1109 / ICACCI.2014.6968381gydF4y2Ba 荣gydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba Dong-NangydF4y2Ba lgydF4y2Ba 研究色彩的传统基于直方图均衡化的图像增强算法gydF4y2Ba OptikgydF4y2Ba 2015年gydF4y2Ba 126年gydF4y2Ba 24gydF4y2Ba 5665年gydF4y2Ba 5667年gydF4y2Ba 2 - s2.0 - 84946772073gydF4y2Ba 10.1016 / j.ijleo.2015.08.169gydF4y2Ba 肖gydF4y2Ba J。gydF4y2Ba 彭gydF4y2Ba H。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 你gydF4y2Ba C。gydF4y2Ba 李gydF4y2Ba Q。gydF4y2Ba 基于颜色空间融合的快速图像增强gydF4y2Ba 色彩研究与应用gydF4y2Ba 2016年gydF4y2Ba 41gydF4y2Ba 1gydF4y2Ba 22gydF4y2Ba 31日gydF4y2Ba 2 - s2.0 - 84949818015gydF4y2Ba 10.1002 / col.21931gydF4y2Ba 刘gydF4y2Ba Z。gydF4y2Ba BlaschgydF4y2Ba E。gydF4y2Ba 雪gydF4y2Ba Z。gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba LaganieregydF4y2Ba R。gydF4y2Ba 吴gydF4y2Ba W。gydF4y2Ba 客观评估的多分辨率图像融合算法的背景下增强夜视:比较研究gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2012年gydF4y2Ba 34gydF4y2Ba 1gydF4y2Ba 94年gydF4y2Ba 109年gydF4y2Ba 2 - s2.0 - 81855191848gydF4y2Ba 10.1109 / TPAMI.2011.109gydF4y2Ba 金gydF4y2Ba s E。gydF4y2Ba 全gydF4y2Ba J·J。gydF4y2Ba 加工gydF4y2Ba 即K。gydF4y2Ba 使用熵尺度的小波域图像对比度增强gydF4y2Ba 信号处理gydF4y2Ba 2016年gydF4y2Ba 127年gydF4y2Ba 1gydF4y2Ba 11gydF4y2Ba 2 - s2.0 - 84960843257gydF4y2Ba 10.1016 / j.sigpro.2016.02.016gydF4y2Ba ProvenzigydF4y2Ba E。gydF4y2Ba CasellesgydF4y2Ba V。gydF4y2Ba 小波的角度对变分perceptually-inspired颜色增强gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2014年gydF4y2Ba 106年gydF4y2Ba 2gydF4y2Ba 153年gydF4y2Ba 171年gydF4y2Ba 10.1007 / s11263 - 013 - 0651 - ygydF4y2Ba MR3150271gydF4y2Ba Zbl1328.68281gydF4y2Ba 2 - s2.0 - 84894899348gydF4y2Ba 上gydF4y2Ba d . J。gydF4y2Ba 拉赫曼gydF4y2Ba Z.-U。gydF4y2Ba WoodellgydF4y2Ba g。gydF4y2Ba 桥接的多尺度retinex彩色图像之间的差距和人类观察的场景gydF4y2Ba IEEE图像处理gydF4y2Ba 1997年gydF4y2Ba 6gydF4y2Ba 7gydF4y2Ba 965年gydF4y2Ba 976年gydF4y2Ba 2 - s2.0 - 0031188657gydF4y2Ba 10.1109/83.597272gydF4y2Ba 佩特罗gydF4y2Ba 答:B。gydF4y2Ba SbertgydF4y2Ba C。gydF4y2Ba 莫雷尔gydF4y2Ba J。gydF4y2Ba 多尺度RetinexgydF4y2Ba 行图像处理gydF4y2Ba 2014年gydF4y2Ba 4gydF4y2Ba 71年gydF4y2Ba 88年gydF4y2Ba 10.5201 / ipol.2014.107gydF4y2Ba 吴gydF4y2Ba 年代。gydF4y2Ba 胡gydF4y2Ba Z。gydF4y2Ba 余gydF4y2Ba W。gydF4y2Ba 冯gydF4y2Ba J。gydF4y2Ba 一种改进的图像增强方法基于Retinex理论gydF4y2Ba 学报2013年国际会议信息技术和应用,ITA 2013gydF4y2Ba 2013年11月gydF4y2Ba 中文gydF4y2Ba 67年gydF4y2Ba 71年gydF4y2Ba 2 - s2.0 - 84893727910gydF4y2Ba 10.1109 / ITA.2013.22gydF4y2Ba 郝gydF4y2Ba W。gydF4y2Ba 他gydF4y2Ba M。gydF4y2Ba 通用电气gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba C.-J。gydF4y2Ba 高gydF4y2Ba Q.-W。gydF4y2Ba 在低能见度条件下Retinex-like图像增强方法gydF4y2Ba 学报2011年国际会议上先进控制工程与信息科学,2011年ceigydF4y2Ba 2011年8月gydF4y2Ba 中文gydF4y2Ba 2798年gydF4y2Ba 2803年gydF4y2Ba 2 - s2.0 - 84055200881gydF4y2Ba 10.1016 / j.proeng.2011.08.527gydF4y2Ba 土地gydF4y2Ba E。gydF4y2Ba 的retinexgydF4y2Ba 美国科学家gydF4y2Ba 1964年gydF4y2Ba 52gydF4y2Ba 2gydF4y2Ba 247年gydF4y2Ba 264年gydF4y2Ba TomacigydF4y2Ba C。gydF4y2Ba MabduchigydF4y2Ba R。gydF4y2Ba 双边滤波灰色和彩色图像gydF4y2Ba 诉讼程序的第六届IEEE计算机视觉国际会议gydF4y2Ba 1998年1月gydF4y2Ba 孟买,印度gydF4y2Ba 839年gydF4y2Ba 846年gydF4y2Ba 10.1109 / ICCV.1998.710815gydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 唐gydF4y2Ba X。gydF4y2Ba 引导图像滤波gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2013年gydF4y2Ba 35gydF4y2Ba 6gydF4y2Ba 1397年gydF4y2Ba 1409年gydF4y2Ba 10.1109 / TPAMI.2012.213gydF4y2Ba 2 - s2.0 - 84882376954gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 郑gydF4y2Ba J。gydF4y2Ba 朱gydF4y2Ba Z。gydF4y2Ba 姚gydF4y2Ba W。gydF4y2Ba 吴gydF4y2Ba 年代。gydF4y2Ba 加权引导图像滤波gydF4y2Ba IEEE图像处理gydF4y2Ba 2015年gydF4y2Ba 24gydF4y2Ba 1gydF4y2Ba 120年gydF4y2Ba 129年gydF4y2Ba 10.1109 / TIP.2014.2371234gydF4y2Ba MR3293974gydF4y2Ba 2 - s2.0 - 84917694461gydF4y2Ba 口gydF4y2Ba F。gydF4y2Ba 陈gydF4y2Ba W。gydF4y2Ba 温gydF4y2Ba C。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 梯度域引导图像过滤gydF4y2Ba IEEE图像处理gydF4y2Ba 2015年gydF4y2Ba 24gydF4y2Ba 11gydF4y2Ba 4528年gydF4y2Ba 4539年gydF4y2Ba 10.1109 / TIP.2015.2468183gydF4y2Ba MR3394588gydF4y2Ba 2 - s2.0 - 84941032729gydF4y2Ba BhatgydF4y2Ba P。gydF4y2Ba ZitnickgydF4y2Ba c . L。gydF4y2Ba 科恩gydF4y2Ba M。gydF4y2Ba CurlessgydF4y2Ba B。gydF4y2Ba GradientShop: gradient-domain优化框架,图像和视频过滤gydF4y2Ba ACM交易图片gydF4y2Ba 2010年gydF4y2Ba 29日gydF4y2Ba 2,货号。10gydF4y2Ba 2 - s2.0 - 77951285826gydF4y2Ba 10.1145/1731047.1731048gydF4y2Ba 华gydF4y2Ba M。gydF4y2Ba BiegydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba M。gydF4y2Ba 王gydF4y2Ba W。gydF4y2Ba Edge-aware梯度域优化框架,由当地传播图像滤波gydF4y2Ba 美国27日IEEE计算机视觉与模式识别会议,CVPR 2014gydF4y2Ba 2014年6月gydF4y2Ba 美国gydF4y2Ba 2838年gydF4y2Ba 2845年gydF4y2Ba 2 - s2.0 - 84911432413gydF4y2Ba 10.1109 / CVPR.2014.363gydF4y2Ba 鹦鹉gydF4y2Ba O。gydF4y2Ba 安德gydF4y2Ba C。gydF4y2Ba 一个非线性技术极其不均匀照明的增强图像gydF4y2Ba 航空航天技术杂志》上gydF4y2Ba 2007年gydF4y2Ba 3gydF4y2Ba 3gydF4y2Ba 37gydF4y2Ba 47gydF4y2Ba 班达里gydF4y2Ba 答:K。gydF4y2Ba 库马尔gydF4y2Ba 一个。gydF4y2Ba 辛格gydF4y2Ba g·K。gydF4y2Ba 改善膝盖传递函数和基于伽马校正的方法对卫星图像的对比度和亮度增强gydF4y2Ba AEU -国际期刊的电子和通信gydF4y2Ba 2015年gydF4y2Ba 69年gydF4y2Ba 2gydF4y2Ba 579年gydF4y2Ba 589年gydF4y2Ba 2 - s2.0 - 84940163467gydF4y2Ba 10.1016 / j.aeue.2014.11.012gydF4y2Ba