评价图像增强技术应用导航在低照度下

文摘

相机是有价值的传感器对机器人感知任务。在这些知觉任务运动估计、本地化和对象检测。相机传感器有吸引力,因为他们是被动和相对便宜,可以提供丰富的信息。然而,被动传感器,他们依赖外部照明从环境中这意味着他们在光线暗的条件下性能会有所下降。在本文中,我们提出并研究挑战晚上条件下四种方法来增强图像。发现相关的广泛的基于视觉系统,跟踪等增强现实技术,图像配准,定位,和映射,以及深上优于对象探测器。自主移动机器人预计晚上操作在低照度条件下,评价运动估计是基于最先进的系统,定位和目标检测。

1。介绍

许多计算机视觉算法,特别是structure-from-motion问题,依赖于特征点的检测和跟踪。例如,图像配准问题,航拍图像自动对齐和缝合要求锚点正确对齐图像(1,2]。在增强现实领域,使用环境中的特征点跟踪的运动目标视觉标记和正确呈现虚拟对象在现实(3]。在机器人、相机和跟踪的关键的观点通常用于定位和映射4,5]。在光线暗的条件下执行这些任务(例如,在夜间)是有问题的,因为不同的场景中物体更少,并且能够正确地将他们在多个图像变得不可靠。此外,目标检测、识别和图像分类任务最近解决使用深度学习方法(与巨大的成功6,7]。在本文中,我们专注于预处理方法,可用于增强图像质量,强调移动机器人导航。

机器人定位和运动估计是现代自主机器人应用程序的基本任务。执行说任务准确、实时机器人感知和控制是至关重要的。同步定位和映射(大满贯)和视觉里程计(VO)是强大的工具,提供这样的机器人定位和运动估计。大满贯的代理(例如,移动机器人或自主车辆)是建筑环境的地图,同时本地化本身在这个地图。签证官是代理估计它的位置和姿态在未知的环境中,在线和使用一个摄像头的输入。优秀的视觉大满贯的介绍和调查尤尼斯et al。8),为视觉测程法Scaramuzza和Fraundorfer9]。

从这些调查,我们发现,视觉大满贯和视觉测距系统是典型的照明条件下评估在白天。然而,自主移动系统,如自动驾驶汽车应该将工作在晚上,在光线暗的条件下。利用有源传感器和其他方法(如激光雷达)提供的功能在这些条件下是必要的。然而,扩大手术范围的被动相机通过图像增强方法是引人注目的保持传感器冗余在这种情况下,这是一个因素的功能安全。之前的工作专注于实现操作的特点在夜间视觉算法是有限的,这动力的工作。

激光雷达是活跃的传感器和可用于晚上执行本地化的任务,在工作的盾和Barfoot10]。维护一套传感器组成的异构传感模式是有利的,因为它防止失效模式的一个特定的传感器。例如,思想活跃传感器、激光雷达将互相干扰,当他们接近,而被动视觉系统没有这个问题。此外,激光雷达比相机更昂贵。布鲁纳等。11)结合视觉和视觉大满贯系统中红外成像在日夜的条件下解决定位问题。纳尔逊et al。12)提出了一个解决方案定位在夜间本地化对人工光源,预计晚上出现在城市环境。MacTavish et al。13)已经开发出一种视觉测距系统,依赖于移动机器人平台上安装车灯作为主要照明源。

摄像机有吸引力传感器相对便宜,被动,能够提供丰富的信息环境。此外,这些信息可用于定位以外的任务,如场景分割或对象识别。在本文中,我们研究潜在的图像预处理技术,提高夜间图像建立机器人感知。介绍四种不同的图像预处理技术和研究他们的性能在三个系统:(我)ORB-SLAM2 [14),这是一个最先进的视觉系统。(2)LIBVISO2 [15),这是一个著名的视觉测距系统。(3)LVT (4),之前开发的视觉测距系统,我们在部分简要描述2。3。

虽然我们的主要重点是基于视觉里程计和视觉大满贯系统,我们还研究了预处理技术的性能对象探测器基于卷积神经网络。幸运的是,我们的研究结果适用于广泛的计算机视觉任务,如图像缝合、注册和识别。低光照条件下的图像增强影响基于功能的算法在两个主要步骤。首先是功能检测。特性或兴趣点检测取决于对比/梯度图像,和更好的图像提供了更多的特色。其次是匹配之间的图像兴趣点检测。匹配的兴趣点可以通过比较图像的像素强度补丁周围每个兴趣点直接使用一些相似性度量。一个描述符作为签名的图像补丁也可以计算和不同的描述符可以比较。在这两种情况下,在这种情况下图像增强可以提供更多独特的描述符和导致更可靠的匹配。这种算法可以正常操作没有典型的照明条件下预处理。 Once the mean scene luminance drops below a certain threshold, our preprocessing is activated to enhance the incoming low-light images.

2。视觉里程计和视觉大满贯

在以下部分中,我们将简要介绍这三个视觉测程法或视觉系统用于我们的实验。

2.1。ORB-SLAM2

ORB-SLAM2是一种先进的视觉系统。这是一个完整的视觉大满贯系统意味着它不断构建环境地图,同时地图本地化本身。ORB-SLAM2地图支持重用,循环结束,和relocalization功能。他们的系统使用ORB功能17]的三大任务跟踪、映射,并将识别用于循环关闭和relocalization14]。

2.2。LIBVISO2

LIBVISO2是一个著名的视觉测距系统。计算连续帧之间的运动估计。系统使用自定义过滤器检测图像的稀疏特性。它雇佣他们所说的圆形的匹配当发现连续帧之间的匹配。即功能在当前左图像与一个在前面左图像,从而匹配在前面的一个特征是正确的图像,然后当前正确的图像,最后如果匹配起始特性在当前左图然后宣布egomotion循环比赛,通过估算。摄像机运动然后通过最小化reprojection计算错误,然后卡尔曼滤波器用于精炼获得的速度估计(15]。

2.3。从而可以

从而,或轻量级的视觉跟踪,是我们之前开发的视觉测距系统4]。系统需要一个立体相机;因此规模歧义单眼视觉中发现的主要问题是可以避免的。视觉测距算法的主要步骤在图进行了总结1。相机的姿势是完整的六个自由度的变换(平移+旋转)。世界参考坐标系设置在第一帧的构成的序列。

该算法是基于功能,依赖于从图像中提取点或转弯功能。我们采用了自适应和通用加速段试验(AGAST) [18]角落探测器。没有任何图像的尺度金字塔建成,从全尺寸图像中提取角。对于每个检测功能,功能描述符计算。特征描述符就像一个签名的功能。之间的匹配功能可以执行通过比较他们的描述符。在我们的算法中,二进制健壮的独立的基本特性(简要)19使用描述符。短暂是二进制文件描述符描述符向量的形式是一个二进制字符串。这个二进制字符串计算通过选择一组图像中的位置对补丁以独特的方式。本文描述了五个不同的抽样策略。然后为每个选定的位置,比较像素强度在第一与第二个点。如果强度较大,则追加1描述符字符串;否则添加0。确保良好的特性分布图像,我们执行适应性nonmaximal抑制被布朗et al。20.]。

开始时,我们的系统匹配特性之间的左右图像的立体框架。那些比赛是用来满足3 d点添加到当地的地图。这地方地图瞬态,由一组稀疏的3 d点。仅仅是内部使用的系统和姿态估计的目的;它并不是试图建立一个全球一致的环境地图。

为每个后续帧,帧的姿态首先是使用一个简单的运动预测模型。然后在当地地图3 d点投射到左图像。现在,对于每个3 d投影点,我们搜索附近最好的匹配图像特征检测的特征检测步骤。3 d-2d匹配发现从这个地方地图跟踪步然后用于随后的姿势估计操作。找到相机姿势是正式作为一个优化问题找到最优取向和位置最小reprojection之间的错误匹配的3 d点和2 d图像特点: 在哪里 是图像的特性, 是世界3 d点,所有匹配的集合,是柯西成本函数,是投影函数, 是方向, 是这个职位。这最小化问题解决使用Levenberg-Marquardt迭代算法。此外,异常值检测和排除,优化运行第二次组内围层。之后,包括执行维护当地的地图综合新的3 d分开始回升的图像特征的跟踪点下降和删除地图点没有追踪的预设数量的帧数。

3所示。对象检测

检测的动态或潜在的动态对象,例如,其他交通参与者,是另一个重要的感知任务。最近,使用深度学习的方法(21)方法占了上风。注意深入学习方法引发当AlexNet (7]赢得ImageNet分类的挑战[22]。在本文中,我们将评估基于卷积神经网络检测器用于检测汽车在晚上和我们的图像预处理技术。这项研究是有用,因为这种预处理不学习,可以提高泛化pretrained对象探测器。

我们将使用的检测器是一声枪响MultiBox检测器(SSD) [6]。VGG16 [23是用作SSD基地网络。我们得到一个pretrained网络提供的网上作者的SSD (24]。这个网络在微软pretrained可可(25)然后调整在帕斯卡视觉对象类(26]。输入图像到网络有300×300像素的大小。

4所示。图像预处理技术

在本节中,我们描述了四个图像预处理技术,也就是说,伽马校正,L一个b+ CLAHE, RG + CLAHE, Bioinspired视网膜模型。CLAHE代表对比有限的自适应直方图均衡化并将部分中解释4.2。

4.1。伽马校正

伽马校正的过程是指调整输入图像的亮度,使用非线性映射的以下形式: 在哪里伽马值,输入图像像素强度一定范围内 。在我们的评估中,伽马值1.5已经被使用。

这里我们应用相同的映射到每个像素。研究开发更先进的自适应增强技术。例如,黄等。27)展示了一个自动转换技术通过伽马校正和亮度值的概率分布。拉赫曼et al。28展示技术,他们首先分类图像内容,然后应用自适应伽马校正基于图像分类的信息。我们可以看到,有很多方法,每个都有自己的特点。所有这些方法会增加图像增强的复杂性的一步。因此,我们决定使用的基地伽马校正快速和容易实现。

4.2。l一个b+ CLAHE

在这种方法中,我们将从传统的RGB颜色空间转换图像到L一个b一个。这种颜色空间包含以下三个组件:L代表亮度或强度;一个和b代表颜色尺寸。我们将提取亮度通道然后分发其强度值尽可能均匀。这个分布是使用来执行的对比有限的自适应直方图均衡化(CLAHE)技术。在多个直方图的自适应直方图均衡化,图像的每个对应一个不同的部分,然后用于计算分配整个图像强度值。然而,这种overamplifies图像的噪声相对同质的地区。通过限制放大CLAHE绕过了这个问题。CLAHE后应用于轻频道,L一个b图像转换为RGB颜色空间灰度。

4.3。RG + CLAHE

在这种方法中,我们将把蓝色通道从RGB图像并将其转换为灰度平均剩余的红色和绿色通道。蓝色光不强在人工照明用于车辆车头灯和路灯,与白天的阳光下。我们观察到蓝色通道很吵,就像别人在之前的工作29日,30.]。不包括蓝色通道导致更少的噪声图像。之后,相同的有限的自适应直方图均衡化(CLAHE)技术中所描述的L一个b颜色空间技术部分应用于灰度图像。

4.4。Bioinspired视网膜模型

建立模型来模拟人类视觉系统的部分提供了一个有价值的和有吸引力的解决一些计算机视觉任务。在本文中,我们将使用视网膜模型Benoit et al。16)这是可用的开源库OpenCV。高级视网膜模型图所示2。这个视网膜模型将空间和时间信息为两个输出通道:parvocellular通路(细小),这是相关细节提取;和magnocellular通路(镍锰合金),相关检测运动和事件。

细胞外网状层之间的交互(OPL)与不可分的时空滤波器建模。滤波器的传递函数的一维信号定义在方程(3),和分别是空间和时间的频率。 在方程(3),是滤波器增益,和分别是时间和空间滤波常数。OPL滤波器消除时空噪声的影响和增强轮廓。光感受器细胞中发现的外网状层(OPL)和神经节细胞的细小通道内网状层(IPL)是由Michaelis-Menten建模法(31日]。Michaelis-Menten关系规范化的亮度范围 是 在那里, 是调整和当前亮度的光感受器 。 是它的压缩参数,是当地社区的亮度。是一个静态压缩参数,最大允许图像中像素的值。是不可能覆盖的全部细节的视网膜模型本文;可以找到更多的信息在16]。

这种视网膜模型能够增强亮度和细节。它执行当地对数亮度压缩允许非常明亮和黑暗地区可见。它还执行光谱美白变弱平均亮度能源和提高中心频率,这对应于细节。我们将使用细小的输出通道。所使用的参数值作为输入到视网膜模型中实现表列出OpenCV1。这些值是一些实现平滑的图像。

应用上述预处理技术的结果示例测试晚上图像如图3。

5。评估和讨论

评价,我们收集了数据集,晚上开车Michigan-Dearborn大学的校园。序列序列28我们以前收集的不利天气的数据集(http://sar-lab.net/adverse-weather-dataset/)。旅行循环图所示4。这个数据集收集11月 ,2017年,有一个近似的长度1.49英里。收集的数据集是一个立体相机分辨率为1280×720和20赫兹的速度。

5.1。视觉里程计和视觉系统评价

在这个评估中,我们将使用序列3我们前面提到的数据集序列28旁边。序列3旅游,收集相同的循环序列28但在白天。这白天数据集应该是比较有用的。结果估计从三个评估系统路径,在白天,原始的夜晚,和预处理晚上序列描述技术,绘制在地图和表所示2。

从表2,一些观察。首先,所有三个系统成功地完成早上的数据集。在原始数据集,只有LIBVISO2能够跟踪到底。伽马校正ORB-SLAM2完成了数据集,给好的旅行路径的估计。L一个b+ CLAHE技术未能帮助任何系统在处理数据集或改善结果。RG + CLAHE技术帮助ORB-SLAM2完全数据集到最后没有失去跟踪,但没有协助提高轨迹的质量评估。最后,bioinspired视网膜方法是唯一一个帮助所有三个系统完成数据集到最后没有失去跟踪,它导致的最佳轨迹估计所有三个系统。

更多的见解可以通过提取一些数据从我们的视觉测距系统从而可以运行在所有的数据集预处理的夜晚。我们将提取三个统计:(1)地图大小:这代表的数量的3 d点三角,目前居住在当地的地图。(2)2 d-3d协会:这是成功的3 d地图点数量与2 d图像特征在当地地图跟踪步骤(见图1),因此被用于估计。(3)内围层数:这是离群值后发现内围层拒绝的数量进行姿态估计的一部分。

这些统计数据的情节一段200帧图所示5。这些值的定量表示报道在表3的平均值和标准偏差值计算在成功地跟踪帧的数量。表3也报道追踪帧的数量显示视觉测距多久能够跟踪失败之前,最有可能由于场景中跟踪点太少。从图5和表3白天,我们注意到,结果是最好的。所有原始的未经加工的预处理方法提供实质性改进序列。一般Bioinspired技术的最佳值。这也是有趣的观察L一个b+ CLAHE技术给高值大小和数据映射关联但内围层数较低,这意味着大多数的关联是坏的。伽马校正方法似乎给bioinspired后的次优结果。

5.2。对象检测评价

在本节中,我们评估的影响提出了图像预处理技术在卷积神经网络对象探测器前面提到的部分3。我们已经确定了三个晚上相同序列的子序列28岁,在这附近有一个汽车领域的观点。的三个子序列识别序列28的开始和结束帧:(# 710 - # 730),(# 2400 - # 2415),(# 5050 - # 5080)。第一帧的这三个子序列如表所示4随着四预处理技术应用。

评价的目标来确定有多少帧这一目标车成功检测到与每个预处理技术应用以及原始帧没有任何预处理。在每个检测探测器的信心也报道更多的定量评价。结果被发表在表5探测器信心,直方图在汽车检测所有子序列帧图所示6。我们可以看到,L一个b+ CLAHE技术帮助探测器成功的最大数量的帧数和高检测秘密。RG + CLAHE和伽马校正技术密切跟踪它的许多成功的检测,检测秘密。令人惊讶的是,Bioinspired视网膜模型导致了至少改善。这可能是有关执行的细节增强视网膜,这可能与物体的内部表示冲突的深度学习模型最初训练nondetail增强图像。

5.3。运行时性能

运行时性能评价,我们测量了时间执行预处理计算每一帧。评价是一台笔记本电脑上执行运行Ubuntu 16.04操作系统和英特尔i7 - 7700总部CPU。应该提到的bioinspired模型是可用的,我们使用OpenCV库的GPU加速的支持;然而,我们选择使用CPU实现而不是CPU上的所有方法评估。结果被发表在表6。伽马校正技术是最快的,因为映射由方程(2)描述之前可以预先计算的一个查找表在运行时使用。

6。结论

在本文中,我们提出了四种不同的技术与加强夜间和微光图像的目标。这样增强扩大手术范围的被动相机和引人注目的为了维护这些具有挑战性的光线条件下传感器冗余。提出了图像增强技术适用于各种各样的计算机视觉任务,比如图像缝合,注册和识别。然而,在本文中,我们专注于帮助基于视觉测程法和视觉大满贯系统这样具有挑战性的夜晚在操作条件。此外,我们研究了预处理技术的性能提高基于深度学习对象检测器的性能。这是必要的,这样的自主移动机器人系统是重要的建立,预计将在所有照明条件下运行。

我们发现,使用视网膜模型启发从人类视觉系统导致最佳增强视觉测程法和视觉系统。但是,这需要更高的计算要求的成本。这取决于应用程序,这可能是一个瓶颈。的作者说,视网膜模型提供GPU实现OpenCV的他们的模型库,但是我们有CPU用于公平的比较与其他技术。伽马校正后的结果排在第二位bioinspired方法,但它跳动的计算性能显著。事实上,伽马校正是最快的方法,因为它可以在运行时减少到一个简单的查表操作。

在对象探测器评估、视网膜模型没有执行和预期一样好。深层神经网络的黑箱特性使它具有挑战性的原因的原因。最后,本文研究的技术都是基于传统的图像处理方法。一个有趣的想法,在未来的工作是阅读学习预处理阶段。应用深度学习技术,训练一个神经网络,将执行这对机器人感知图像增强。本文重点是研究潜在的图像预处理技术来提高应用的性能感知算法在夜间和低照度的环境下。这些学习方法和边界的激活效应,也就是说,当过渡之间没有图像预处理,预处理时激活是由于现场照明条件下,是留给未来的工作。

数据可用性

夜间图像评价在本研究中使用的数据集序列28日白天是序列3的不利天气数据集http://sar-lab.net/adverse-weather-dataset/。

的利益冲突

作者宣称没有利益冲突。

确认

作者承认本科研究助理亚伦Cofield Hisham Alawneh数据收集他们的贡献。数据收集的研究受到了研究起始和发展资助大学的Michigan-Dearborn办公室和资助项目的研究。

引用

1. m . s . Yasein和p . Agathoklis”,一个健壮的、基于功能的航拍图像配准算法”学报2007年IEEE国际研讨会工业电子、ISIE 2007西班牙,页1731 - 1736年,2007年6月。视图:谷歌学术搜索
2. Snavely n、s·m·塞茨和r . Szeliski“从互联网图片集,建模世界”国际计算机视觉杂志》上,卷80,不。2、189 - 210年,2008页。视图:出版商的网站|谷歌学术搜索
3. g·克莱因和d·莫里“平行跟踪和映射为小型AR工作区,”学报第六届IEEE和ACM国际研讨会上混合和增强现实(ISMAR ' 07)奈良,页225 - 234年,日本,2007年11月。视图:出版商的网站|谷歌学术搜索
4. m . Aladem和s . a .拉瓦希德荷“轻量级的自主移动机器人视觉测距,”传感器,18卷,不。9,2837年,页2018。视图:谷歌学术搜索
5. 答:霍华德,“自主地面车辆实时立体视觉测距,”学报2008年IEEE / RSJ智能机器人和系统国际会议——,页3946 - 3952,法国,2008年9月。视图:谷歌学术搜索
6. d . w . Liu Anguelov, d . Erhan et al .,“SSD:单发射击multibox探测器,“欧洲计算机视觉,21-37,2016页。视图:谷歌学术搜索
7. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统,第1105 - 1097页,2012年。视图:谷歌学术搜索
8. g·尤尼斯,d . Asmar e·夏玛,j .亚”Keyframe-based单眼大满贯:设计,调查,和未来的发展方向,”机器人和自治系统卷,98年,第88 - 67页,2017年。视图:出版商的网站|谷歌学术搜索
9. d . Scaramuzza和f . Fraundorfer视觉里程计(教程),”IEEE机器人与自动化杂志,18卷,不。4、80 - 92年,2011页。视图:出版商的网站|谷歌学术搜索
10. h .董和t . d . Barfoot Lighting-invariant视觉测程法使用激光雷达强度图像和插值,”领域和服务机器人卷,92年,第342 - 327页,2014年。视图:出版商的网站|谷歌学术搜索
11. c . Brunner t Peynot、t . Vidal-Calleja和j·安德伍德,“选择性结合视觉和弹性定位在不利条件下的热成像:日夜,烟和火,”《机器人技术领域,30卷,不。4、641 - 666年,2013页。视图:出版商的网站|谷歌学术搜索
12. 纳尔逊,w·丘吉尔,波斯纳i, p·纽曼,“从黄昏到黎明:晚上本地化使用人工光源”《2015年IEEE机器人与自动化国际会议上,ICRA 2015美国,页5245 - 5252,2015年5月。视图:谷歌学术搜索
13. k . Mactavish m·佩顿,t·d·Barfoot,“晚上骑士:视觉测程法使用头灯,”14会议程序计算机和机器人视觉,CRV 2017加拿大,页314 - 320年,2017年5月。视图:谷歌学术搜索
14. r . Mur-Artal和j . d .缓慢地,“ORB-SLAM2:单眼的开源大满贯系统,音响,和RGB-D相机,“IEEE机器人,33卷,不。5,1255 - 1262年,2017页。视图:出版商的网站|谷歌学术搜索
15. 盖革,j·齐格勒,c·斯蒂勒,“立体扫描:密集的实时三维重建,”《IEEE智能车辆研讨会(IV”11)巴登巴登,页963 - 968年,德国,2011年6月。视图:出版商的网站|谷歌学术搜索
16. a . Benoit a . Caplier b Durette, j . Herault”利用人类视觉系统的建模对于仿生低层次的图像处理中,“计算机视觉和图像理解,卷114,不。7,758 - 773年,2010页。视图:出版商的网站|谷歌学术搜索
17. e . Rublee诉Rabaud、k . Konolige和g . Bradski”ORB:一个有效的替代筛选或冲浪,”《IEEE计算机视觉国际会议(ICCV 11)西班牙巴塞罗那,页2564 - 2571,,2011年11月。视图:出版商的网站|谷歌学术搜索
18. e .其余的g·海格,d . Burschka m . Suppa和g . Hirzinger“适应性和通用的角落检测基于加速段试验,”《欧洲计算机视觉大会10),2010年。视图:出版商的网站|谷歌学术搜索
19. m . Calonder诉Lepetit、c . Strecha和p . Fua“简单:二进制健壮的独立的基本特性,”欧洲计算机视觉,第792 - 778页,2010年。视图:谷歌学术搜索
20. m·布朗、r . Szeliski和络筒机,“面向多映像使用多尺度匹配的补丁,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05),1卷,第517 - 510页,2005年6月。视图:出版商的网站|谷歌学术搜索
21. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
22. j·邓、w .盾和r . Socher“ImageNet:大规模的分层图像数据库,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 09)255年,页248 -迈阿密,佛罗里达州,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
23. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
24. https://github.com/weiliu89/caffe/tree/ssd。
25. T.-Y。林,m . Maire s Belongie et al .,“微软可可:常见的上下文中的对象,”欧洲计算机视觉,第755 - 740页,2014年。视图:谷歌学术搜索
26. m . Everingham l . van干傻事,c·k·威廉姆斯,j·韦恩,和a . Zisserman“帕斯卡的视觉对象类(VOC)的挑战,”国际计算机视觉杂志》上,卷88,不。2、303 - 338年,2010页。视图:出版商的网站|谷歌学术搜索
27. 研究所。黄,F.-C。程,Y.-S。赵”,有效使用自适应对比度增强伽马校正与权重分配,”IEEE图像处理,22卷,不。3、1032 - 1041年,2013页。视图:出版商的网站|谷歌学术搜索|MathSciNet
28. s拉赫曼·m·m·拉赫曼·m·Abdullah-Al-Wadud g . d . Al-Quaderi和m . Shoyaib“图像增强的自适应图像灰度校正,”EURASIP杂志在图像和视频处理,卷2016,不。1,p。2016。视图:谷歌学术搜索
29. 张x p .沈l .罗l . Zhang和j·歌,“增强和降噪的微光图像”模式识别国际会议(2012年ICPR)2012年,日本筑波。视图:谷歌学术搜索
30. h .白垩土,m . Oskarsson大肠逮捕令,p . Clarberg j . Hasselgren和c . Lejdfors”自适应增强和降噪光级视频,非常低”2007年IEEE 11计算机视觉国际会议2007年10月,页1 - 8,。视图:谷歌学术搜索
31. s . m . Smirnakis m·j·贝瑞·d·k . Warland w . Bialek和m·迈斯特”改编的视网膜处理图像对比度和空间规模,”自然,卷386,不。6620年,第73 - 69页,1997年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019年穆罕默德Aladem等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。