低照度视频增强技术研究
低照度视频增强技术研究[20191212175647]
摘 要
在夜晚低照度的条件下，一般的摄像系统不能发挥出应有的作用，这给安保监控、公共交通带来不利的影响。如果可以通过图像处理算法对原始视频实现增强处理，这不仅能够解决夜晚环境对监控的影响，同时也能够节约成本，减少投资。所以针对低照度视频增强的研究具备很高的科研与市场价值。
传统的增强方法分为频域法和空域法两大类，其中空域法的代表为直方图增强法，频域法中用的较多的是基于小波变换、傅立叶变换和离散余弦变换的增强方法。传统的增强方法由于具有方法简单、效果明显等特点，许多方法已经在实际中得到广泛的应用。但是，传统的这些方法中使用了大量的假设，而研究表明算法中的假设越多，其性能越差。图像处理算法的自适应则是一种合理的解决方法，因为针对不同情况进行处理时，其假设条件会减少并且更接近实际情况。
本文针对低照度各种情况的图像进行不同方法的处理，主要有改进的直方图均衡化、MAAM算法与基于无参图像质量评价体系的补偿方法。前者是对常规直方图均衡化的改进，增强了对比度同时又保留了细节；MAAM算法则是融入了改进的直方图均衡化与改进的局部对比度图像增强，同时在频域进行处理，增强了图像也减弱了噪声影响；视觉补偿法则是采用灰度谱分级平坦化工具分析低照度图像的灰度特点，通过分析人类视觉系统特性提出的适合人眼观察的低照度图像增强方法，并通过图像客观评价三参数建立了寻优算法，使补偿后图像质量达到好的水平。
查看完整论文请+Q: 351916072
关键字:】低照度;视频;直方图均衡化;MAAM;视觉补偿
目 录
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1 课题背景 1
1.1.1 视频图像处理技术发展 1
1.1.2 低照度视频增强技术 1
1.1.3 空间域图像增强 2
1.1.4 频域的图像增强 2
1.2 低照度图像处理研究现状 3
1.3 本文主要内容 5
第二章 视频处理 6
2.1 处理平台简介 6
2.2 AVI文件简介 6
2.3 AVI文件处理 7
第三章 低照度图像增强方法 9
3.1 直方图均衡化 9
3.1.1 直方图均衡化概念 9
3.1.2 直方图均衡化算法基本原理 9
3.1.3 直方图均衡化效果分析 10
3.2 灰度拉伸 12
3.2.1 灰度拉伸概念 12
3.2.2 灰度拉伸基本原理 12
3.2.3 灰度拉伸效果分析 14
3.3 改进的直方图均衡化 15
3.3.1 改进的直方图均衡化 15
3.3.2 改进的直方图均衡化效果分析 16
3.4 MAAM算法 18
3.4.1 MAAM算法的基本原理 18
3.4.2 低频处的变换 19
3.4.3 高频处的处理 21
3.4.4 MAAM算法的效果分析 22
3.5 对比度分辨率补偿算法 23
3.5.1 非线性灰度谱分级平坦化理论 24
3.5.2 非线性对比度分辨率理论 25
3.5.3 视觉补偿效果分析 27
第四章 增强效果综合分析 29
4.1 图像质量评价 29
4.1.1 信息量 29
4.1.2 相对灰度距离 30
4.1.3 平均对比度 30
4.1.4 综合质量评价函数 31
4.2 寻优视觉补偿的实现 31
4.2.1 对比度分辨率补偿过程 31
4.2.2 视觉补偿的质量评价分析 33
4.3 各算法增强效果对比 35
第五章 总结与展望 38
5.1 本文总结 38
5.2 工作展望 38
致 谢 39
参考文献 40
附 录 42
第一章 绪论
1.1 课题背景
1.1.1 视频图像处理技术发展
随着计算机技术的快速发展，使得图像处理技术广泛应用于众多的社会领域，数字图像处理（digital image processing）是用计算机对图像信息进行处理的技术，是利用计算机对图像进行各种处理的技术和方法。在20 世纪 20 年代，图像处理首次得到应用。到20 世纪 60 代中期，随着电子计算机的发展而得到普遍的应用。到了60 年代末，图像处理技术不断完善，逐渐成为一个新兴的学科。利用数字图像处理技术不仅可以用来改善图像质量，还能从图像中提取有效信息，而且可对图像进行体积压缩以便于传输和保存。数字图像处理主要研究以下的内容：傅立叶变换、小波变换等各种图像变换；采用各种方法对图像进行复原和增强；对图像进行分割、描述和识别；对图像进行编码和压缩等。随着科学技术的发展，数字图像处理也越来越广泛的应用于通讯技术、生物工程和视频监控等领域。
1.1.2 低照度视频增强技术
为了提高社会的公共安全保障，在重要场所如住宅小区、办公大楼、交通要道等都安装了监控系统，以便某些突发事件发生后，可以通过监控录像了解事发当时的具体情景。但是某些突发事件会发生在夜间，而在夜间低照度的环境下，经过摄像头采集的视频画面整体灰度值较低、图像细节模糊、对比度差、噪声干扰严重。为了解决这些问题，改善低照度图像的质量和视觉效果，或将图像转换成更适合于人眼观察或机器分析、识别的形式，以便从中获取更加有用的信息，这就需要采用低照度视频增强技术。图像增强的方法主要有两大类：一类是空域法,空域是指图像平面本身,此类方法是直接将图像中的各个像素进行处理;另一类是频域法,此类方法是将图像看作波,然后利用信号处理中的手段对图像进行处理，空域技术是基于灰度级映射变换，而频域技术的基础则是卷积定理。
1.1.3 空间域图像增强
空间域指的是组成一幅图像的所有像素总和，空间域方法指的是直接对这些像素点进行运算[1]，空间域方法可以用以下表达式表示:
g(x,y)=T[f(x,y)] （1-1）
在这里f(x,y)是输入图像，g(x,y)则是处理后的图像，而T指的是作用在
f(x,y)一些像素点上的变换操作。
比较常见的一类空间域增强算法是提高低对比度图像的对比度，多数图像在成像时，由于动态范围不够宽或图像受大气、地形等因素影响其对比度比较低。对比度变换算法主要有灰度拉伸算法和直方图均衡化算法，其中灰度拉伸分为对局部或全局的线性或非线性变换，通过变换函数处理一张图像的各个像素值，这一算法对全局的灰度值有明显的拉伸，不过比较容易造成画面质量的过饱和状态，即原像素值较高的地方会扩大。直方图方法通过统计原图像的直方图分布后做全局直方图均衡、局部直方图均衡以及其他各种变换的直方图均衡算法如平台直方图处理，这些依靠统计直方图改变分布的算法容易造成图像的噪声，提高灰度的同时模糊了部分细节，降低了图像的质量。
1.1.4 频域的图像增强
常规的频域法是将需要增强的图像进行傅立叶变换或是离散余弦变换，或是进行小波变换，然后将其与一个转移函数(根据需要可以另外设计)相乘，再将结果进行反变换得到增强后的图像，再对增强的图像进行目标提取[2]。其原理框图如下：
图1-1 频域增强原理框图
频域处理中常用的增强方法有：低通滤波,高通滤波,带通和带阻滤波，同态滤波法和Retinex的单尺度变换法。以传统的傅里叶变换作分析：
设函数f(x,y)与线性位不变算子h(x,y)的卷积结果是g(x,y),即
g(x,y)=h(x,y)*f(x,y) （1-2）
那么根据卷积定理在频域有：
G(u,v) = H(u,v)F(u,v) （1-3）
其中，G(u,v)、H(u,v)、F(u,v)分别是g(x,y)、h(x,y)、f(x,y)的傅里叶变换。在线性系统理论中，H(u,v)就是转移函数。
在具体增强的应用中，f(x,y)通常是给定的(则F(u,v)就可利用傅里叶变换直接得到),需要确定的只有H(u,v)，这样具有所需特性的g(x,y)就可以由上式计算出的G(u,v)得到：
g(x,y)=F-1[H(u,v)F(u,v)] （1-4）
式（1-4）中：F-1是傅里叶的反变换。
另外一种的主要的增强方法是Retinex的单尺度变换法。Retinex 理论作为人类视觉模型（HVS）用于解释彩色的恒常性质，它的依据就是 HVS 模型对于目标表面反射的信息非常敏感。在这一模型中，图像是由两部分组成的，一部分是场景中物体的光亮亮度，对应于图像的低频部分，另一部分是场景中物体的反射亮度，对应于图像的高频部分，通常它们也被称为亮度图像和反射图像。因此如果要从给定的图像中分离出亮度图像和反射图像，则在颜色恒定的条件下，就可以通过改变亮度图像和反射图像在原图像中的比例从而达到增强图像的目的。
图像转换成频域时，高频信息代表图像的噪声与细节，低频信息包含了图像的亮度，比如 MAAM（Method According to Aare M?llo） 算法通过提高低频部分而优化高频部分，不仅实现了全局的动态增强而保证了噪声的降低与细节的保持。
1.2 低照度图像处理研究现状
低照度图像是在光照不足的情况下产生的，图像的整体亮度很低而且像素值集中在一个很窄很低的动态范围内，使得获得的图像对比度很低且细节很难体现；同时相机在亮度不足的情况下获得的图像由于受到各种噪声的干扰，使得图像的信噪比很低，且在暗区更加明显。目前对于低照度图像的处理方法可以概括为以下几类：传统的直方图图像增强方法、基于红外辐射的方法、基于图像融合的方法和基于物理模型的方法。
（1）基于直方图均衡化方法
在对低照度图像处理的过程中使用最多的便是直方图均衡化处理，直方图均衡化方法是通过统计的方法将灰度级重新分到整个灰度级范围上，使得图像的灰度级的动态范围得到拉伸和对比度得到提高。这种方法的不足是在低照度图像增强的过程中造成图像的过度曝光以及增强细节的时将噪声放大，对于存在噪声的低照度图像不适用。
（2）基于色调映射的方法
色调映射的方法[3]是通过函数变换的方法把图像中同一位置处的灰度值变换另外一个灰度值来达到图像增强的目的。根据变换方式的不同可以分为线性变换和非线性变换。对于低照度图像来说非线性变换处理效果一般要优于线性变换，它对图像的整体效果和亮度低的区域补偿效果更好，其中常用到的非线性变换主要有韦伯映射和伽马校正等。
（3）基于红外辐射的方法
基于红外辐射的方法[4]工作原理是当比周围的温度高的时候辐射出红外线。目前基于红外技术在很多领域中应用，其中包括对低照度情况下物体的识别。这种方法在光照不足的情况下可以有效的提高物体的识别能力，特别是行人和动物。这种方法有只有当物体的温度比周围环境高的时候才有效，然而在物体的温度和其周围的温度差别不大的情况下失效，如在路上的石头等障碍物，并且这种设备由于受到价格因素和操作不方便原因一直没有得到广泛的使用。
（4）基于图像融合的方法
Raskar[5]等人通过把夜晚图像和白天图像有效的融合在一起，实现对低照度图像的增强。这种方法首先在白天光照比较充足的情况下获取图像作为背景，然后夜晚时候在同一位置获取图像，最后将夜晚图像以白天获取到的图像为背景融合来产生增强后的图像。然而这种方法只适合在固定的场景下进行，并要保持摄像机的位置不能发生位移，在场景或摄像机位置的变化都会造成融合失败，对于车载等某些移动设备由于场景时刻发生变化，因此这种方法对这些设备也失去应用价值。
Georg[6]等人通过闪光和非闪光图像对来实现低照度图像的增强。闪光图像捕捉到图像的细节，非闪光图像来获取周围环境的亮度，处理后的图像具有闪光图像细节进行且保持非闪光时候图像的亮度，然而在实际的应用中监控摄像机在大部分时间里都在处于非闪光的状况下工作。
（5）基于物理模型的方法
Bennett[7]等人针对低照度图像的特点提出了一种基于虚拟曝光的低照度图像增强模型，该模型根据低照度图像整体亮度低并且含有噪声的特点，采用双边滤波器对低照度图像中进行进行滤除并采用色调映射的方法对低照度图像的动态范围进行非线性拉伸，使得图像的噪声得到滤除并且亮度上更加适合视觉。在利用双边滤波在滤波过程中提出了相似距离的方法滤除图像中的脉冲噪声，使得图像的信息得到更大的保留。这种将传统的双边滤波和色调映射有机结合起来的方法，对低照度图像的整体效果和细节都起到很好的增强作用。
Xuan Dong[8]等人发现了低照度图像和雾图像有着非常相似的特性，都是场景辐射在传输过程中发生光线衰减，并且低照度图像反相后和雾图像更加相似，可以用大气散射模型进行描述，在此基础上利用大气散射模型实现低照度图像的恢复。由于这种方法求取到的透射率很低，在恢复之前需要对透射率进行高斯变换，而其中的三个调节参数需要通过大量实验获得，并且低照度场景发生变化时需要重新计算。
摘 要
在夜晚低照度的条件下，一般的摄像系统不能发挥出应有的作用，这给安保监控、公共交通带来不利的影响。如果可以通过图像处理算法对原始视频实现增强处理，这不仅能够解决夜晚环境对监控的影响，同时也能够节约成本，减少投资。所以针对低照度视频增强的研究具备很高的科研与市场价值。
传统的增强方法分为频域法和空域法两大类，其中空域法的代表为直方图增强法，频域法中用的较多的是基于小波变换、傅立叶变换和离散余弦变换的增强方法。传统的增强方法由于具有方法简单、效果明显等特点，许多方法已经在实际中得到广泛的应用。但是，传统的这些方法中使用了大量的假设，而研究表明算法中的假设越多，其性能越差。图像处理算法的自适应则是一种合理的解决方法，因为针对不同情况进行处理时，其假设条件会减少并且更接近实际情况。
本文针对低照度各种情况的图像进行不同方法的处理，主要有改进的直方图均衡化、MAAM算法与基于无参图像质量评价体系的补偿方法。前者是对常规直方图均衡化的改进，增强了对比度同时又保留了细节；MAAM算法则是融入了改进的直方图均衡化与改进的局部对比度图像增强，同时在频域进行处理，增强了图像也减弱了噪声影响；视觉补偿法则是采用灰度谱分级平坦化工具分析低照度图像的灰度特点，通过分析人类视觉系统特性提出的适合人眼观察的低照度图像增强方法，并通过图像客观评价三参数建立了寻优算法，使补偿后图像质量达到好的水平。
查看完整论文请+Q: 351916072
关键字:】低照度;视频;直方图均衡化;MAAM;视觉补偿
目 录
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1 课题背景 1
1.1.1 视频图像处理技术发展 1
1.1.2 低照度视频增强技术 1
1.1.3 空间域图像增强 2
1.1.4 频域的图像增强 2
1.2 低照度图像处理研究现状 3
1.3 本文主要内容 5
第二章 视频处理 6
2.1 处理平台简介 6
2.2 AVI文件简介 6
2.3 AVI文件处理 7
第三章 低照度图像增强方法 9
3.1 直方图均衡化 9
3.1.1 直方图均衡化概念 9
3.1.2 直方图均衡化算法基本原理 9
3.1.3 直方图均衡化效果分析 10
3.2 灰度拉伸 12
3.2.1 灰度拉伸概念 12
3.2.2 灰度拉伸基本原理 12
3.2.3 灰度拉伸效果分析 14
3.3 改进的直方图均衡化 15
3.3.1 改进的直方图均衡化 15
3.3.2 改进的直方图均衡化效果分析 16
3.4 MAAM算法 18
3.4.1 MAAM算法的基本原理 18
3.4.2 低频处的变换 19
3.4.3 高频处的处理 21
3.4.4 MAAM算法的效果分析 22
3.5 对比度分辨率补偿算法 23
3.5.1 非线性灰度谱分级平坦化理论 24
3.5.2 非线性对比度分辨率理论 25
3.5.3 视觉补偿效果分析 27
第四章 增强效果综合分析 29
4.1 图像质量评价 29
4.1.1 信息量 29
4.1.2 相对灰度距离 30
4.1.3 平均对比度 30
4.1.4 综合质量评价函数 31
4.2 寻优视觉补偿的实现 31
4.2.1 对比度分辨率补偿过程 31
4.2.2 视觉补偿的质量评价分析 33
4.3 各算法增强效果对比 35
第五章 总结与展望 38
5.1 本文总结 38
5.2 工作展望 38
致 谢 39
参考文献 40
附 录 42
第一章 绪论
1.1 课题背景
1.1.1 视频图像处理技术发展
随着计算机技术的快速发展，使得图像处理技术广泛应用于众多的社会领域，数字图像处理（digital image processing）是用计算机对图像信息进行处理的技术，是利用计算机对图像进行各种处理的技术和方法。在20 世纪 20 年代，图像处理首次得到应用。到20 世纪 60 代中期，随着电子计算机的发展而得到普遍的应用。到了60 年代末，图像处理技术不断完善，逐渐成为一个新兴的学科。利用数字图像处理技术不仅可以用来改善图像质量，还能从图像中提取有效信息，而且可对图像进行体积压缩以便于传输和保存。数字图像处理主要研究以下的内容：傅立叶变换、小波变换等各种图像变换；采用各种方法对图像进行复原和增强；对图像进行分割、描述和识别；对图像进行编码和压缩等。随着科学技术的发展，数字图像处理也越来越广泛的应用于通讯技术、生物工程和视频监控等领域。
1.1.2 低照度视频增强技术
为了提高社会的公共安全保障，在重要场所如住宅小区、办公大楼、交通要道等都安装了监控系统，以便某些突发事件发生后，可以通过监控录像了解事发当时的具体情景。但是某些突发事件会发生在夜间，而在夜间低照度的环境下，经过摄像头采集的视频画面整体灰度值较低、图像细节模糊、对比度差、噪声干扰严重。为了解决这些问题，改善低照度图像的质量和视觉效果，或将图像转换成更适合于人眼观察或机器分析、识别的形式，以便从中获取更加有用的信息，这就需要采用低照度视频增强技术。图像增强的方法主要有两大类：一类是空域法,空域是指图像平面本身,此类方法是直接将图像中的各个像素进行处理;另一类是频域法,此类方法是将图像看作波,然后利用信号处理中的手段对图像进行处理，空域技术是基于灰度级映射变换，而频域技术的基础则是卷积定理。
1.1.3 空间域图像增强
空间域指的是组成一幅图像的所有像素总和，空间域方法指的是直接对这些像素点进行运算[1]，空间域方法可以用以下表达式表示:
g(x,y)=T[f(x,y)] （1-1）
在这里f(x,y)是输入图像，g(x,y)则是处理后的图像，而T指的是作用在
f(x,y)一些像素点上的变换操作。
比较常见的一类空间域增强算法是提高低对比度图像的对比度，多数图像在成像时，由于动态范围不够宽或图像受大气、地形等因素影响其对比度比较低。对比度变换算法主要有灰度拉伸算法和直方图均衡化算法，其中灰度拉伸分为对局部或全局的线性或非线性变换，通过变换函数处理一张图像的各个像素值，这一算法对全局的灰度值有明显的拉伸，不过比较容易造成画面质量的过饱和状态，即原像素值较高的地方会扩大。直方图方法通过统计原图像的直方图分布后做全局直方图均衡、局部直方图均衡以及其他各种变换的直方图均衡算法如平台直方图处理，这些依靠统计直方图改变分布的算法容易造成图像的噪声，提高灰度的同时模糊了部分细节，降低了图像的质量。
1.1.4 频域的图像增强
常规的频域法是将需要增强的图像进行傅立叶变换或是离散余弦变换，或是进行小波变换，然后将其与一个转移函数(根据需要可以另外设计)相乘，再将结果进行反变换得到增强后的图像，再对增强的图像进行目标提取[2]。其原理框图如下：
图1-1 频域增强原理框图
频域处理中常用的增强方法有：低通滤波,高通滤波,带通和带阻滤波，同态滤波法和Retinex的单尺度变换法。以传统的傅里叶变换作分析：
设函数f(x,y)与线性位不变算子h(x,y)的卷积结果是g(x,y),即
g(x,y)=h(x,y)*f(x,y) （1-2）
那么根据卷积定理在频域有：
G(u,v) = H(u,v)F(u,v) （1-3）
其中，G(u,v)、H(u,v)、F(u,v)分别是g(x,y)、h(x,y)、f(x,y)的傅里叶变换。在线性系统理论中，H(u,v)就是转移函数。
在具体增强的应用中，f(x,y)通常是给定的(则F(u,v)就可利用傅里叶变换直接得到),需要确定的只有H(u,v)，这样具有所需特性的g(x,y)就可以由上式计算出的G(u,v)得到：
g(x,y)=F-1[H(u,v)F(u,v)] （1-4）
式（1-4）中：F-1是傅里叶的反变换。
另外一种的主要的增强方法是Retinex的单尺度变换法。Retinex 理论作为人类视觉模型（HVS）用于解释彩色的恒常性质，它的依据就是 HVS 模型对于目标表面反射的信息非常敏感。在这一模型中，图像是由两部分组成的，一部分是场景中物体的光亮亮度，对应于图像的低频部分，另一部分是场景中物体的反射亮度，对应于图像的高频部分，通常它们也被称为亮度图像和反射图像。因此如果要从给定的图像中分离出亮度图像和反射图像，则在颜色恒定的条件下，就可以通过改变亮度图像和反射图像在原图像中的比例从而达到增强图像的目的。
图像转换成频域时，高频信息代表图像的噪声与细节，低频信息包含了图像的亮度，比如 MAAM（Method According to Aare M?llo） 算法通过提高低频部分而优化高频部分，不仅实现了全局的动态增强而保证了噪声的降低与细节的保持。
1.2 低照度图像处理研究现状
低照度图像是在光照不足的情况下产生的，图像的整体亮度很低而且像素值集中在一个很窄很低的动态范围内，使得获得的图像对比度很低且细节很难体现；同时相机在亮度不足的情况下获得的图像由于受到各种噪声的干扰，使得图像的信噪比很低，且在暗区更加明显。目前对于低照度图像的处理方法可以概括为以下几类：传统的直方图图像增强方法、基于红外辐射的方法、基于图像融合的方法和基于物理模型的方法。
（1）基于直方图均衡化方法
在对低照度图像处理的过程中使用最多的便是直方图均衡化处理，直方图均衡化方法是通过统计的方法将灰度级重新分到整个灰度级范围上，使得图像的灰度级的动态范围得到拉伸和对比度得到提高。这种方法的不足是在低照度图像增强的过程中造成图像的过度曝光以及增强细节的时将噪声放大，对于存在噪声的低照度图像不适用。
（2）基于色调映射的方法
色调映射的方法[3]是通过函数变换的方法把图像中同一位置处的灰度值变换另外一个灰度值来达到图像增强的目的。根据变换方式的不同可以分为线性变换和非线性变换。对于低照度图像来说非线性变换处理效果一般要优于线性变换，它对图像的整体效果和亮度低的区域补偿效果更好，其中常用到的非线性变换主要有韦伯映射和伽马校正等。
（3）基于红外辐射的方法
基于红外辐射的方法[4]工作原理是当比周围的温度高的时候辐射出红外线。目前基于红外技术在很多领域中应用，其中包括对低照度情况下物体的识别。这种方法在光照不足的情况下可以有效的提高物体的识别能力，特别是行人和动物。这种方法有只有当物体的温度比周围环境高的时候才有效，然而在物体的温度和其周围的温度差别不大的情况下失效，如在路上的石头等障碍物，并且这种设备由于受到价格因素和操作不方便原因一直没有得到广泛的使用。
（4）基于图像融合的方法
Raskar[5]等人通过把夜晚图像和白天图像有效的融合在一起，实现对低照度图像的增强。这种方法首先在白天光照比较充足的情况下获取图像作为背景，然后夜晚时候在同一位置获取图像，最后将夜晚图像以白天获取到的图像为背景融合来产生增强后的图像。然而这种方法只适合在固定的场景下进行，并要保持摄像机的位置不能发生位移，在场景或摄像机位置的变化都会造成融合失败，对于车载等某些移动设备由于场景时刻发生变化，因此这种方法对这些设备也失去应用价值。
Georg[6]等人通过闪光和非闪光图像对来实现低照度图像的增强。闪光图像捕捉到图像的细节，非闪光图像来获取周围环境的亮度，处理后的图像具有闪光图像细节进行且保持非闪光时候图像的亮度，然而在实际的应用中监控摄像机在大部分时间里都在处于非闪光的状况下工作。
（5）基于物理模型的方法
Bennett[7]等人针对低照度图像的特点提出了一种基于虚拟曝光的低照度图像增强模型，该模型根据低照度图像整体亮度低并且含有噪声的特点，采用双边滤波器对低照度图像中进行进行滤除并采用色调映射的方法对低照度图像的动态范围进行非线性拉伸，使得图像的噪声得到滤除并且亮度上更加适合视觉。在利用双边滤波在滤波过程中提出了相似距离的方法滤除图像中的脉冲噪声，使得图像的信息得到更大的保留。这种将传统的双边滤波和色调映射有机结合起来的方法，对低照度图像的整体效果和细节都起到很好的增强作用。
Xuan Dong[8]等人发现了低照度图像和雾图像有着非常相似的特性，都是场景辐射在传输过程中发生光线衰减，并且低照度图像反相后和雾图像更加相似，可以用大气散射模型进行描述，在此基础上利用大气散射模型实现低照度图像的恢复。由于这种方法求取到的透射率很低，在恢复之前需要对透射率进行高斯变换，而其中的三个调节参数需要通过大量实验获得，并且低照度场景发生变化时需要重新计算。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/gdxx/472.html
