Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mạng đa quy mô kết hợp dựa trên lý thuyết Retinex để cải thiện độ sáng trong điều kiện ánh sáng yếu
Tóm tắt
Do những hạn chế của thiết bị, hình ảnh chụp trong môi trường ánh sáng yếu thường có độ tương phản thấp và tiếng ồn cao mà không có bất kỳ can thiệp thủ công nào. Những hình ảnh như vậy sẽ ảnh hưởng đến trải nghiệm thị giác và cản trở các tác vụ xử lý thị giác tiếp theo, chẳng hạn như phát hiện mục tiêu và theo dõi mục tiêu. Để giảm thiểu vấn đề này, chúng tôi đề xuất một mạng cải thiện độ sáng trong điều kiện ánh sáng yếu có kết cấu đa quy mô dựa trên lý thuyết Retinex. Mạng này bao gồm một phần phân rã và một phần cải thiện. Là một mạng kết hợp, các phần phân rã và cải thiện bị ràng buộc lẫn nhau, và các tham số được cập nhật đồng thời để kết quả xử lý hình ảnh có độ chi tiết tuyệt vời hơn. Thuật toán của chúng tôi tránh được việc tách rời và tái kết hợp giữa phân rã và cải thiện. Do đó, thông tin ít bị mất trong quá trình xử lý hình ảnh trong điều kiện ánh sáng yếu, và kết quả cải thiện của thuật toán đề xuất rất gần với thực tế. Hơn nữa, trong phần cải thiện, chúng tôi áp dụng một mạng đa quy mô để trích xuất đầy đủ các đặc trưng của hình ảnh. Mạng đa quy mô duy trì sự cân bằng giữa độ sáng toàn cầu và cục bộ của hình ảnh chiếu sáng. Lý thuyết Retinex có thể giải quyết hiệu quả vấn đề khuếch đại tiếng ồn và biến dạng màu sắc. Đồng thời, chúng tôi đã thêm mất màu để giải quyết vấn đề biến dạng màu, giúp kết quả cải thiện gần giống hơn với hình ảnh trong điều kiện ánh sáng bình thường về màu sắc. Các kết quả cải thiện trực quan rất xuất sắc, và tỷ lệ tín hiệu đỉnh trên tiếng ồn và chỉ số tương đồng cấu trúc cũng phản ánh độ tin cậy của thuật toán.
Từ khóa
#cải thiện độ sáng trong điều kiện ánh sáng yếu #lý thuyết Retinex #mạng đa quy mô #xử lý hình ảnh #khôi phục hình ảnhTài liệu tham khảo
Maini, R., Aggarwal, H.: A comprehensive review of image enhancement techniques (2010). arXiv preprint arXiv:1003.4053
Pisano, E.D., Zong, S., Hemminger, B.M., DeLuca, M., Johnston, R.E., Muller, K., Braeuning, M.P., Pizer, S.M.: Contrast limited adaptive histogram equalization image processing to improve the detection of simulated spiculations in dense mammograms. J. Digit. Imaging 11(4), 193 (1998)
Dong, X., Wang, G., Pang, Y., Li, W., Wen, J., Meng, W., Lu, Y.: Fast efficient algorithm for enhancement of low lighting video. In: Proceedings of IEEE International Conference on Multimedia and Expo, pp. 1–6 (2011)
Land, E.H., McCann, J.J.: Lightness and Retinex theory. Josa 61(1), 1–11 (1971)
Jobson, D.J., Rahman, Z.U., Woodell, G.A.: Properties and performance of a center/surround retinex. IEEE Trans. Image Process. 6(3), 451–462 (1997)
Jobson, D.J., Rahman, Z.U., Woodell, G.A.: A multiscale retinex for bridging the gap between color images and the human observation of scenes. IEEE Trans. Image Process. 6(7), 965–976 (1997)
Fu, X., Zeng, D., Huang, Y., Zhang, X.P., Ding, X.: A weighted variational model for simultaneous reflectance and illumination estimation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2782–2790 (2016)
Guo, X., Li, Y., Ling, H.: Lime: low-light image enhancement via illumination map estimation. IEEE Trans. Image Process. 26(2), 982–993 (2016)
Li, X., Song, D., Dong, Y.: Hierarchical feature fusion network for salient object detection. IEEE Trans. Image Process. 29, 9165–9175 (2020)
Liu, L., Cao, J.: End-to-end learning interpolation for object tracking in low frame-rate video. IET Image Process. 14(6), 1066–1072 (2020)
Lore, K.G., Akintayo, A., Sarkar, S.: Llnet: a deep autoencoder approach to natural low-light image enhancement. Pattern Recognit. 61, 650–662 (2017)
Ignatov, A., Kobyshev, N., Timofte, R., Vanhoey, K., Van Gool, L.: Wespe: weakly supervised photo enhancer for digital cameras. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp. 691–700 (2018)
Ren, W., Liu, S., Ma, L., Xu, Q., Xu, X., Cao, X., Du, J., Yang, M.H.: Low-light image enhancement via a deep hybrid network. IEEE Trans. Image Process. 28(9), 4364–4375 (2019)
Ibrahim, H., Kong, N.S.P.: Brightness preserving dynamic histogram equalization for image contrast enhancement. IEEE Trans. Consum. Electron. 53(4), 1752–1758 (2007)
Wang, C., Ye, Z.: Brightness preserving histogram equalization with maximum entropy: a variational perspective. IEEE Trans. Consum. Electron. 51(4), 1326–1334 (2005)
Chen, S.D., Ramli, A.R.: Minimum mean brightness error bi-histogram equalization in contrast enhancement. IEEE Trans. Consum. Electron. 49(4), 1310–1319 (2003)
Reza, A.M.: Realization of the contrast limited adaptive histogram equalization (clahe) for real-time image enhancement. J. VLSI Signal Process. Syst. Signal Image Video Technol. 38(1), 35–44 (2004)
Stark, J.A.: Adaptive image contrast enhancement using generalizations of histogram equalization. IEEE Trans. Image Process. 9(5), 889–896 (2000)
Li, L., Wang, R., Wang, W., Gao, W.: A low-light image enhancement method for both denoising and contrast enlarging. In: Proceedings of International Conference on Image Processing, pp. 3730–3734 (2015)
Shen, L., Yue, Z., Feng, F., Chen, Q., Liu, S., Ma, J.: Msr-net: low-light image enhancement using deep convolutional network (2017). arXiv preprint arXiv:1711.02488
Lee, C.H., Shih, J.L., Lien, C.C., Han, C.C.: Adaptive multiscale retinex for image contrast enhancement. In: Proceedings of International Conference on Signal-Image Technology and Internet-Based Systems, pp. 43–50 (2013)
Wang, R., Zhang, Q., Fu, C.W., Shen, X., Zheng, W.S., Jia, J.: Underexposed photo enhancement using deep illumination estimation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 6849–6857 (2019)
Chen, C., Chen, Q., Xu, J., Koltun, V.: Learning to see in the dark. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3291–3300 (2018)
Yang, W., Zhang, X., Tian, Y., Wang, W., Xue, J.H., Liao, Q.: Deep learning for single image super-resolution: a brief review. IEEE Trans. Multimed. 21(12), 3106–3121 (2019)
Cai, J., Gu, S., Zhang, L.: Learning a deep single image contrast enhancer from multi-exposure images. IEEE Trans. Image Process. 27(4), 2049–2062 (2018)
Zhang, Y., Zhang, J., Guo, X.: Kindling the darkness: a practical low-light image enhancer. In: Proceedings of the ACM International Conference on Multimedia, pp. 1632–1640 (2019)
Wei, C., Wang, W., Yang, W., Liu, J.: Deep retinex decomposition for low-light enhancement (2018). arXiv preprint arXiv:1808.04560
Gharbi, M., Chen, J., Barron, J.T., Hasinoff, S.W., Durand, F.: Deep bilateral learning for real-time image enhancement. ACM Trans. Graph. 36(4), 1–12 (2017)
Ignatov, A., Kobyshev, N., Timofte, R., Vanhoey, K., Van Gool, L.: Dslr-quality photos on mobile devices with deep convolutional networks. In: Proceedings of the IEEE International Conference on Computer Vision, pp. 3277–3285 (2017)
Li, M., Liu, J., Yang, W., Sun, X., Guo, Z.: Structure-revealing low-light image enhancement via robust retinex model. IEEE Trans. Image Process. 27(6), 2828–2841 (2018)
Xiaochu, W., Guijin, T., Xiaohua, L., Ziguan, C., Suhuai, L.: Low-light color image enhancement based on nsst. J. China Univ. Posts Telecommun. 5, 6 (2019)
Ying, Z., Li, G., Ren, Y., Wang, R., Wang, W.: A new low-light image enhancement algorithm using camera response model. In: Proceedings of the IEEE International Conference on Computer Vision Workshops, pp. 3015–3022 (2017)
Ying, Z., Li, G., Ren, Y., Wang, R., Wang, W.: A new image contrast enhancement algorithm using exposure fusion framework. In: Proceedings of International Conference on Computer Analysis of Images and Patterns, pp. 36–46 (2017)