基于卷积神经网络的低光照图像增强算法研究

发布时间：2023-05-07 06:59

　　随着专业数字成像设备的普及,数字图像处理被广泛应用于工业生产、视频监控、智能交通、遥感与监控等诸多领域且在其中发挥着重要的作用。但是,图像采集系统在图像采集过程中,由于各种不可控因素的影响,特别是在室内照明、夜间照明、阴天等不利条件下,图像采集系统获取的图像往往会出现对比度比较低,动态范围强度低,图像暗区和亮区的细节消失等各种缺陷。因此,如何在光照条件下获得清晰的静止或移动图像已成为一个需要解决的问题。为此,图像增强技术引起了工业界和学术界的广泛关注和重视,因为图像增强不仅满足了人们对视觉体验的需求,而且提高了户外视觉系统的可靠性和鲁棒性,使图像处理系统更容易对图像进行分析和处理。针对日常出现的低光照条件下图像难以辨识的问题,本文提出以下方法对暗光图像增强进行了研究:1.针对当前低光照图像增强算法出现的过度增强或不自然的效果,伪影等缺陷,本文结合色彩模型变换算法和卷积神经网络的特点,提出一种基于CNN的低光照图像增强方法。与传统方法不同的是,此方法引入了机器学习的方法,利用学习模型直接端到端生成增强图像。即使用色彩模型变换算法,在输入图像中单独提取亮度I分量,并利用CNN对亮度分量I进...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状
    1.3 论文结构
    1.4 本章小结
第二章 相关理论
    2.1 成像过程
    2.2 图像增强基础理论
    2.3 传统图像増强算法
        2.3.1 灰度变换算法
        2.3.2 直方图均衡算法
        2.3.3 Retinex图像増强算法
        2.3.4 色彩増强算法
    2.4 图像增强的应用领域
        2.4.1 水下图像的增强
        2.4.2 医学图像的增强
        2.4.3 红外图像的增强
        2.4.4 雾霾图像的增强
    2.5 本章小结
第三章 基于CNN的低光照图像増强方法
    3.1 相关工作
        3.1.1 卷积神经网络
        3.1.2 卷积神经网络的构建块
    3.2 基于CNN的低亮度图像增强方法
        3.2.1 算法描述
        3.2.2 颜色空间转换
        3.2.3 CNN网络结构
    3.3 CNN的增强训练
        3.3.1 样本选取
        3.3.2 实验参数
    3.4 实验评估
        3.4.1 定性评估
        3.4.2 定量评价
    3.5 本章小结
第四章 基于Sigmoid函数低光照对比度增强
    4.1 函数的定义和颜色空间转换
    4.2 Sigmoid函数
    4.3 基于sigmoid函数的图像对比度增强
    4.4 实验评估
        4.4.1 定量评估
        4.4.2 定性评估
    4.5 本章小结
第五章 结合CNN与 Retinex算法的低光照图像增强方法
    5.1 Retinex模型
    5.2 Gamma校正的低光照图像光照图获取
    5.3 结合CNN和Retinex模型的参数设置
    5.4 实验与评估
        5.4.1 参数对比
        5.4.2 定性评估
        5.4.3 定量评估
    5.5 本章小结
第六章 总结与展望
参考文献
致谢



本文编号：3810513