隨著專業(yè)數(shù)字成像設備的普及,數(shù)字圖像處理被廣泛應用于工業(yè)生產(chǎn)、視頻監(jiān)控、智能交通、遙感與監(jiān)控等諸多領域且在其中發(fā)揮著重要的作用。但是,圖像采集系統(tǒng)在圖像采集過程中,由于各種不可控因素的影響,特別是在室內(nèi)照明、夜間照明、陰天等不利條件下,圖像采集系統(tǒng)獲取的圖像往往會出現(xiàn)對比度比較低,動態(tài)范圍強度低,圖像暗區(qū)和亮區(qū)的細節(jié)消失等各種缺陷。因此,如何在光照條件下獲得清晰的靜止或移動圖像已成為一個需要解決的問題。為此,圖像增強技術引起了工業(yè)界和學術界的廣泛關注和重視,因為圖像增強不僅滿足了人們對視覺體驗的需求,而且提高了戶外視覺系統(tǒng)的可靠性和魯棒性,使圖像處理系統(tǒng)更容易對圖像進行分析和處理。針對日常出現(xiàn)的低光照條件下圖像難以辨識的問題,本文提出以下方法對暗光圖像增強進行了研究:1.針對當前低光照圖像增強算法出現(xiàn)的過度增強或不自然的效果,偽影等缺陷,本文結合色彩模型變換算法和卷積神經(jīng)網(wǎng)絡的特點,提出一種基于CNN的低光照圖像增強方法。與傳統(tǒng)方法不同的是,此方法引入了機器學習的方法,利用學習模型直接端到端生成增強圖像。即使用色彩模型變換算法,在輸入圖像中單獨提取亮度I分量,并利用CNN對亮度分量I進...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
    1.3 論文結構
    1.4 本章小結
第二章 相關理論
    2.1 成像過程
    2.2 圖像增強基礎理論
    2.3 傳統(tǒng)圖像増強算法
        2.3.1 灰度變換算法
        2.3.2 直方圖均衡算法
        2.3.3 Retinex圖像増強算法
        2.3.4 色彩増強算法
    2.4 圖像增強的應用領域
        2.4.1 水下圖像的增強
        2.4.2 醫(yī)學圖像的增強
        2.4.3 紅外圖像的增強
        2.4.4 霧霾圖像的增強
    2.5 本章小結
第三章 基于CNN的低光照圖像増強方法
    3.1 相關工作
        3.1.1 卷積神經(jīng)網(wǎng)絡
        3.1.2 卷積神經(jīng)網(wǎng)絡的構建塊
    3.2 基于CNN的低亮度圖像增強方法
        3.2.1 算法描述
        3.2.2 顏色空間轉(zhuǎn)換
        3.2.3 CNN網(wǎng)絡結構
    3.3 CNN的增強訓練
        3.3.1 樣本選取
        3.3.2 實驗參數(shù)
    3.4 實驗評估
        3.4.1 定性評估
        3.4.2 定量評價
    3.5 本章小結
第四章 基于Sigmoid函數(shù)低光照對比度增強
    4.1 函數(shù)的定義和顏色空間轉(zhuǎn)換
    4.2 Sigmoid函數(shù)
    4.3 基于sigmoid函數(shù)的圖像對比度增強
    4.4 實驗評估
        4.4.1 定量評估
        4.4.2 定性評估
    4.5 本章小結
第五章 結合CNN與 Retinex算法的低光照圖像增強方法
    5.1 Retinex模型
    5.2 Gamma校正的低光照圖像光照圖獲取
    5.3 結合CNN和Retinex模型的參數(shù)設置
    5.4 實驗與評估
        5.4.1 參數(shù)對比
        5.4.2 定性評估
        5.4.3 定量評估
    5.5 本章小結
第六章 總結與展望
參考文獻
致謝



本文編號：3810513