隨著專業(yè)數(shù)字成像設(shè)備的普及,數(shù)字圖像處理被廣泛應(yīng)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(lǐng)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(huì)出現(xiàn)對(duì)比度比較低,動(dòng)態(tài)范圍強(qiáng)度低,圖像暗區(qū)和亮區(qū)的細(xì)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(dòng)圖像已成為一個(gè)需要解決的問題。為此,圖像增強(qiáng)技術(shù)引起了工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注和重視,因?yàn)閳D像增強(qiáng)不僅滿足了人們對(duì)視覺體驗(yàn)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(duì)圖像進(jìn)行分析和處理。針對(duì)日常出現(xiàn)的低光照條件下圖像難以辨識(shí)的問題,本文提出以下方法對(duì)暗光圖像增強(qiáng)進(jìn)行了研究:1.針對(duì)當(dāng)前低光照?qǐng)D像增強(qiáng)算法出現(xiàn)的過度增強(qiáng)或不自然的效果,偽影等缺陷,本文結(jié)合色彩模型變換算法和卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn),提出一種基于CNN的低光照?qǐng)D像增強(qiáng)方法。與傳統(tǒng)方法不同的是,此方法引入了機(jī)器學(xué)習(xí)的方法,利用學(xué)習(xí)模型直接端到端生成增強(qiáng)圖像。即使用色彩模型變換算法,在輸入圖像中單獨(dú)提取亮度I分量,并利用CNN對(duì)亮度分量I進(jìn)...

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)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(jié)構(gòu)
    1.4 本章小結(jié)
第二章 相關(guān)理論
    2.1 成像過程
    2.2 圖像增強(qiáng)基礎(chǔ)理論
    2.3 傳統(tǒng)圖像増強(qiáng)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(qiáng)算法
        2.3.4 色彩増強(qiáng)算法
    2.4 圖像增強(qiáng)的應(yīng)用領(lǐng)域
        2.4.1 水下圖像的增強(qiáng)
        2.4.2 醫(yī)學(xué)圖像的增強(qiáng)
        2.4.3 紅外圖像的增強(qiáng)
        2.4.4 霧霾圖像的增強(qiáng)
    2.5 本章小結(jié)
第三章 基于CNN的低光照?qǐng)D像増強(qiáng)方法
    3.1 相關(guān)工作
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建塊
    3.2 基于CNN的低亮度圖像增強(qiáng)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(luò)結(jié)構(gòu)
    3.3 CNN的增強(qiáng)訓(xùn)練
        3.3.1 樣本選取
        3.3.2 實(shí)驗(yàn)參數(shù)
    3.4 實(shí)驗(yàn)評(píng)估
        3.4.1 定性評(píng)估
        3.4.2 定量評(píng)價(jià)
    3.5 本章小結(jié)
第四章 基于Sigmoid函數(shù)低光照對(duì)比度增強(qiáng)
    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(duì)比度增強(qiáng)
    4.4 實(shí)驗(yàn)評(píng)估
        4.4.1 定量評(píng)估
        4.4.2 定性評(píng)估
    4.5 本章小結(jié)
第五章 結(jié)合CNN與 Retinex算法的低光照?qǐng)D像增強(qiáng)方法
    5.1 Retinex模型
    5.2 Gamma校正的低光照?qǐng)D像光照?qǐng)D獲取
    5.3 結(jié)合CNN和Retinex模型的參數(shù)設(shè)置
    5.4 實(shí)驗(yàn)與評(píng)估
        5.4.1 參數(shù)對(duì)比
        5.4.2 定性評(píng)估
        5.4.3 定量評(píng)估
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
致謝



本文編號(hào)：3810513