7个研究背景和意义示例,教你写计算机低照度图像增强论文

今天分享的是关于低照度图像增强的7篇计算机毕业论文范文, 如果你的论文涉及到低照度图像增强等主题,本文能够帮助到你

基于神经网络和注意力机制的低照度图像增强算法研究

这是一篇关于低照度图像增强,卷积神经网络,转通道策略,注意力机制,多尺度特征金字塔的论文, 主要内容为随着摄影技术的不断发展,图像的分辨率得到了显著提高。然而在采集和拍摄的过程中,图像往往由于诸多不可控制因素如室内、夜间或阴天等出现亮度不足、颜色失真、细节丢失和低信噪比等问题。为了应对这些问题,低照度图像增强(Low Light Image Enhancement,简称LLIE)技术应运而生,该技术旨在生成高质量、适宜亮度和细节清晰的正常光图像,从而提高图像的视觉效果和可用性。本文将基于神经网络和注意力机制方法,从以下几个方面研究低照度图像增强任务。(1)为了解决现有算法难以同时处理亮度信息和颜色信息导致图像增强结果存在颜色失真的问题,本文提出了一种融合U-Net和颜色校正模型的低照度图像增强算法。针对低对比度、低信噪比和低光场景下的颜色偏差问题,采取了转换颜色通道的策略,将原始RGB图像分解为亮度和颜色分量。然后通过U-Net网络增强亮度分量,同时借助颜色校正网络(CC-Net)来改善颜色分量。最后,将增强后的亮度分量和颜色分量重新转换回RGB色彩空间以获得增强图像。实验结果表明,该算法充分利用图像的亮度和颜色信息,有效地提高图像亮度、减少颜色失真,并在视觉效果和客观评估指标方面优于比较算法。(2)为了解决现有算法难以自适应处理分布不均匀的亮度和噪声而导致增强结果曝光不均匀问题,本文提出了一种基于LAB色彩空间和多尺度特征金字塔的低照度图像增强算法。该算法将整个增强过程分为两个步骤,首先将输入图像从RGB颜色空间转换到LAB色彩空间,通过L通道的亮度分量计算出光照注意力图,进一步通过膨胀卷积扩大感受野从而生成噪声注意力图。随后利用两张注意力图自适应地在多尺度特征金字塔网络中增强亮度和去除噪声。实验结果表明,该算法能够有效改善低照度图像中曝光不均的问题,并减少不必要的噪声。在不同的数据集上进行的对比实验也表明,本文算法增强效果更加贴合人眼对图像的视觉感知。

基于深度学习的电力设备红外图像智能检测算法研究

这是一篇关于电力设备红外图像,数据扩充,低照度图像增强,目标检测的论文, 主要内容为复杂环境下长期运行的电力设备可能会导致设备本体温度升高引发设备故障,异常发热现象是运行中的设备故障的经典表现之一,实现电力设备异常发热状态的检测和处理,对于维护系统安全运行、发现和应对潜在事故是十分必要和重要的。红外图像检测是一种有效的电力设备异常发热检测的方法,本文以电力设备红外图像为基础数据,从图像数据扩充、低照度图像增强和目标检测三个方面讨论电力设备红外图像智能化检测问题。(1)图像数据扩充方面,提出一种基于有监督单样本电力设备红外图像组合扩充方法,组合扩充是关键内容。在单样本扩充上,针对传统单样本扩充方法会使扩充后的图像存在大量冗余信息和相似特征,导致训练发生过闭合的问题,本文基于有监督单样本扩充方法中的翻转、随机裁剪、缩放、对比度和加噪五种方法展开对比实验并进行分析。实验表明,双重组合扩充方法的效果优于任何单一扩充方法,且在三种组合扩充方法中对比度+翻转和对比度+加噪是效果最好的组合扩充方法。(2)低照度图像增强方面,提出一种基于改进Retinex-Net的电力设备低照度红外图像增强方法,包括Retinex-Net的改进和超像素分割、重构两个关键内容。1)在网络改进上,针对原始红外图像亮度低、目标细节不清晰、传统增强方法无法自适应调整不同亮度区域的问题,通过改进网络平滑损失函数,并添加自适应亮度校正和分量融合模块,提出基于改进Retinex-Net的电力设备低照度红外图像的初步增强;2)在超像素分割及重构方面,针对初步增强后图像前景与背景对比度不明显的问题,引入超像素分割和重构的方法,首先采用最大相似度区域合并算法(maximal similarity based region merging,MSRM)和能量驱动采样超像素提取法(Super-pixels Extracted via Energy-Driven Sampling,SEEDS)的超像素分割方法提取初步增强的红外图像中的感兴趣目标,然后再通过混合式引导滤波的多尺度红外图像融合方法对提取的目标图像进行重构得到最终的增强图像。实验表明,所提增强方法在提高图像亮度的同时不会引起颜色产生明显的偏移和畸变、较清晰的保留了图像细节,提升图像的综合质量,而且有助于提高目标检测模型的精度。(3)目标检测方面,提出一种基于迁移学习的改进YOLO xs电力设备红外图像目标检测方法,检测网络改进是关键内容。针对传统YOLO xs网络虽然具有较小的模型,但检测精度偏低的问题,本文从迁移学习、特征提取和损失函数三方面着手提出相应的改进策略。实验表明,使用迁移学习可有效提高模型的学习速度;为特征融合层的尾部添加自适应空间特征融合模块(Adaptively Spatial Feature Fusion,ASFF),能够过滤无用信息而保留有用信息并进行整合,提高多尺度的特征融合能力;改进网络的置信度损失和定位损失函数,可进一步提高模型的检测精度和速度。

基于图像增强的隧道暗环境目标识别算法的研究

这是一篇关于低照度图像增强,目标识别,U-Net,循环生成对抗网络,Faster R-CNN的论文, 主要内容为隧道缺陷检测是目前隧道养护的重要一环,但受到隧道内低照度光源的影响,采集图像存在亮度低、细节信息不明显等问题。而现有的低照度图像增强算法恢复图像往往会出现颜色失真、微小细节信息丢失等情况,导致整体视觉效果较差,不利于后续处理任务的进行。本文针对隧道低照度采集图像设计了两种增强算法,并提出一套隧道复杂暗环境缺陷检测方案,具体内容如下:1.设计基于U-Net网络的HSV空间低照度图像增强算法。首先将图像从RGB空间转换至HSV空间,减弱图像色彩信息与亮度信息之间的强关联性,然后单独对亮度分量V做增强处理避免出现颜色失真问题;利用改进U-Net网络同层特征跳跃连接的结构特性,提取图像亮度分量V的深层特征,有效避免算法前向传播以及梯度更新导致的特征丢失问题;同时使用引导滤波算法增强图像边缘轮廓信息,解决图像增强后的细节信息丢失问题,并通过拉普拉斯锐化算法提升图像对比度以增强细节纹理信息;最后将增强的特征分量转换为亮度合适细节信息丰富的RGB增强图像。利用算法增强后图像客观指标增长量分别为AG:6.815、EN:2.065、PSNR:10.526、SSIM:0.719。2.设计基于U-Net的多分支循环生成对抗网络低照度增强算法。采用循环生成对抗网络进行无监督训练增强图像,无需配对的低质量与高质量图像数据集,能有效避免隧道暗环境成对图像采集困难的问题。设计多分支生成器结构进行输入图像特征提取,将改进的U-Net网络作为生成器主分支,解决图像亮度提升有限的问题,且其中添加通道注意力模块ECA模型有效增强图像深层细节信息,同时设计残差卷积网络模型作为生成器辅助分支提取图像浅层特征信息;采用全局与局部相结合鉴别器模型对生成图像特征“真实性”进行全面判别;经过生成器与鉴别器不断相互对抗学习,最终生成器能够生成具有良好视觉效果的高质量图像。3.为验证增强算法实用性,设计基于图像增强的隧道暗环境缺陷检测系统。首先对隧道采集的原始低照度图像进行增强处理,提高图像质量增强可读性,制作高质量目标识别数据集,保证后续缺陷检测任务有效展开;然后以Faster R-CNN算法为检测系统主体模型,通过前期所得数据集进行识别训练,得到满足任务要求的高精度缺陷检测系统;最后设计交互界面,直观展示算法对隧道缺陷的检测效果。

基于图像增强的隧道暗环境目标识别算法的研究

基于FPGA+DSP的低照度视频图像处理系统关键技术研究

这是一篇关于低照度图像增强,边缘线段检测,FPGA,DSP,图像处理系统的论文, 主要内容为在地下、夜晚、阴天、逆光等非理想而又无法避开的拍摄条件下,由成像设备得到的图像存在亮度低、细节缺失等问题,严重影响视觉感知质量和后续使用。针对以上问题,本文开展了低照度图像增强、关键目标边缘线段检测等算法研究,并基于上述算法设计和实现了一个基于FPGA+DSP的低照度视频图像处理系统。主要研究内容如下:(1)根据系统数据逻辑处理以及计算需求,设计了基于FPGA+DSP的低照度视频图像处理系统的总体方案。其中包括:系统硬件平台整体方案设计、系统关键参数的设计以及系统主要接口模块的设计;(2)针对低照度图像细节缺失、对比度和亮度低等问题,设计了一种基于Retinex理论模型的图像增强算法。该算法通过对图像亮度分量进行高斯低通滤波来估计亮度衰减系数。通过图像信息熵计算高斯滤波参数,有效地避免了图像增强后的亮度过饱和现象。利用全局灰度均值对增强前后的亮度分量进行加权融合在增强图像细节的同时抑制了噪声放大,避免了光晕效应等问题。针对目标定位对于边缘线段检测算法的边缘线段连续性以及无效线段检出率控制的要求。设计了一种基于图像的局部梯度方向一致性和Helmholtz原理的边缘线段检测算法。利用图像的局部梯度方向一致性和最小二乘法提取候选直线。通过利用候选直线上节点间图像的梯度密度并结合Helmholtz原理提取目标的边缘线段。该算法显著地提升了目标边缘线段的连续性,同时有效地控制了无效线段的检出率。之后根据FPGA与DSP的数据处理特点和视频图像数据帧间相关性完成了上述算法在FPGA与DSP上实现的硬件逻辑以及软件程序的设计;(3)利用Modelsim对FPGA关键模块进行了逻辑功能验证。基于Quartus II和CCS6.0对系统进行了板级验证和性能分析。实验结果表明,本文设计的低照度视频图像处理系统各模块功能满足工作要求,而且具有较强的实时性和稳定性。

基于深度学习的低照度图像增强技术的研究

这是一篇关于低照度图像增强,深度学习,注意力机制,生成对抗网络,Retinex理论的论文, 主要内容为不良照明环境下拍摄的照片存在图像整体偏暗、细节信息被暗光遮挡、颜色失真、对比度低、低信噪比以及动态范围受限等问题,这类图像视觉质量差,导致人们对图像信息的理解产生偏差,从而不利于观察和分析。截至目前,低照度图像增强领域已经取得了一系列成果,但在实际应用中仍然面临一些不足和挑战。针对低照度图像由于光线不足或不均匀导致的亮度低、暗部细节缺失问题,以及图像出现大片噪声、色彩失真问题,本文基于深度学习算法对低照度图像增强展开研究,具体研究内容如下:1、本文提出了一种融合了卷积注意模块的生成器结合双重鉴别器的生成对抗网络(Attention U-Net Dual Discriminator-Generative Adversarial Networks,AUDDGAN)。首先,加入卷积注意模块(Convolutional Block Attention Module,CBAM)对U-Net网络进行改进,并作为生成网络对浅层特征和深层特征进行提取以获取更丰富的细节信息,有效避免了过度曝光以及曝光不足导致的图像失真问题;然后,采用全局-局部结构的双重鉴别器,其中将Patch GAN作为局部鉴别器,针对性地对图像中局部区域进行鉴别;最后,改进并结合多个损失函数作为联合损失函数。实验结果证明,相较于现有算法,AUDD-GAN算法有效提高了低照度图像的亮度和对比度,图像表现出更自然的视觉效果。2、本文基于Retinex理论,提出了一种联合Retinex-Net与AUDD-GAN的低照度图像增强算法。首先,将低照度图片分解为光照分量和反射分量,然后,利用卷积神经网络的自适应性学习图像噪声分布特征,去除反射图噪声,进一步提高了图像质量。同时,通过融合了卷积注意模块的U-Net模型对光照图进行增强,更加准确地捕捉图像中的细节和纹理信息。最后,合成调整过的光照分量和反射分量得到增强后的图像,并通过判别网络对抗学习的方式进行训练。实验结果证明,该算法在提高去噪性能的同时,有效地增强了亮度和对比度,使得处理后的图像在很大程度上接近正常光照条件下的图像。

基于GAN的田野文物低照度图像增强研究

这是一篇关于低照度图像增强,生成对抗网络,多尺度判别器,注意力机制的论文, 主要内容为图像数据作为存储信息的重要媒介,在计算机视觉、安全监控和医学检查等领域中得到广泛使用。然而,在夜间拍摄或光线不足的环境下,收集到的低照度图像所记录的信息会严重丢失,影响数据的使用。尤其在田野文物安防领域,这些夜间拍摄的图像视觉效果极差,容易产生如亮度不足、高噪声、细节部分模糊不清等问题,无法直接获取到清晰可用的图像,不利于文物安全的防护。为了提高光照不足场景下数据的视觉感知质量以获取更多信息,低照度图像增强技术应运而生。因此,本文针对田野文物低照度图像增强技术进行研究,旨在通过研究算法来提升图像亮度、恢复图像颜色和细节信息、提高泛化能力等,为完成更高层级的图像视觉任务打好基础。本文的主要工作内容如下:(1)在现有EnlightenGAN模型基础上,提出一种基于注意力机制的生成对抗网络模型ULEGAN来恢复图像的亮度和细节。对生成网络部分进行改进,使用U-Net++网络结构能够在提取深层特征的同时提取浅层特征,使不同尺寸特征图之间信息传递更加充分,提高模型的性能。此外,使用一种新的亮度注意力机制计算方法,以更好地引导模型增强暗区域,避免过度增强明亮区域。通过设计不同的对比实验,将本章算法与几种常用的基于深度学习的增强算法进行比较,在人类主观视觉和客观评价指标中均取得了良好的效果,和Enlighten GAN算法相比,恢复的图像无论是在亮度还是内容恢复方面均有所提升。(2)针对ULEGAN存在的问题,对其进一步改进。首先,生成网络部分使用U-Net3+网络结构,减少了中间增加的节点,简化了模型结构。同时,让每一个解码器层都融合来自同尺度、大尺度和编码器的小尺度特征图,使得网络结构能够捕捉全尺度的特征图信息,探索到足够的信息。其次,判别网络部分使用多判别器网络结构代替原始判别网络,通过对不同尺度的图像特征进行检验,能够解决图像颜色和纹理恢复不佳的问题。多判别器网络结构由颜色判别器、纹理判别器、多尺度判别器三个部分组成,其中颜色判别器关注图像的颜色部分,用来保证生成图像的颜色更加接近真实图像,纹理判别器则重点关注生成图像边缘的清晰程度。最后,损失函数部分使用组合损失函数可以让本模型捕获更多的图像内容,以期获得更好的低照度增强效果。通过实验表明,本章算法在视觉感官上取得了最佳的效果,增强后的图像亮度、色彩恢复、细节信息等得到了最大程度的恢复,客观评价指标上同样优于其他的算法。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站，原文地址：https://m.bishedaima.com/lunwen/54224.html