本文汇总了暗态图像增强算法，包括传统方法如直方图处理、伽马校正，基于光照的Retinex理论及其实现如SSR、MSR，还介绍了深度学习方法如MSR-net、Retinex-Net和KinD++，展示了从传统到现代技术在图像处理领域的应用。
暗态图像增强算法汇总
为了实现低光照条件下获取的图像进行色彩对比度增强及降噪，需要引入暗态图像处理方法。其中主流的算法大致可以即普通方法、基于光照的方法以及基于深度学习的方法三类。
传统方法
传统的暗态图像处理方法主要有直方图处理以及伽马均衡等方法。对于一个处在暗光条件下的图像，其所对应的直方图分布主要集中在低亮度的区间。针对直方图概率密度函数进行重新伸缩变换就可以重新映射得到亮度分布符合自然光照条件的图像。
针对直方图均衡后的结果可以根据对应的变换函数得到增强之后的图像。
直方图匹配看似简单易行，但同时也会产生一系列问题。匹配后的图像有可能因为灰度级移至较高的一侧而出现对比度衰减，这时可以使用直方图规定化（直方图匹配）来解决此类问题。
伽马校正也是一种传统的图像处理方法。它的提出来源于CRT显示器电流与显像管亮度大小非线性变换的关系。CRT显示器亮度 V o u t V_{out} Vout与 V i n V_{in} Vin满足 V o u t = V i n γ V_{out}=V_{in}^{\gamma} Vout=Vinγ。为了得到线性的输入输出关系，需要在原先 V i n V_{in} Vin
最低0.47元/天 解锁文章
8668
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
