暗光图像增强技术在矿用小型终端中的应用

目前矿山行业所使用的图像采集终端为手机、照相机、摄像机等小型图像记录设备,在暗光低照环境下采集的图像存在清晰度低、亮度低、图像失真和大量噪点等问题。为满足在矿山等低照度环境下采集到彩色清晰的图像的需求,通过开发低照图像去噪和低照图像增强算法软件、研究摄像头驱动、设计小型化大通光量摄像头模组,论文创新性的提出了应用于矿用手持终端的暗光成像技术,以及在相同的低照环境下与传统手持记录设备实验对比,得出本文所设计的暗光成像技术能有效抑制图像失真、图像噪点大问题,图像清晰度和亮度显著提高。

一种自适应去噪保真的无监督暗光图像增强模型

暗光环境下成像往往受到低照度和成像噪声等多种因素干扰,所得图片的视觉质量往往较低。当前各类暗光增强方法多侧重于改善可视度,却常忽略了保持增强结果真实感这一同样重要的目标。为解决该问题,提出了一种自适应去噪保真的无监督暗光图像增强方法,旨在高效便捷地实现改善图像可视度和去噪保真两个目标。模型由暗光增强阶段和去噪保真阶段组成。在暗光增强阶段,构建无监督图像分解模块和光照增强模块,实现改善可视度的目标;在去噪保真阶段,基于前一阶段所得的光照分布来自动构造成对训练数据,驱动去噪模块抑制原本昏暗处的噪声并保持原本明亮处的细节,实现增强结果保真的目标。实验结果表明,相比其他暗光增强方法,所提方法在改善可视度和去噪保真之间能够取得良好的均衡。该模型无须事先采集或准备“昏暗-明亮”成对图像来进行训练,且具有较小的模型尺寸和较快的计算速度,实用性良好。

基于Retinex-Net的集气站指针仪表暗光图像增强方案

集气站在引入巡检机器人进行仪表检测与识别任务时,对图像质量及处理实时性要求较高,但实际工作过程中因光照、遮挡等因素,经常拍摄到难以识别的暗光图像,传统暗光增强方法难以同时满足增强效果与实时性需求。基于Retinex理论及神经网络,文中引入Retinex-Net,在集气站实地拍摄的正常光/暗光图像集上进行测试,实现对暗光仪表图像的增强,在恢复仪表的真实色彩的同时尽可能的保留指针等细节信息。将该算法与CLAHE、MSRCR、AutoMSRCR算法在处理效果与处理速度上进行了对比,分析了Retinex-Net用于暗光仪表图像增强的优越性;对比处理前后仪表图像读数情况,证明了算法的实用性与鲁棒性。

基于低秩矩阵估计的暗光图像增强模型

在暗光或逆光拍照时,获得的图像常常出现过暗或光照分布不均的现象,导致图像视觉质量较差。基于Retinex模型的暗光增强模型能实现有效地光照增强。但此类暗光增强模型也存在一些问题,即待处理图像中暗光区域的可视度虽然得到了有效改善,但其中隐藏的噪声也被放大和凸显,依旧影响了增强结果的视觉质量。为解决这一问题,构建了基于低秩矩阵估计的暗光图像增强模型。首先,构建包含噪声项的Retinex模型并对其进行交替优化,将暗光图像分解为光照层Ⅰ以及反射层R。在这一过程中,利用低秩矩阵估计实现了对R层的噪声抑制。其次,考虑到在去噪过程中产生的图像细节被模糊的问题,进一步利用光照层Ⅰ作为导向图,来融合包含和不包含去噪效果的两种增强图像,实现兼顾噪声抑制和图像原有细节保持的效果。与多种类型的暗光增强方法进行对比,所提模型在直观视觉比较和客观量化指标比较方面均取得了较好的结果。

基于结构与细节层分解的暗光照图像增强模型

暗光增强是一项重要的图像后处理技术,有助于改善图像的可视度;基于自编码器网络的方法能有效地改善图像的光照,但容易丢失细节信息。考虑到暗光增强旨在改变图像的光照分布而非局部纹理细节,文章提出了将大尺度图像结构和小尺度图像细节分而治之的思路:利用边缘保持滤波器将图像结构层和细节层进行分解,仅利用自编码器网络来处理图像结构层,而对图像细节层加以保留。为实现高效的图像结构-细节分解,提出了一种改进的保边缘滤波器,构建了总变分模型,并设计了基于快速傅里叶变换的快速计算方法。实验表明,该模型在有效改善暗光图像可视度的前提下,比传统自编码器网络方法更好地保持了图像细节信息。

基于重参数化多尺度融合网络的高效极暗光原始图像降噪

实用的暗光降噪增强解决方案往往需要具备计算速度快、内存效率高、能够实现视觉上高质量的降噪等优点。现有方法大多以提升降噪质量为目标,因此在速度和内存要求上有所折中,这在很大程度上限制了其实用性。文中提出了一种新的深度降噪网络——重参数化多尺度融合网络,用于极暗光单张原始图像降噪,在不损失降噪性能的同时加快模型的推断速度并降低内存开销。具体地,在多尺度空间提取图像特征,利用轻量级的空间通道并行注意力模块动态自适应地聚焦于空间及通道中的核心特征;同时使用重参数化的卷积单元,在不增加任何推断计算量的情况下进一步丰富模型的表征能力。该模型在常见CPU上(如Intel i7-7700K)可以在1s左右恢复超高清4K分辨率图像,在普通GPU(如NVIDIA GTX 1080Ti)上以24帧率的速度运行,在几乎4倍快于现有先进方法(如UNet)的同时仍保持具有竞争力的恢复质量。