A novel enhancement method for low illumination images based on microarray camera

It is difficult but important to get clear information from the low illumination images. In recent years the research of the low illumination image enhancement has become a hot topic in image processing and computer vision. The Retinex algorithm is one of the most popular methods in the field and uniform illumination is necessary to enhance low illumination image quality by using this algorithm. However, for the different areas of an image with contrast brightness differences, the illumination image is not smooth and causes halo artifacts so that it cannot retain the detail information of the original images. To solve the problem, we generalize the multi-scale Retinex algorithm and propose a new enhancement method for the low illumination images based on the microarray camera. The proposed method can well make up for the deficiency of imbalanced illumination and significantly inhibit the halo artifacts as well. Experimental results show that the proposed method can get better image enhancement effect compared to the multi-scale Retinex algorithm of a single image enhancement. Advantages of the method also include that it can significantly inhibit the halo artifacts and thus retain the details of the original images, it can improve the brightness and contrast of the image as well. The newly developed method in this paper has application potential to the images captured by pad and cell phone in the low illumination environment.

Degradation of current–voltage and low frequency noise characteristics under negative bias illumination stress in InZnO thin film transistors

The instabilities of indium–zinc oxide thin film transistors under bias and/or illumination stress are studied in this paper. Firstly, illumination experiments are performed, which indicates the variations of current–voltage characteristics and electrical parameters（such as threshold voltage and sub-threshold swing） are dominated by the stress-induced ionized oxygen vacancies and acceptor-like states. The dependence of degradation on light wavelength is also investigated. More negative shift of threshold voltage and greater sub-threshold swing are observed with the decrease of light wavelength.Subsequently, a negative bias illumination stress experiment is carried out. The degradation of the device is aggravated due to the decrease of recombination effects between ionized oxygen vacancies and free carriers. Moreover, the contributions of ionized oxygen vacancies and acceptor-like states are separated by using the mid-gap method. In addition, ionized oxygen vacancies are partially recombined at room temperature and fully recombined at high temperature. Finally, low-frequency noise is measured before and after negative bias illumination stress. Experimental results show few variations of the oxide trapped charges are generated during stress, which is consistent with the proposed mechanism.

Multi-scale fusion residual encoder-decoder approach for low illumination image enhancement

The sensing light source of the line scan camera cannot be fully exposed in a low light environment due to the extremely small number of photons and high noise,which leads to a reduction in image quality.A multi-scale fusion residual encoder-decoder(FRED)was proposed to solve the problem.By directly learning the end-to-end mapping between light and dark images,FRED can enhance the image’s brightness with the details and colors of the original image fully restored.A residual block(RB)was added to the network structure to increase feature diversity and speed up network training.Moreover,the addition of a dense context feature aggregation module(DCFAM)made up for the deficiency of spatial information in the deep network by aggregating the context’s global multi-scale features.The experimental results show that the FRED is superior to most other algorithms in visual effect and quantitative evaluation of peak signal-to-noise ratio(PSNR)and structural similarity index measure(SSIM).For the factor that FRED can restore the brightness of images while representing the edge and color of the image effectively,a satisfactory visual quality is obtained under the enhancement of low-light.

Speckle structured illumination endoscopy with enhanced resolution at wide field of view and depth of field

Structured illumination microscopy(SIM)is one of the most widely applied wide field super resolution imaging techniques with high temporal resolution and low phototoxicity.The spatial resolution of SIM is typically limited to two times of the diffraction limit and the depth of field is small.In this work,we propose and experimentally demonstrate a low cost,easy to implement,novel technique called speckle structured illumination endoscopy(SSIE)to enhance the resolution of a wide field endoscope with large depth of field.Here,speckle patterns are used to excite objects on the sample which is then followed by a blind-SIM algorithm for super resolution image reconstruction.Our approach is insensitive to the 3D morphology of the specimen,or the deformation of illuminations used.It greatly simplifies the experimental setup as there are no calibration protocols and no stringent control of illumination patterns nor focusing optics.We demonstrate that the SSIE can enhance the resolution 2–4.5 times that of a standard white light endoscopic(WLE)system.The SSIE presents a unique route to super resolution in endoscopic imaging at wide field of view and depth of field,which might be beneficial to the practice of clinical endoscopy.

基于LMIENet图像增强的矿井下低光环境目标检测方法

煤矿井下工作环境复杂,存在人造光源亮度低、粉尘多和水气密度大等不利因素,导致现有的目标检测算法在应用到煤矿井下时,存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法,由矿井低光图像增强模块LMIENet和目标检测模块组成,使用图像增强模块对原始图像进行画质提升,恢复各类图像信息,再使用目标检测网络对增强图像进行特定目标检测,有效提高检测的精确度。在图像增强模块中,改进Zero-DCE算法设计轻量级增强参数预测网络,计算像素级增强参数矩阵,用于低光照图像的亮度调整和画质增强,该网络通过设计的非参考损失函数隐性衡量图像的增强效果,引导网络进行无监督学习,使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中,采用YOLO v8n目标检测模型,其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高;采用Focal-EIoU Loss改进回归损失函数,有效加速模型收敛并提升模型检测精度。实验结果显示:与经典目标检测算法Faster R–CNN,SSD,RetinaNet,FCOS等相比,提出算法在自建矿井人员数据集上表现出色,低光照环境下目标检测的mAP@0.5达到98.0%,mAP@0.5∶0.95达64.8%,在实验环境中单帧图像推理时间仅11 ms,优于其他对比方法,证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测,且耗时短、计算效率高。

一种基于暗亮通道分割融合的低照度环境图像去尘雾及增强方法

受煤矿井下粉尘、水雾和低照度环境影响,对皮带运输系统的监测图像精准识别极为困难。针对现有去尘雾方法的图像处理结果和效率欠佳的问题,提出一种基于暗亮通道分割融合的低照度环境图像去尘雾及增强方法。首先利用阈值分割结合伽马变换修正通道差,解决因低照度环境影响导致的尘雾浓度较大区域与其他区域间像素值差异不明显的问题,修正后通过引导尘雾图像做引导滤波得到更加符合实际情况的全局大气光强;然后为解决暗通道先验在尘雾浓度较大区域失效问题,引入亮通道先验进行补充,使用通道分量来辅助暗通道及亮通道透射率融合,避免因多次分割而导致的边缘像素归属问题;最后将去雾后RGB图像转至HSV空间,对亮度分量进行直方图均衡化并将均衡化前后的亮度分量进行加权融合,采用客观指标评价,选择最优聚合权值进行聚合,同时考虑去雾过程中饱和度损失和亮度分量与饱和度分量间的相关性提出饱和度自适应矫正函数,对图像饱和度进行矫正,色调分量保持不变,随后将图像转回至RGB空间,得到亮度适中、信息保留丰富和色彩鲜艳的图像;为验证所提方法的有效性,采用主观视觉、客观指标和目标检测精度及置信度进行算法对比,实验结果表明所提方法在上述4个指标上均优于被对比算法,其图像细节保留丰富,图像视觉观感更佳。

基于CLAHE-PCA的矿井低照度图像增强研究

地下矿山巷道环境往往面临光线不足,难以通过获取其暗通道图像判断岩体剥落等异常情况。针对矿井巷道暗通道图像对比度低的问题,提出了一种基于CLAHE-PCA的图像增强算法。首先使用CLAHE算法将获取的矿井巷道原始暗通道图像做对比度增强处理,然后使用自适应Gamma算法对亮度低的图像予以增加对比度矫正;将矫正后获得的灰度图转为RGB图像,通过PCA对其进行平滑处理,以便更多地还原暗通道图像的细节。以峰值信噪比、结构相似性、平均梯度和信息熵等作为评价指标,对试验结果进行验证。结果表明:该方法能够有效处理低对比度的矿井巷道图像,处理后的图像结构相似性达到93%,鲁棒性强,同时能够更多地还原图像的细节。

一种低照度场景下的视觉定位技术

针对在低照度环境中由于光照不足或光照不均导致的图像噪声过大、特征提取不均匀等问题,提出了一种低照度场景下的单目视觉定位技术。首先,利用微光传感器采集低照度图像信息,对图像噪声设计了一种基于深度学习的图像去噪网络,利用该网络进行图像噪声处理。然后,利用四叉树改进特征均匀提取策略以提高特征跟踪效果,采用对极几何、三角测量等技术估计图像帧间位姿。最后,构建视觉重投影误差方程,利用光束平差法进行位姿估计和优化。实验结果表明,所提定位技术在光照强度为0.01 lx的低照度环境中,轨迹闭环情况下的平均定位均方根误差小于1.47 m,轨迹无闭环情况下的平均定位均方根误差小于4.26 m。

利用自适应光照初始化的弱光图像增强方法

由于光照分量分解估计的高度不确定性,如何准确估计图像的光照分量一直是基于Retinex模型的图像增强方法需要解决的难题。该文提出一个简单有效的方法,准确估计图像的初始光照分量,进而实现弱光图像增强。具体地,首先根据输入图像得到其对应的光照权重矩阵,以指导光照分量的自适应初始化估计;随后在光照结构约束下,对初始光照分量优化估计,并进一步执行非线性光照调整;最终结合Retinex模型得到增强结果。实验表明,该方法不仅能够实现准确的图像分解估计,而且与现有的弱光图像增强方法相比,该文所提方法在多个数据集上的主观视觉效果和客观评价指标都有更好的表现,同时也保持着良好的运行效率。

采煤机截割部低照度图像的边缘检测技术

针对井下低照度环境下采煤机截割部边缘检测任务中存在的边缘缺失、细节模糊等问题,提出一种基于分数阶微分的边缘检测Lif算法。首先采用更大的检测模板尺寸,根据Grünwald-Let-nikov分数阶定义构造最初的分数阶掩膜算子;然后根据Pascal三角形理论确定掩膜算子上各位置的权重系数,并将掩膜算子扩展到4个不同方向;最后将得到的掩膜算子与图像进行卷积,利用图像的局部特征信息对每个方向的微分结果进行后处理。结果表明:(1)在进行多个不同场景的井下低照度图像上的实验时,Lif算法可以更全面地获取图像中不同方向上的边缘信息,在处理低照度图像时具备更强的抗噪性能,并且提取的边缘线条比其余边缘检测算法更加清晰、完整,保留了更多的纹理细节信息。(2)在客观指标评价的对比上,与基于分数阶灰色系统模型的边缘检测算法以及改进的分数阶Sobel边缘检测算法相比,Lif算法在Entropy指标上分别提高了43%、11%,AG指标上分别提高了23%、23%,SSIM指标上分别提高了152%、6%。表明Lif算法在进行采煤机截割部的边缘检测任务时更具优势,研究对井下设备工作运行时的安全性和可靠性提升具有重要意义。

基于红外可见光融合的复杂环境下人脸识别方法

随着深度学习方法的发展,理想环境下基于可见光的人脸识别精度和速度已经达到优秀的水平。但是在弱光等复杂环境下,由于缺少光源,可见光图像无法体现人脸细节,导致人脸识别效果下降甚至失效。为了解决这一问题,提出一种基于红外可见光融合的复杂环境下人脸识别方法。首先,针对低照度环境提出联合CNN(Convolutional Neural Network)和Transformer的红外与可见光融合识别网络,并联CNN和视觉Transformer组成单模态特征融合模块,充分利用源图像的局部细节信息和全局上下文信息。同时,提出一种基于模态平均差异度的多模态特征融合策略,强化对源图像不同区域特征的差异化表达。其次,针对实际应用中融合识别网络模型大、速度慢的问题提出轻量化人脸识别网络Mobile Face Net-Coo和基于边云协同的自适应识别策略,通过图像质量选择识别模型,有效利用硬件资源。实验结果表明,弱光条件下,融合红外光与仅使用可见光图像相比,识别率提升了13.96个百分点。同时,将本方法应用实际项目中,结果表明:本方法在复杂环境下,能提高人脸识别的实时性和准确率。

金字塔渐进融合低照度图像增强网络

针对现有低照度图像增强网络对不同尺度特征信息存在感知与表达能力不足的问题,提出金字塔渐进融合低照度图像增强网络模型。网络对图像进行多次下采样操作以组成特征金字塔,通过在特征金字塔的三个不同分支上加入跳跃连接,将不同尺度的特征图进行相互融合。通过精细恢复模块进一步提取精炼信息,将特征图恢复到正常的光照图像。结果表明,该网络模型不但能有效地提升低照度图像的整体亮度,而且能很好地保持图像中的细节信息和清晰的物体边缘轮廓,同时能够有效地抑制图像中的暗部噪声,使增强后的图像整体画面真实自然。

基于Retinex和HSV颜色空间的低照度图像增强算法

针对低照度图像存在的对比度低、颜色失真、细节信息损失、噪声干扰等问题,提出一种基于Retinex的改进算法。首先,将原始图像转换到HSV颜色空间,采用改进算法和Gamma校正对V分量进行亮度调节;其次,基于对比度拉伸算法调整S分量,增强图像饱和度和对比度;最后,将融合后的图像转换回RGB颜色空间,输出图像。在MATLAB平台上选取不同场景低照度图像进行增强处理,采用图像信息熵(IE)、峰值信噪比(PSNR)和结构相似性指数(SSIM)三个客观指标进行均值对比,实验结果表明,新算法计算结果均优于传统的直方图均衡化算法(HE)和多尺度Retinex算法(MSR),有效保持图像边缘信息,提升图像质量。

矿用本安型防爆布控球

在以智能化矿山建设为要求的背景下,针对井下环境复杂、光照轻度差、存在易燃易爆气体、以及矿难发生后,原有的有线视频监控体系会受到破坏等问题。设计出一种矿用防爆型布控球,该设备以高通Cortex-A53芯片作为中央控制单元,采用CMOS图像传感器作为视频采集单元,并配有红外补光。设备采用本质安全电路的电源为设备供电。该布控球具有红外夜视距离远、成像质量高、功耗低的特点。支持TCP/IP、ONVIF、GB28181等协议。可广泛应用于井下安全生产领域。经测试,布控球黑暗环境下可视距离达20 m。

基于优化深度学习的低照度图像超分辨率重建方法的研究

为提升低照度多波段谱密度图像的分辨和检测能力,本文提出基于优化深度学习的低照度图像超分辨率重建方法。首先,构建低照度多波段谱密度图像超分辨特征采样模型,通过图像压缩感知方法实现对低照度图像的向量像素重构;其次,通过模糊度辨识和匹配滤波方法进行低照度图像的降噪滤波,构建低照度多波段谱密度图像的压缩光谱维度检测模型;再次,通过图像去噪、压缩重建和谱特征重组建立正则化约束模型来恢复图像的光谱信息;最后,根据同一空间区域的全体光谱数据的关联性特征分布,采用优化深度学习算法实现对低照度图像的特征分配和结构重组,实现对低照度图像的超分辨率重建。该方法对低照度图像超分辨率重建时可对图像细节部分进行补全,且其去噪和去模糊能力较好,可有效保留图像的关键信息,其信噪比均为26 dB,结构相似度高于0.94,均优于对比方法,具有较好的应用价值。

简谈航站楼消防应急照明设计

随着航空行业的迅速发展,航站楼作为航空客运的重要场所,体积越来越庞大、疏散路径越来越复杂、装修装饰要求越来越高,对消防应急照明设计的要求也越来越高。本文结合某航站楼高大空间多的特点,探讨应急照明设计的重要性,并针对项目中的实际问题提出一些应对措施及解决方案。

一种改进的暗通道先验低光照图像增强算法

针对低光照图像增强算法常见的亮度不均匀、色彩失真、图像噪点较多、细节不清晰等问题,提出了一种改进的暗通道先验低光照图像增强算法。该方法对像素值取反后的低光照图像,首先采用引导滤波,解决图像在运用最小值滤波计算暗通道时引起的块效应,其次在剔除像素为255的纯白色点干扰后进行大气光值的计算,然后引入细化系数进行透射率自适应修正使透射率更加平滑,最后采用非局部平均滤波进行噪声去除。实验表明,所提出的算法使图像的亮度增强合适,细节清晰,在Low-Light弱光图像数据集上测试图片,所得到的SSIM值比对比算法提升20.5%,PSNR值提升19.9%,无论从主观感受,还是客观评价指标等各方面,都有优化。

基于光谱反射率的低照度图像增强方法研究

低照度图像增强技术是机器视觉研究热点之一,Retinex理论模型假设图像是反射分量与光照分量乘积,通过去除或校正光照分量并结合物体的反射特性来恢复图像,被广泛应用在传统算法和深度学习增强模型中。光谱反射率是颜色的指纹,多光谱图像比普通图像的信息量更为丰富。色度学理论和Retinex理论都认为图像的颜色特性取决于反射系数,但光谱反射率是基于仪器测量获得真实的数据,而图像反射分量是基于图像分解假设的数据,目前文献没有从光谱角度对低照度图像增强进行研究。受Retinex理论启发结合深度学习非线性拟合能力,用颜色的光谱反射率代替RetinexNet网络中的图像反射分量,用CIE标准光源的光谱功率分布代替网络中的图像照明分量,提出了一种基于光谱反射率的低照度图像增强方法。首先对图像数据库中正常光照图像进行光谱重建,构建低照度图像与正常光照的多光谱图像数据集。然后训练将低照度图像转换成多光谱图像的深度学习网络模型。任意低照度图像通过网络模型得到多光谱图像,多光谱图像根据色度学理论得到CIEXYZ三刺激值,再通过标准颜色空间转换到RGB颜色空间中显示。该方法在公开LOL数据集上进行训练与测试,结果表明在图像噪声抑制和颜色恢复方面都优于常用方法,证明该方法对低照度图像增强的优越性和有效性。

近光灯八点配光设计

基于GB、ECE和FMVSS三个标准体系中近光灯照明区域关于Ⅲ区内八点照度的配光要求,研究通过优化近光透镜(PES)模组结构实现八点照度配光设计,论述了两种光学方案及其工作原理。采用光线追踪的方式,详细分析其结构特征、质量保证,并模拟其配光结果,对比两种方案优缺点,为灯具设计提供理论依据和设计方案。

基于图像自适应增强的低照度目标检测算法

在低光环境下的检测任务中,由于低亮度、低对比度以及噪声等不利因素影响,会存在对目标的漏检、错检等现象。针对此问题,提出基于图像自适应增强的低照度目标检测算法。将传统图像处理方法与深度学习相结合,设计图像自适应增强网络,使用多个可调滤波器通过级联的方式进行结合,对输入的低光图像进行逐步增强,各滤波器的调节参数由卷积神经网络根据输入图像的全局信息进行预测。将图像自适应增强网络与YOLOv5目标检测网络相结合进行端到端的联合训练,使图像增强效果更有利于目标检测。由于在低光目标检测过程中易出现漏检现象,对通道注意力机制SE-Net进行改进,设计特征增强网络,并嵌入到YOLOv5网络中Neck部分的末端,以减少网络特征融合过程中造成潜在目标特征的信息损失。实验结果表明,所提算法在真实低光数据集ExDark上的检测精度达到了77.3%,相较于原始YOLOv5目标检测网络提高了2.1个百分点,检测速度达到79帧/s,能够实现实时检测的效果。