基于模拟多曝光融合的低照度全景图像增强

针对低照度全景图像存在的对比度低、视觉效果差等问题,提出了一种基于模拟多曝光融合的低照度全景图像增强算法。首先,将原图像从RGB颜色空间转换到HSV颜色空间,以图像信息熵作为度量估计最佳曝光率,采用亮度映射函数对V分量进行增强处理,再将其转回RGB颜色空间得到过曝光图像;接着,以低照度图像和过曝光图像为输入,采用曝光插值法合成中等曝光图像;然后,采用多尺度融合策略将低照度图像、中等曝光图像和过曝光图像进行融合,得到融合后的图像;最后,通过多尺度细节增强算法对融合后的图像进行细节增强,得到最终的增强图像。通过与NPE,LIME,SRIE,Li,Ying,RtinexNet算法相比,在不同场景的全景图像上,亮度顺序误差(LOE)最小为322,自然图像质量评估器(NIQE)最小为2.32,无参考空间域图像质量评估器最小为5.71,结构相似度(SSIM)最高达到0.82,综合性能优于其他对比算法。实验结果表明,本文算法能够有效地提升低照度全景图像的质量。

基于特征约束CycleGAN的单幅图像去雾算法研究

针对雾天场景下成像设备采集的图像降质严重的问题,提出一种基于特征约束循环生成对抗网络(CycleGAN)的单幅图像去雾算法。首先,通过循环生成对抗网络学习雾天图像与清晰图像之间的映射关系,经由判别器判断重建图像是否符合真实样本图像的数据分布;然后,针对网络模型损失函数部分,构建基于循环一致损失和Haze损失的联合函数。在Haze损失函数中引入图像频率信息作为约束项,并结合预训练的VGG-16模型提取图像高维特征的内容损失,从而提高网络的去雾性能,解决了CycleGAN模型去雾不足和图像信息丢失的问题;最后,将峰值信噪比和结构相似性作为评价标准,对输入的雾天图像和输出的去雾增强图像进行定量分析。实验结果表明,提出的算法能有效地降低雾对成像质量的影响,进而获得更好的主观视觉评价和客观量化评价。