描述了在空间域!频率域以及数学形态学上的图像增强技术,分析和讨论了空间域和频率域以及形态学三种方法在指纹上的应用"由于采用单一的图像增强技术不能达到令人满意的效果,有必要将多种方法结合使用"经过实验处理后得到的结果图像,表现出指纹中的突出特征,实验结果中有些特征是单一图像增强技术不能提取出来的
2021-12-05 15:12:56
191KB
1
低光图像增强
基于以下论文，通过光照图估计实现两种低光图像增强技术的 Python 实现：
稳健曝光校正的双光照估计 []
LIME：通过照明图估计进行低光图像增强 []
这两种方法都基于 retinex 建模，旨在通过保留图像的突出结构来估计光照图，同时去除多余的纹理细节。 为此，两篇论文都使用了相同的优化公式（参见参考资料）。 与第二篇论文（以下称为 LIME）相比，第一篇论文（以下称为 DUAL）引入的新颖性在于对原始图像及其倒置版本的该映射的估计，它允许校正曝光不足和过度曝光图像的暴露部分。
此存储库中实现的代码允许使用这两种方法，可以从脚本参数中轻松选择。
安装
这个实现在python>=3.7上运行，使用pip安装依赖：
pip3 install -r requirements.txt
用法
使用demo.py脚本来增强您的图像。
usage: demo.py
2021-11-16 10:49:01
1.38MB
1
1. 利用二个低通邻域平均模板（3×3和9×9）对一幅图像进行平滑，验证模板尺寸对图像的模糊效果的影响。
2. 利用一个低通模板对一幅有噪图像（GAUSS白噪声）进行滤波，检验两种滤波模板（分别使用一个5×5的线性邻域平均模板和一个非线性模板：3×5中值滤波器）对噪声的滤波效果。
3. 选择一个经过低通滤波器滤波的模糊图像，利用sobel和prewitt水平边缘增强高通滤波器（模板）对其进行高通滤波图像边缘增强，验证模板的滤波效果。
4.选择一幅灰度图像分别利用 一阶Sobel算子和二阶Laplacian算子对其进行边缘检测，验证检测效果。
2021-10-13 23:01:03
307B
1
通过SRCNN进行水下图像增强
一种水下图像增强方法和相应的图像超分辨率算法。
使用的算法：
图像增强技术。
超分辨率卷积神经网络
Retinex算法伽玛校正。
黑暗先验。
进一步阅读：使用SRCNN.pptx进行水下图像增强
SRCNN训练模型：my_modelSRCNN.h5
用于实施的参考文件：Underwater2.pdf
2021-05-07 15:18:02
23.34MB
1