Matlab代码verilog 使用verilog HDL进行基本图像处理。 在这个项目中，我们已经使用Verilog HDL完成了基本的图像增强。 我专注于空间域中的图像增强，特别是参考了诸如亮度操作，图像反转，阈值操作，对比度操作之类的点处理方法。 在此项目中，我们首先使用MATLAB代码将JPG格式的图像转换为十六进制格式。 使用Verilog处理此十六进制文件，并以BMP（位图）格式获得输出。

Image Enhancement for SLAM 在使用Semi-direct Method跑Euroc Dataset的v103数据时，发现效果很不好。导致错误的主要的原因有：图片太暗，对比度太低；图片亮度变化很大（不限于帧间，左右目有时候也会出现亮度不一致的情况）。于是，需要对输入图像进行预处理，提高图片的对比度，并且使得进行跟踪的两张图片亮度一致。 对于提高图片的对比度，最简单的方法是使用直方图均衡化。不过直方图均衡化有一些很明显的缺点，如变换后细节消失；不自然的过分增强。对于SLAM系统，往往会在过份增强的纹理上提取出一些关键点，而这些关键点我们认为是不稳定的。所以，我们需要一种更加先进的图像增强算法用于SLAM的图像预处理。 本文提出了一种基于Retinex理论的图像增强算法，对欠曝光的图像进行增强, 能够恢复图像中的纹理，并且做到实时处理。 References Paper

暗通道matlab代码低照度图像增强上的出版物 关于低照度图像增强的出版物合集 1图像质量指标 PSNR（峰值信噪比）[论文] [matlab代码] [python代码] SSIM（结构相似性）[论文] [matlab代码] [python代码] VIF（视觉质量）[纸张] [代码] FSIM（功能相似性）[论文] [代码] NIQE（自然度图像质量评估器）[论文] [matlab代码] [python代码] 2数据集 bmvc2018 [] [] 3篇论文 2020年 通过边缘增强型多重曝光融合网络（AAAI 2020）实现EEMEFN微光图像增强[论文] [代码] 科莫尔·穆里亚（Komal Mourya）等。学习在黑暗中观看的技术：一项调查[] [代码] [网络] 2019年 使用深度照明估计的曝光不足照片增强（CVPR 2019）[] [代码] 江海洋，郑银强，学习在黑暗中看运动物体（ICCV2019）[] [代码] [网络] 陈晨，陈启峰，敏敏，弗拉德·科顿，在黑暗中看见运动（ICCV2019）[] [code] [web] 2018年 用于弱光增强的深度Retinex分解[

深度照片增强器的Pytorch实现 该项目基于论文《深度照片增强器：使用GAN进行照片增强的不成对学习》。 作者的项目地址为： 我的代码基于 中文文档说明请看 要求 Python 3.6 CUDA 10.0 要安装的要求： pip install -r requirements.txt 先决条件 数据 Expert-C 资料夹 所有超参数都在libs\constant.py 需要创建一些文件夹： images_LR ：用于存储数据集 Expert-C input 在以上两个文件夹的每个文件夹中，需要创建以下三个新文件夹： Testing Training1 Training2 models ：用于存储所有训练生成的文件： gt_images input_images pretrain_checkpoint pretrain_images test_ima

在许多应用中都需要增强彩色图像的细节。 锐化蒙版（UM）是用于细节增强的最经典工具。 已经提出了许多通用的UM方法，例如，有理UM技术，三次模糊技术，自适应UM技术等。 对于彩色图像，这些算法分三个步骤：a）实施color2grey步骤； b）基于亮度分量（LC）设计高频信息（HFI）提取方法； c）利用HFI完成增强过程。 但是，仅使用LC的HFI可能会丢失色度分量（CC）的HFI。 提出了一种基于四元数的细节增强算法，既利用亮度又利用CC来提取彩色图像的细节。 设计该算法以解决三个任务：1）设计基于3Dvector旋转的四元数描述的彩色高频信息（CHFI）提取方法； 2）执行CHFI和灰色高频信息（GHFI）的有效融合策略； 3）设计了基于四元数的局部动态范围的测量方法，基于该方法可以确定所提出算法的增强系数。 该算法的性能优于其他许多类似的增强算法。可以调整八个参数以控制清晰度，以产生所需的结果，从而使该算法具有实用价值。

17CVPR_CODE_Learning Dynamic Guidance for Depth Image Enhancement 17 cvpr 代码

单一水下图像增强和色彩还原 这是python实施的综合评论文章“用于水下成像的图像增强和图像恢复方法的基于实验的评论” 抽象的！ 水下图像在海洋勘探中起着关键作用，但由于光在水介质中的吸收和散射，经常会遭受严重的质量下降。 尽管近来在图像增强和恢复的一般领域中已经取得了重大突破，但是还没有特别关注用于改善水下图像质量的新方法的适用性。 在本文中，我们回顾了解决典型水下图像损伤（包括一些极端退化和变形）的图像增强和恢复方法。 首先，我们根据水下图像形成模型（IFM）介绍了水下图像质量下降的主要原因。 然后，我们回顾了水下修复方法，同时考虑了无IFM和基于IFM的方法。 接下来，我们将结合主观和客观分析，同时考虑基于IFM的方法的基于先验的参数估计算法，从而对基于IFM的最新方法和基于IFM的方法进行基于实验的比较评估。 从这项研究开始，我们将查明现有方法的主要缺点，并为该领域的未来研究提出

动态随机共振（DSR）是一种用于增强暗和低对比度图像的独特技术。 噪声对于基于DSR的图像增强来说是必需的，并且噪声水平会与亮度同时增大，这会大大降低增强图像的感知质量，并且还会增加后续降噪的难度，因为去除高水平的噪声通常会导致严重的噪声损失。图片细节。 本文提出在增强过程中逐步消除噪声，而不是在增强过程完成后消除噪声。我们首先在变分框架中重写了基于传统偏微分方程（PDE）的DSR模型，然后提出一种用于图像增强的新颖的总变化正则化（TV）DSR方法。 从理论上证明了TV正则化DSR模型解的存在性和唯一性。 此外，我们分别在变体框架和PDE框架中推广了电视正则化DSR模型，因此我们可以将更多现有的去噪方法纳入我们的方法中。 数值比较表明，所提出的技术在对比度和亮度增强以及噪声抑制方面具有显着的性能，因此可以获得具有良好感知质量的增强图像。

SESR：同时增强和超分辨率 在更高的空间比例上可感知地增强图像生成 指标： 论文： : 预印本： : RSS-2020焦点演讲： ： 数据： ： 深度SESR模型 一种有效的水下图像模型； 可以接受2x-4x SESR的端到端培训 模型架构和实施细节： : 带有一维FENet的Deep SESR 2x的重量（在UFO-120上进行了训练）在以下型号中提供： HDF5：deep_sesr_2x_1d.h5文件； 使用test_sesr_Keras.py Protobuf：deep_sesr_2x_1d.pb文件； 使用test_sesr_TF.py UFO-120数据集 1500个训练和120个测试样本（水下图像） 促进2x，3x和4x SESR模型的配对训练 还具有带注释的显着性图，用于训练显着性预测模型 可以从以下网址下载： http : //irvla

(LIME):Low Light Image Enhancement via Illumination Map Estimation