IVHC（快速图像噪声估计） 这是在Python和Matlab上的实现。 另请参阅 。 IVHC是一个模型，用于估计图像和视频信号中的高斯噪声，与信号有关的噪声和经过处理的噪声。 该估计基于图像斑块的强度变化的分类，以便找到最能代表噪声的均匀区域。 这是强度方差均匀性分类（IVHC）噪声估计的框图。 输入： 嘈杂的灰色图像 最大多项式回归度 输出： Y通道中的噪声方差（最佳代表） 处理噪声的程度 噪音等级功能 该存储库包括： Matlab和IVHC的Python实现。 Matlab演示文件可估算AWGN，处理后的噪声以及与信号有关的噪声。 Python演示文件可估算AWG

Deep Bilateral Learning for Real-Time Image Enhancement文献调研

Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement文献调研

全变差去噪matlab代码令人敬畏的低光图像增强 论文和代码 评论与相关工作 [2021 IJCV ]基准微光图像增强及超越 [2020 IEEE ACCESS ]基于实验的弱光图像增强方法综述 基于HE的算法 去做 基于Retinex的算法 [2020年提示] LR3M：通过低阶正则化Retinex模型进行鲁棒的微光增强 [2018技巧]通过稳健的Retinex模型揭示结构的微光图像增强 [2016 CVPR ] MF：同时反射率和照度估计的加权变分模型 [2017提示] LIME：通过照明贴图估计进行低光图像增强 基于降噪的算法 去做 监督深度学习算法 [2021技巧]稀疏的梯度正则化深度Retinex网络，用于鲁棒的弱光图像增强（） [2020 CVPR ]学习通过分解和增强来还原弱光图像 [2019预印本]注意引导的微光图像增强 [2018 BMVC ] Retinex-Net：用于弱光增强的深度Retinex分解 [2018 FG ] GLADNet：具有全球意识的弱光增强网络 [2018 CVPR ]学习在黑暗中看 半监督深度学习算法 [2020 CVPR ] DRBN：从

欢迎大家学习交流

matlab蚁群算法代码用于图像对比度增强的混合蚁群优化、遗传算法和模拟退火 可以在此 repo 中找到使用自然启发方法增强灰度图像对比度的 MATLAB 代码。 受自然启发的方法是蚁群优化、遗传算法和模拟退火，它们生成全局传递函数将输入图像转换为更高对比度的图像，同时尽量保持图像的自然外观。 描述 图像增强器方法的详细信息发表在我们的论文中：DSP（或）和 CEC（或）。 该方法的工作原理是在搜索空间中放置一些人工代理（又名人工蚂蚁）以生成一个传递函数，该函数可用于将任何图像转换为更高对比度的图像。 蚂蚁从传递函数的原点（左下角）开始，然后移动到它的右上角。 任何蚂蚁都会在其可用的移动选项中进行概率选择，如下所示： 到达最后一点后，创建传递函数并评估其适应度。 根据传递函数的好坏，信息素会沉积在蚂蚁走过的路径上。 点上的信息素增加了蚂蚁在下一次迭代中选择在附近经过它的机会。 这是蚂蚁在传递函数窗格上移动一段时间后的信息素痕迹示例。 每只人工蚂蚁在这个过程中都有一个遗传密码。 蚂蚁种群通过遗传算法进化。 这改变了蚂蚁的特征及其在搜索空间中遍历路径的偏好。 选择最佳传递函数后，模拟退火尝

RetinexNet 这是RetinexNet的Tensorflow实现 深度Retinex分解，可增强弱光。 在BMVC'18（口头介绍）中 ， ，，。 （*表示平均分担） ， 要求 Python Tensorflow> = 1.5.0 numpy，PIL 测试用法 要使用我们的模型快速测试您自己的图像，您可以运行 python main.py --use_gpu=1 \ # use gpu or not --gpu_idx=0 \ --gpu_mem=0.5 \ # gpu memory usage --phase=test \ --test_dir=/path/to/your/test/dir/ \ --save_dir=/pa

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

图像增强方面的资料，频率域图像增强方法及改进