在低照度场景下进行目标检测任务，常存在图像RGB特征信息少、提取特征困难、目标识别和定位精度低等问题，给检测带来一定的难度。 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。 本资源包含传统方法、Retinex、EnlightenGAN、SCI、Zero-DCE、IceNet、RRDNet、URetinex-Net等低照度图像增强代码，均已经过测试，可直接运行。 ### 低照度图像增强技术概述 在计算机视觉领域，特别是在目标检测任务中，低照度环境下的图像处理是一项极具挑战性的任务。由于光线不足，这类图像通常具有较差的可视性，导致RGB特征信息减少，这直接影响到后续的特征提取、目标识别与定位的准确性。为了解决这一问题，研究者们开发了多种图像增强技术，通过对原始图像进行画质提升，恢复图像中的关键信息，从而改善目标检测的效果。 ### 图像增强技术原理 图像增强技术主要是指通过一系列算法处理来改善图像质量的过程。在低照度环境下，主要目的是增强图像亮度、对比度以及颜色信息，以便更好地提取特征。这些技术可以大致分为两类：传统图像处理方法和基于深度学习的方法。 #### 传统图像处理方法 1. **Retinex算法**：Retinex是一种经典的图像增强算法，它模拟人眼感知颜色的方式，通过多尺度分析来恢复图像的真实色彩和细节。 2. **SCI（Single Image Contrast Enhancement）**：这是一种单图像对比度增强方法，通过调整图像的局部对比度来增强图像的细节。 3. **Zero-DCE（Zero-reference Deep Curve Estimation）**：这是一种无需任何参考图像就能进行曲线估计并实现图像增强的技术。 #### 基于深度学习的方法 1. **EnlightenGAN**：这是一种结合生成对抗网络（GAN）的图像增强方法，能够生成更逼真且自然的图像，适用于低照度环境。 2. **IceNet**：IceNet是一种基于深度学习的低光照图像增强模型，能够有效地恢复图像的细节，并保持良好的视觉效果。 3. **RRDNet（Recurrent Residual Dense Network）**：这是一种利用循环残差密集网络进行图像增强的技术，适用于低光照条件下的图像恢复。 4. **URetinex-Net**：这是结合了U-Net架构和Retinex理论的一种深度学习模型，专门用于低照度图像的增强。 ### 技术应用案例 以上提到的各种技术均有其应用场景。例如，在安防监控、夜间野生动物监测等领域，低照度图像增强技术的应用至关重要。通过使用这些技术，可以显著提高图像的质量，进而提高后续处理如目标检测、人脸识别等任务的准确率。 ### 实践资源 为了方便研究者和开发者进行实践探索，提供了一系列低照度图像增强的代码资源，包括但不限于上述提及的各种技术。这些代码经过测试验证，可以直接运行使用。具体资源可以通过链接：[https://pan.baidu.com/s/1H52f68LmRv9ohi5N4sS5jg](https://pan.baidu.com/s/1H52f68LmRv9ohi5N4sS5jg) 获取，提取码为：j666。 ### 结论 低照度图像增强技术对于提高计算机视觉任务的性能至关重要。无论是传统的图像处理方法还是近年来兴起的基于深度学习的技术，都在不断地推动着该领域的进步和发展。通过合理选择和应用这些技术，可以极大地改善低照度条件下图像的质量，进而提高目标检测等任务的准确性和可靠性。未来，随着更多新技术的出现和现有技术的不断优化，低照度图像增强领域将展现出更加广阔的应用前景。

海神之光上传的视频是由对应的完整代码运行得来的，完整代码皆可运行，亲测可用，适合小白； 1、从视频里可见完整代码的内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作

该项目包含Retinex、EnlightenGAN、SCI、Zero-DCE、IceNet、RRDNet、URetinex-Net等低照度图像增强代码，均已经过测试，可直接运行。

为了解决在低照度条件下,可见光成像设备采集的图像亮度低、细节不清晰等问题,提出一种基于亮度通道细节增强的低照度图像处理算法。首先,将图像从RGB转换到Lab颜色模型,将Lab模型中的亮度通道通过指数派生函数校正构造为光照分量,再经过Retinex增强得到初步增强图像。然后,采用结构张量和多尺度引导滤波分别对初步增强图像进行细节提取,并将两种方法提取的细节信息进行了融合。最后,将细节图像和初步增强图像融合得到了目标图像。实验结果主观上得到了亮度合适、细节清晰的增强图像,客观上在亮度失真、信息熵和能量梯度上均有良好且稳定的表现,表明该算法能够有效提高图像的亮度和细节信息,并保持自然的色彩和光照效果。

快速优化的图像/视频增强方法 它是由Java实现的一组图像/视频增强方法，用于解决一些常见任务，例如除雾，去噪，水下去除，低照度增强，特性，平滑等。 请注意，此存储库是多个图像/视频处理存储库的集成，这些独立的存储库将在以后弃用。 RemoveBackScatter-已删除，其zip文件在此处可用： 。 OptimizedContrastEnhance-已删除，其zip文件位于此处： 。 将不推荐使用，其zip文件位于此处： HazeRemovalByDarkChannelPrior-已删除，其zip文件在此处可用： ALTMRetinex-已删除，其zip文件在此处可用：

低照度CMOS图像传感器技术论文

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[

资源包含文件：设计报告word+源码 对上述低照度图像进行灰度化，计算并显示以上低照度图像的灰度直方图和离散傅里叶变换频谱幅度图； 对以上低照度图像分别进行直方图均衡化和同态滤波操作，并对两种算法的最终结果进行对比； 利用Matlab进行编程，核心算法需独立实现，代码注释不少于40%； 计算并显示灰度直方图my_imhist 实现步骤： 调用MATLAB库函数rgb2gray将图像灰度化 调用自己实现的my_imhist统计每种灰度值出现的次数，并返回概率质量函数 调用MATLAB的库函数bar进行绘制 详细介绍参考：https://blog.csdn.net/newlw/article/details/124670113

为了增强彩色图像而不引起色彩失真,在HSV颜色空间中保持色相不变,提出了采用分段对数变换增强饱和度结合在多尺度Retinex算法的基础上,采用边缘保持增强色调的低照度彩色图像增强算法。实验结果表明,该方法在保持图像色相和图像边缘的情况下,显著改善了图像的视觉效果,提高了图像的亮度和对比度。25幅低照度图像的平均亮度、标准偏差和对比度分别提高了94.95%、20.93%和29.88%,相对于带色彩恢复的多尺度Retinex算法的熵和对比度增量分别提高了7.34%和151.51%,效果优于Retinex算法。

低照度图像增强算法的研究与实现_彭波，研究了增强算法