暗图增强小期刊/会议论文阅读笔记

news2025/1/12 23:30:01

Y. Ueda, H. Misawa, T. Koga, N. Suetake and E. Uchino, “HUE-Preserving Color Contrast Enhancement Method Without Gamut Problem by Using Histogram Specification,” 2018 25th IEEE International Conference on Image Processing (ICIP), Athens, Greece, 2018, pp. 1123-1127, doi: 10.1109/ICIP.2018.8451308.

这是CCF C类会议ICIP的一篇传统方法进行对比度增强的论文，介绍了一个HUE-Preserving空间，挺有意思的
如下图所示，文章首先对任意一个RGB像素值求出其饱和值c，即图中的c点，按如下公式可求出c点的rgb坐标（其中R-G-B的点不存在饱和值）
根据黑点 $(0, 0, 0)$ ，白点 $(1, 1, 1)$ 和 $c$ 点可以求得一个平面，从而可以建立起一个平面坐标系并表示出 $x$ 点在平面坐标系中的坐标。本来平面坐标系只需要两个向量来表示，可以直接选择白点 $(1, 1, 1)$ 和 $c$ 点作为两个向量，从而将 $x$ 点表示为 $x=a_ww+a_cc$ ，但 $x$ 在这样的坐标系下可能落到RGB立方体外面去，需要加限制。既然黑点的坐标值是 $(0, 0, 0)$ ，那么可以借助黑点来设置第三个变量，建立如下表达式和约束：
到这里为止，可以将所有的像素点转化为其所在hue平面的坐标 $a_w,a_k,a_c)$ ，即使这些像素点并不落在RGB空间的同一平面。由于这些新的坐标点满足 $a_w+a_k+a_c=1$ ，他们落在新坐标系的同一平面上，如下图所示。然后可以把这些点在这个平面上的为止画出来，以 $a_w-a_k$ 为 $x$ 轴：

在这里插入图片描述

可以看到，图片比较暗，对比度比较差的时候，点集中落在平面的左下角。
为了拉伸图像对比度，可以对 $a_w,a_k,a_c)$ 三个坐标的分布分别进行直方图均衡化，再归一化使得新的坐标仍然满足和为1，从而不会落到平面外面去（因此保证了像素点增强前后落在同一hue平面，也即色调不变）：
因此，总结一下，完整的流程就是，先从RGB坐标转为 $a_w,a_k,a_c)$ 坐标，然后对 $a_w,a_k,a_c)$ 坐标进行直方图均衡化和归一化，再转回RGB坐标即可得到增强结果。
可以看到，c是本方法的增强结果，还是不错的。
启发是，先转换到一另一个空间，增强后通过在这个空间下的归一化使得颜色（或其他性质）保持不变的idea。

X. Wei, J. Sun, Y. Cai, A. Ma and W. Su, “Zero-DCE with HSV loss for Low-Light Image Enhancement,” 2022 7th International Conference on Image, Vision and Computing (ICIVC), Xi’an, China, 2022, pp. 537-541, doi: 10.1109/ICIVC55077.2022.9887031.

这是中国传媒大学发表在ICIVC2022上的文章，提出了一个HSV损失作为额外的损失项，如下：

先将增强结果转到HSV域，再计算的HSV损失，其他的都没有变
实验结果一般，看不太出差别，PSNR也没有什么变化，增加了0.22，SSIM不变

K. Liu, “The Asymmetric Two Branch Network for Low Illumination Image Enhancement,” 2023 International Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE), Ballar, India, 2023, pp. 1-6, doi: 10.1109/ICDCECE57866.2023.10151091.

这是ICDCECE 2023的一篇有监督暗图增强的论文
网络结构如图所示。就是gamma校正后的图像和原图分别送进两个网络提取特征，然后进行concatenate，再得到最终的输出。这里的multi-scale feature extraction module指的是不同dilation rate的卷积之后concate到一起。
损失函数是三个损失的加权和，一个是mse损失，一个是GAN的对抗损失，一个是vgg的perceptual 损失
实验结果就是和一些方法比较了PSNR，还不错挺高的
LOE最近看到好多论文在比较，下次可以试试

Yu, N., Li, J., Hua, Z. LBP-based progressive feature aggregation network for low-light image enhancement. IET Image Process. 2022; 16: 535– 553. https://doi.org/10.1049/ipr2.12369

这是CCF C类期刊 IET Image Processing的一篇有监督暗图增强的论文，网络结构如下所示，十分复杂：
这个复杂的网络结构就不展开细说了，太麻烦了。启发是三点，一点是用了recurrent的方式去progressively地增强图像，一点是提取了图片的LBP特征（local binary pattern，他对亮度不敏感，也就是说增强前后图片的LBP特征变化不大）作为辅助信息，一点是在progressive的过程中，有一些不变的信息送到了各个阶段当中（如LBP特征和attention feature）。
损失函数用的是SSIM损失
实验结果看起来还不错：

Al-Ameen, Z. (2019), Nighttime image enhancement using a new illumination boost algorithm. IET Image Processing, 13: 1314-1320. https://doi.org/10.1049/iet-ipr.2018.6585

这同样也是IET Image Processing 期刊2019年的一篇传统方法做暗图增强的论文
首先是这样一个公式，它是基于人眼视觉特性设计的，可以使得low- and mid-intensities 被enhance，同时避免high-intensities被过度增强。从公式看，其实就是对图像的亮度取对数后归一化。
第二个公式用于衰减高强度部分，同时修改局部对比度：
第三个公式可以融合前两个图片：
然后用一个双曲正切函数的积分函数（s形曲线）来调整亮度和对比度：
最后归一化：
增强结果还不错：