专利交易市场

本发明公开了一种基于事件相机的弱光图像增强方法，首先选取一个具有正常光照图像和事件流的数据集，要求正常光照图像和事件流在空间上是配对的，之后由正常光照图像生成梯度图像和含噪声的弱光图像，预处理事件流得到具有良好边缘信息的事件伪图像；然后重建梯度图像并进行增强，设计特征融合模块，添加条件鉴别器，对于梯度分支和弱光图像增强分支搭建的神经网络进行训练，保存神经网络的模型，最后测试模型，输出增强后的图像。本发明通过事件重建的梯度图指导弱光图像在图像域的增强，可以获得边缘信息丰富的正常光图像。

本发明涉及图像处理与计算机视觉技术领域，公开了一种基于Retinex与小波变换相结合的低光图像增强方法，旨在改善低光环境下图像的视觉质量和细节清晰度。该方法通过将Retinex理论、小波变换和深度学习技术相结合，有效地处理低光图像中的噪声、光照不均匀和细节模糊问题。通过照明估计器和退化恢复器，该方法能够生成增强的照明信息并修复各种形式的退化，包括噪声、伪影、曝光不足/曝光过度和颜色失真。此外，该方法还利用门控机制和Transformer的自注意力机制来选择性地融合特征，以保留边缘和细节信息，并促进全局增强和恢复。实验结果表明，该方法在多个数据集上优于现有的最先进方法。

本发明公开了一种基于动态特征聚合和色彩校正的零样本低光图像增强方法，包括：将预设的训练图像缩放，对其三色通道计算得到色彩校正因子，将缩放后的训练图像及其色彩校正因子输入增强曲线估计网络，得到增强曲线的参数矩阵，得到每次迭代时相应的增强曲线，通过色彩校正因子对增强曲线进行修正，对缩放后的训练图像通过修正后的增强曲线迭代，得到初步的增强结果；对增强曲线的参数矩阵和初步的增强结果分别计算无参考损失；计算预设的测试图像的色彩校正因子，得到最终的增强图像。本发明通过跳跃连接和注意力机制自适应选择和学习特征能力，利用低光图像中色彩先验信息对增强曲线进行校正，防止增强过程中的颜色失真，并提升整体色彩对比度。

本发明涉及图像数据处理技术领域，具体涉及一种眼科OCT图像的高清化智能处理方法，包括：获取眼科OCT图像中的纵向子块内的疑似分层线；获取疑似分层线上像素点的特征距离；根据特征距离得到光滑程度；结合光滑程度根据疑似分层线的拟合直线的延伸方向，得到分界可能性；根据疑似分层线之间的距离和分界可能性得到疑似分层线的分层增益指数；根据分界可能性和分层增益指数得到像素点在每个纵向子块的目标灰度；根据像素点在所有纵向子块的目标灰度，得到像素点的增强灰度值；根据所有像素点的增强灰度值，得到眼科OCT增强图像。本发明通过像素点的增强灰度值得到眼科OCT增强图像，提高了眼科OCT图像的显示效果。

本发明公开了一种水下图像增强方法及系统，包括：对原始水下图像进行L通道对比度增强获得局部增强图像；利用限制对比度自适应直方图均衡化方法将原始水下图像进行颜色恢复获得均衡化图像；将局部增强图像和均衡化图像进行线性加权融合获得融合图像；对融合图像进行#imgabs0#通道和#imgabs1#通道颜色校正获得矫正图像；通过单目深度估计方法对融合图像进行深度预测获得深度引导图；对融合图像进行RGB通道信息扩展获得细节图像；将矫正图像、深度引导图和细节图像进行图像融合获得最终增强图像。本发明实现了局部对比度增强和全局色彩恢复的协调融合，使得增强后的图像在视觉质量上得到了显著提升。

本发明涉及数据处理技术领域，具体涉及一种畜牧兽医用X光片智能处理系统，获取X光图像；得到均衡化后的灰度直方图；得到若干个聚类中心；得到灰度矩阵中的每个点与每个聚类中心的特征距离；得到若干聚类簇；对每个聚类簇获取第一数量的初始代表点；得到每个初始代表点的代表系数，得到每个聚类簇的若干优选代表点；得到每个聚类簇的初始收缩系数，得到每个属于骨骼区域的聚类簇修正后的收缩系数；得到每个优选代表点的收缩距离，进而得到每个属于骨骼区域的聚类簇收缩后的代表点集；得到若干骨骼聚类簇；得到对骨骼增强的X光图像。本发明通过优化算法，对畜牧兽医用X光片图像进行精细化处理，提升了图像质量和诊断准确性。

本发明提出了结合双分支核自适应和多尺度融合的水下图像增强方法，包括：将成对水下原始图像进行数据增强和归一化处理，获得成对水下图像；构建双分支核自适应模块和多尺度融合模块，获得深层次特征并对其进行有效融合；基于双分支核自适应模块和多尺度融合模块，构建水下图像增强的卷积神经网络，输出水下图像；设计目标损失函数；将成对水下图像作为训练集，获得训练后的水下图像增强的卷积神经网络；将待增强的成对水下原始图像进行归一化处理，输入训练完成的水下图像增强模型，得到增强的水下图像。本发明能对水下图像进行增强，有效地解决了色调恢复效果差的问题以及由卷积核引起的欠增强和过增强问题。