相关文章可以在https://github.com/WANG-Guangxin/docs中下载

A Biological Vision Inspired Framework for Image Enhancement in Poor Visibility Conditions

基本信息

  1. 作者：Kai-Fu Yang , Xian-Shi Zhang , and Yong-Jie Li , Senior Member, IEEE
  2. 发表于：IEEE TIP (2020)
  3. 作者单位：电子科技大学

内容概要

受生物视觉机制的启发，提出了一种图像增强框架。首先将图像分为Base层和Detail层，在Base层对图像进行增强处理，在Detail层对图像进行噪声抑制（不是完全的去除噪声，那样可能会丢失细节。）最后将处理后的Base层和Detail层进行合成。对此框架稍加改动，可以实现HDR图像的色调映射。

具体方法

  1. 图像分解：通过最小化Base层与原图像的差的平方，来获得Base层。加入TV正则化项限制图像细节。
  2. 亮度增强：亮度增强过程中修改了NR方程，把NR方程的全局适应子σ\sigma , 分为全局适应子和局部适应子的加权相加，其权重的和为1，是一种线性组合的模式。分解后的全局适应子和局部适应子由图像本身的性质（均值和标准差）以及一个用来平衡均值和标准差作用的wsw_s来决定。全局适应子的权重和局部适应子的权重由图像本身和一个人工设置的参数k共同决定。
  3. 噪声抑制：通过细节层与高斯函数做卷积，计算细节层的权重，将此权重与细节层相乘得到新的细节层。
  4. 图像重构：将处理后的细节层和Base层相加，设置一个参数wdw_d来调节相加的比重。
  5. HDR图像：取消了细节路径中的处理，对图像进行对数归一化的预处理，将图像非线性压缩到[0 , 1] ,按上述方法进行亮度增强，最后进行伽马校正。

实验

  1. 主观效果：不错（我的主观评价）
  2. 客观指标： ILNIQE 质量评估低于其他算法。TMQI 在PKUnight数据集上获得了最高值，在LDRpoor 数据集上排名靠前。

Image enhancement through weighting function estimation with infrared image

基本信息

  1. 作者：JongSu Kim, YongHo Kim, Sangkuen Lee
  2. 发表于：2010 International SoC Design Conference
  3. 作者单位：MultiMedia Computing Laboratory Department of Imaging Science in GSAIM, Chung-Ang University, Seoul, South Korea

内容概要

对红外图像和可见图像进行融合

具体方法

没太看懂

Underwater Image Enhancement Using Adaptive Retinal Mechanisms

基本信息

  1. 作者：Shao-Bing Gao , Member, IEEE, Ming Zhang , Qian Zhao, Xian-Shi Zhang ,
    and Yong-Jie Li , Senior Member, IEEE
  2. 发表于：IEEE TIP (2019)
  3. 作者单位：电子科技大学

内容概要

模拟鱼类视网膜机制进行水下图像增强。其中水平细胞进行图像颜色矫正，