激光与光电子学进展, 2020, 57 (14): 141015, 网络出版: 2020-07-28 复制并引用该论文  本文已被引 2 次  被引通知

图 & 表

图 1. CGAN模型

Fig. 1. CGAN model

下载图片 查看原文

图 2. 本文算法流程图

Fig. 2. Flow chart of proposed algorithm

下载图片 查看原文

图 3. 所设计的生成器结构

Fig. 3. Structure of proposed generator

下载图片 查看原文

图 4. 所设计的判别器结构

Fig. 4. Structure of proposed discriminator

下载图片 查看原文

图 5. Sigmoid函数曲线

Fig. 5. Sigmoid function curves

下载图片 查看原文

图 6. 合成的低照度遥感图像示例

Fig. 6. Examples of synthetic low-illumination remote sensing images

下载图片 查看原文

图 7. 不同算法对256 pixel×256 pixel图像主观视觉对比。(a)原始图像;(b) HE;(c) MSR;(d) MSRCR;(e) Dong;(f)本文算法

Fig. 7. Comparison of 256 pixel×256 pixel subjective visual images via different algorithms. (a) Original images; (b) HE; (c) MSR; (d) MSRCR; (e) Dong; (f) proposed algorithm

下载图片 查看原文

图 8. 380 pixel×380 pixel图像经本文算法处理后的结果

Fig. 8. Results of 380 pixel×380 pixel images processed by proposed algorithm

下载图片 查看原文

图 9. α取值不同的实验结果。(a)原始图像;(b) α=2.1;(c) α=4;(d) α=6

Fig. 9. Experimental results of different values of α. (a) Original images; (b) α=2.1; (c) α=4; (d) α=6

下载图片 查看原文

表 1不同算法的客观评价指标对比

Table1. Comparison of objective evaluation indexes of different algorithms

Method Dong HE MSR MSRCR Ours PSNR 12.675 11.215 12.507 12.769 14.710 MSE 3152.2 9571.9 9212.7 8996.2 462.82 SSIM 0.2146 0.1939 0.2693 0.2352 0.3363 CON 19701 27355 25724 25282 28645 SAT 0.2684 0.1245 0.1501 0.3014 0.5437

查看原文

彭晏飞, 杜婷婷, 高艺, 訾玲玲, 桑雨. 基于条件生成对抗网络的低照度遥感图像增强[J]. 激光与光电子学进展, 2020, 57(14): 141015. Yanfei Peng, Tingting Du, Yi Gao, Lingling Zi, Yu Sang. Low-Illumination Remote Sensing Image Enhancement Based on Conditional Generation Adversarial Network[J]. Laser & Optoelectronics Progress, 2020, 57(14): 141015.