【阅读笔记】低照度图像增强-《An Integrated Neighborhood Dependent Approach for Nonlinear Enhan

本文介绍的是一种比较实用的低照度图像增强算法，选自2004年Tao的一篇论文，名称是《An Integrated Neighborhood Dependent Approach for Nonlinear Enhancement of Color Images 》

概述

图像中暗区图像增强的基本机制是对图像的亮度进行动态范围压缩，但是图像的对比度会下降，输出图像看起来会变灰。为了提高图像的整体质量，必须应用对比度增强过程来恢复甚至增强原始图像的对比度信息。本文采用亮度提升和对比度增强两个独立模块分别处理。

1、通过使用非线性传递函数实现的亮度提升。可以手动或自动调整该传递函数以实现适当的亮度增强。

2、图像通过对比度增强进行处理，与传统技术不同，对比度增强是基于处理后（中心）像素及其周围相邻像素的强度信息的自适应过程。通过使用具有高斯核卷积来获得周围像素的亮度信息。具有相同亮度的像素可能根据其邻近像素具有不同的输出。可以最佳地增强图像对比度和细节，同时可以在不降低图像质量的情况下控制动态范围扩展。

算法过程

1、RGB图像 $I^{rgb}$ 转为灰度图像 $Y$ ，并归一化为 $Y_{n}$

2、根据下式进行非线性转换

Y_{n}^{'}=\frac{(Y_{n}^{0.24}+(1-Y_{n})*0.5+Y_{n}^{2})}{2}

这种变换可以很大程度上提高暗像素(区域)的亮度，而亮像素(区域)的亮度增强较低，甚至是负增强。从而达到较好的效果

一个非线性gamma映射曲线

3、对灰度图像 $Y$ 进行不同尺度的高斯核函数卷积运算，得到模糊图像 $Y'$ ，卷积公式如下：

Y'(x, y) = Y(x, y) * G(x, y)

高斯卷积核 $G(x,y)$ 如下：

G(x,y)=K*e^{(\frac{-(x^2+y^2)}{c^2})}

其中， $K$ 函数

\iint K*e^{(\frac{-(x^2+y^2)}{c^2})}dxdy=1

其中， $c$ 是高斯函数尺度；

4、通过下式得到增强系数 $R$

R(x,y) =255* Y_{n}^{'}(x,y)^{r(x,y)}

其中， $r(x,y)$ 如下

r(x,y)=\frac{Y'(x, y)}{Y(x, y)}

中心像素的亮度可以根据 $R(x，y)$ 是否大于或小于1（由较亮像素或较暗像素包围）而增加或减少。

5、为了获得最佳的图像增强效果，使用不同尺度的多个卷积结果进行对比度增强。最终的输出是基于多个尺度的对比度增强结果的线性组合

R(x,y)=\sum_{i}w_{i}R_{i}(x,y)

尺度选择5, 20 and 240，权重为取均值

6、RGB三通道等比例恢复

R_{j}(x,y)=R(x,y)*\frac{I_{j}((x,y)}{I((x,y)}*\lambda

其中， $j$ 表示rgb三通道分量, $R_j$ 是增强图像。 $\lambda$ 表示色调调节因子，通常取1也可，输出的彩色图像可以通过色彩饱和度和白平衡调整进一步细化。

效果对比

图、测试图像1、INDANE处理效果

图、测试图像2、INDANE处理效果

算法总结

算法本质是暗区提亮gamma曲线映射实现，亮区不处理或者轻微处理。后续对比度处理精细化增强系数，需要多尺度高斯核函数卷积。非线性gamma曲线如图下蓝线，线性映射如黄色线：

觉得本文对您有一点帮助，欢迎讨论、点赞、收藏，您的支持激励我多多创作。

【阅读笔记】低照度图像增强-《An Integrated Neighborhood Dependent Approach for Nonlinear Enhan

概述

算法过程

效果对比

算法总结

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问

我的知乎主页，欢迎访问