【阅读笔记】低照度图像增强-《Adaptive and integrated neighborhood-dependent approach for nonli

AomanHao
45 阅读3分钟

本文介绍改进INDANE算法的低照度图像增强改进算法（AINDANE算法），《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images》

概述

改进算法同样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。

2、图像通过对比度增强进行处理

算法过程

1、RGB图像IrgbI^{rgb}转为灰度图像YY，并归一化为YnY_{n}

Y(x,y)=76.245∗Ir(x,y)+19.685∗Ig(x,y)+29.071∗Ib(x,y)255Y(x,y)=\frac{76.245*I^{r}(x,y)+19.685*I^{g}(x,y)+29.071*I^{b}(x,y)}{255}
Yn(x,y)=Y(x,y)255Y_{n}(x,y)=\frac{Y(x,y)}{255}

2、亮度调节：根据下式进行非线性转换,同样是一个非线性gamma映射曲线

Yn′=(Yn(0.75z+0.25)+(1−Yn)∗0.4∗(1−z)+Yn(2−z))2Y_{n}^{'}=\frac{(Y_{n}^{(0.75z+0.25)}+(1-Y_{n})*0.4*(1-z)+Y_{n}^{(2-z)})}{2}

其中，改进项是zz受图像统计数据影响对不同照度图像有不同处理。

z={0,forL<=50L−50100,for50<L<=1501,forL>150z=\begin{cases} 0,for L<=50\\ \frac{L-50}{100},for50<L<=150\\1,for L>150 \end{cases}

式中的 LL 表示灰度图像YY的累计直方图到1%像素总数时的灰阶值，如果YY很亮，90%的像素值都大于150，则Z=1，则Yn′=YnY_{n}^{'}=Y_{n}，相当不处理，优化了正常照度过度提亮的问题。

3、对比度增强：接着对灰度图像YY进行不同尺度的高斯核函数卷积运算，得到模糊图像Y′Y'，卷积公式如下：

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

高斯卷积核G(x,y)G(x,y)如下：

G(x,y)=K∗e(−(x2+y2)c2)G(x,y)=K*e^{(\frac{-(x^2+y^2)}{c^2})}

其中，KK函数

∬K∗e(−(x2+y2)c2)dxdy=1\iint K*e^{(\frac{-(x^2+y^2)}{c^2})}dxdy=1

其中，cc是高斯函数尺度；

4、通过高斯模糊考虑领域信息，根据下式得到增强系数RR，中心像素的亮度可以根据R(x，y)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。

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

其中，r(x,y)r(x,y)表示如下

r(x,y)=[Y′(x,y)Y(x,y)]pr(x,y)=[\frac{Y'(x, y)}{Y(x, y)}]^{p}

其中，改进项是引入参数pp 改善图像对比度，pp受图像标准差影响对数据有不同处理，pp计算如下：

p={3,forσ<=327−2σ7,for3<σ<=71,forσ>7p=\begin{cases} 3,for \sigma<=3\\ \frac{27-2\sigma}{7},for3<\sigma<=7\\1,for \sigma>7 \end{cases}

其中，σ\sigma表示全局图像均方差（global standard deviation）。当全局均方差小于3时表示图像对比度很差，此时PP取大值。

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)=∑iwiRi(x,y)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

Rj(x,y)=R(x,y)∗Ij((x,y)I((x,y)∗λR_{j}(x,y)=R(x,y)*\frac{I_{j}((x,y)}{I((x,y)}*\lambda

其中，jj表示rgb三通道分量,RjR_j是增强图像。λ\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、AINDANE处理效果 图、测试图像2、INDANE处理效果、AINDANE处理效果 图、测试图像3、INDANE处理效果、AINDANE处理效果 图、测试图像4、INDANE处理效果、AINDANE处理效果

算法总结

相较INDANE算法，主要改进点在步骤2、4统计图像数据对亮度调节和对比度增强两个模块进行分别优化，达到算法应用普适化的效果，即对正常照度对比度好的图像微处理。

全局对比度增强算法根据一个阈值，使高于阈值的像素更亮，低于阈值的像素更暗，扩展图像动态范围。这种方法不考虑像素邻域的信息，没有提高局部邻域像素之间的差异性。当中心像素比邻域像素平均值大时，我们增大当前像素值，反之减小。这样，图像的的对比度和细节都能得到有效的提升，同时图像的动态范围也有得到有效的压缩。

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。

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

avatar
文章
阅读
粉丝