【阅读笔记】低照度图像增强-《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images》

博主： AomanHao
发布时间：2022 年 10 月 30 日
846 次浏览
暂无评论
597字数
分类： ISP图像处理相关

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$I^{rgb}$转为灰度图像$Y$，并归一化为$Y_{n}$

$$
Y(x,y)=\frac{76.245*I^{r}(x,y)+19.685*I^{g}(x,y)+29.071*I^{b}(x,y)}{255}
$$

$$
Y_{n}(x,y)=\frac{Y(x,y)}{255}
$$

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

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

其中，改进项是$z$受图像统计数据影响对不同照度图像有不同处理。

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

式中的 $L$ 表示灰度图像$Y$的累计直方图到1%像素总数时的灰阶值，如果$Y$很亮，90%的像素值都大于150，则Z=1，则$Y_{n}^{'}=Y_{n}$，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$Y$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、通过高斯模糊考虑领域信息，根据下式得到增强系数$R$，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。

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

其中，$r(x,y)$表示如下

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

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

$$
p=\begin{cases}
3,for \sigma<=3\\ \frac{27-2\sigma}{7},for3<\sigma<=7\\1,for \sigma>7
\end{cases}
$$

其中，$\sigma$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$P$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

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

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

<center class ='img'>
<img title="低照度图像1" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_1.jpg"  width="30%">
<img title="低照度图像1INDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_1_INDANE.png"  width="30%">
<img title="低照度图像1AINDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_1_AINDANE.png"  width="30%">
</center >
图、测试图像1、INDANE处理效果、AINDANE处理效果

<center class ='img'>
<img title="低照度图像2" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_2.jpg"  width="30%">
<img title="低照度图像2 INDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_2_INDANE.png"  width="30%">
<img title="低照度图像2 AINDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_2_AINDANE.png"  width="30%">
</center >
图、测试图像2、INDANE处理效果、AINDANE处理效果

<center class ='img'>
<img title="测试图像3" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_4.bmp" alt=""  width="30%" style="">
<img title="测试图像3INDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_4_INDANE.png"  width="30%">
<img title="测试图像3AINDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_4_AINDANE.png"  width="30%">
</center >
图、测试图像3、INDANE处理效果、AINDANE处理效果

<center class ='img'>
<img title="测试图像4" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_B3.bmp"  width="30%">
<img title="测试图像4INDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_B3_INDANE.png" width="30%">
<img title="测试图像4AINDANE结果" src="https://img-blog.nos-eastchina1.126.net/Paper/LowLight/2004_53cita_B3_AINDANE.png"  width="30%">
</center >
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。

最后修改：2022 年 11 月 04 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱 *

地址

【阅读笔记】低照度图像增强-《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images》

AomanHao • 2022 年 10 月 30 日

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$I^{rgb}$转为灰度图像$Y$，并归一化为$Y_{n}$

$$
Y(x,y)=\frac{76.245*I^{r}(x,y)+19.685*I^{g}(x,y)+29.071*I^{b}(x,y)}{255}
$$

$$
Y_{n}(x,y)=\frac{Y(x,y)}{255}
$$

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

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

其中，改进项是$z$受图像统计数据影响对不同照度图像有不同处理。

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

3、对比度增强：接着对灰度图像$Y$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；

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

其中，$r(x,y)$表示如下

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

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

$$
p=\begin{cases}
3,for \sigma<=3\\ \frac{27-2\sigma}{7},for3<\sigma<=7\\1,for \sigma>7
\end{cases}
$$

其中，$\sigma$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$P$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

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

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

## 算法总结

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

【阅读笔记】低照度图像增强-《Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images》

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款