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'>



</center >
图、测试图像1、INDANE处理效果、AINDANE处理效果

<center class ='img'>



</center >
图、测试图像2、INDANE处理效果、AINDANE处理效果

<center class ='img'>



</center >
图、测试图像3、INDANE处理效果、AINDANE处理效果

<center class ='img'>



</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