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》
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
1、RGB图像I^{rgb}转为灰度图像Y,并归一化为Y_{n}
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
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:
高斯卷积核G(x,y)如下:
其中,K函数
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。
其中,r(x,y)表示如下
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
尺度选择5, 20 and 240,权重为取均值
6、RGB三通道等比例恢复
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。
<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
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。