Efficient Contrast Enhancement Using AdaptiveGamma Correction With Weighting Distribution

Abstract

本文提出了一种有效的方法来修改直方图并增强数字图像的对比度。
增强在数字图像处理、计算机视觉和模式识别中发挥着重要作用。
我们提出了一种自动变换技术，通过亮度像素的伽马校正和概率分布来提高暗淡图像的亮度。
为了增强视频，所提出的图像增强方法使用关于每帧之间差异的时间信息来降低计算复杂度。
实验结果表明，所提出的方法产生的增强图像质量与使用先前最先进方法产生的图像质量相当或更高。

PROPOSED METHOD

为了弥补这些方法的局限性，必须开发一种技术，在高水平的视觉质量和低计算成本之间建立平衡。

在本文中，提出了一种混合 HM 方法，通过有效地结合 TGC 和 THE 方法来实现这一目标。正如 RSWHE 方法的描述中所指出的，归一化的伽马函数可用于修改每个子直方图，以包括具有亮度保留的多重均衡 [13]。

但是，修改后的子直方图可能会丢失一些统计信息，从而降低增强效果。受 RSWHE 方法 [13] 的启发，我们直接利用 cdf 并应用归一化 gamma 函数来修改变换曲线，而不会丢失可用的统计直方图。因此，较低的伽马参数会产生更显着的调整。

这一观察导致我们采用补偿 cdf 作为自适应参数，它通过原始趋势的渐进增量来修改强度。提出的自适应伽马校正 (AGC) 公式如下：

AGC方法可以逐步增加低强度，避免高强度的显着衰减。

此外，加权分布 (WD) 函数也用于稍微修改统计直方图并减少不利影响的产生。 WD 函数表示为：

其中 α 是调整后的参数，pdfmax 是统计直方图的最大 pdf ，pdfmin 是最小 pd f 。基于等式（6），修改后的 cdf 近似为

其中 pdfw 的总和计算如下：

最后，基于等式（5）的cdf 的gamma参数修改如下：

根据研究[19]和[20]，通过使用HSV颜色模型可以将彩色图像增强到人类视觉可以接受的程度，该模型可以将原始图像的消色差和彩色信息解耦以保持颜色分布。

在HSV颜色模型中，色调（H）和饱和度（S）可以用来表示颜色内容，值（V）表示亮度强度。

可以通过保留 H 和 S 而仅增强 V 来增强彩色图像。因此，将所提出的带有 WD 的 AGC (AGCWD) 方法应用于 V 分量以增强颜色对比度。

图 2 显示了所提出的 AGCWD 方法的流程图。

对于用作输入的调光图像，大部分像素密集分布在低层区域。基于加权分布函数，可以平滑波动现象，从而减少伽马校正的过度增强。据我们所知，我们是第一批将 cdf 、权重分布和伽马校正相结合的研究人员。我们提出的 AGCWD 方法可以增强彩色图像，而不会产生伪影或扭曲颜色。

除了图像对比度增强之外，我们还提出了一种基于时间 (TB) 的技术，以进一步降低 AGCWD 方法增强视频序列所需的计算复杂度。图 3 显示了用于视频对比度增强的 TB 方法的流程图

在过程开始时，第一个传入帧直接存储在帧存储器中，用于为所提出的 AGCWD 方法生成映射曲线。对于后续传入的视频帧，熵模型可以用来衡量两个连续帧之间信息内容的差异。每一帧的信息内容由以下熵公式近似：

当当前 H 与前一个 H 的绝对差值超过阈值 Th 时，可以通过传入帧更新帧存储，同时修改变换曲线。在这种情况下，Th 根据经验设置为 0.05。
否则，直接应用现有的映射曲线来变换输入视频帧中的每个强度级别。

CONCLUSION

在本文中，我们提出了一种新的图像和视频序列增强方法。所提出的方法由三个主要步骤组成。
首先，直方图分析基于概率和统计推断提供单个图像的空间信息。第二步，使用加权分布来平滑波动现象，从而避免产生不利的伪影。在第三步也是最后一步，伽马校正可以通过使用平滑曲线自动增强图像对比度。此外，我们使用时间信息来减少视频序列的几个图像帧的计算时间。根据信息内容的不同，利用熵模型来判断变换曲线是否需要更新。实验图像增强结果表明，与其他最先进的方法相比，我们提出的方法表现良好。根据对时间消耗的分析，该方法可以在资源有限的实时视频系统中实现。