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。
Efficient Contrast Enhancement Using AdaptiveGamma Correction With Weighting Distribution相关推荐
- Efficient Hybrid De Novo Error Correction and Assembly for Long Reads
Efficient Hybrid De Novo Error Correction and Assembly for Long Reads 长read的高效的混合从头纠错和装配 Abstr ...
- 二维码提升对比度文献调研(3)--A Low-Complexity Algorithm for Contrast Enhancement of Digital Images
简介 (1)论文(包括期刊和发表时间):A Low-Complexity Algorithm for Contrast Enhancement of Digital Images (2)论文链接: h ...
- Contrast in Haze Removal: Configurable Contrast Enhancement Model Based on Dark Channel Prior
吐槽吐槽!!!有史以来读的最费劲的一篇文章,各种长句!各种句式!各种缩写!各种实验中夹杂公式!!!各种各种!!!可是是IEEE的文章呢,读了那么多英文文章的如今读到我开始怀疑我的英文水平了,怀疑人生了 ...
- 图像对比度增强(Contrast Enhancement)详解
Contrast Enhancement: 对比度增强一直是图像处理中的一个恒久话题,一般来说都是基于直方图的,比如直方图均衡化.冈萨雷斯的书里面对这个话题讲的比较透彻. 关于图像增强必须清楚的基本概 ...
- Hi-C data analysis tools and papers
Hi-C data analysis tools and papers 全文链接如下: https://github.com/mdozmorov/HiC_tools Tools are sorted ...
- 曝光修正相关工作:Related Work on the Exposure Correction
本博客对曝光校准的相关工作进行简单总结,内容选自 2021 CVPR 文章:Learning Multi-Scale Photo Exposure Correction. 博客:https://blo ...
- 【CVPR2021】AdderSR: Towards Energy Efficient Image Super-Resolution
目录 0.论文精华 1.论文来源 2.摘要 3.引言 4.相关工作 5.网络结构 5.1 Preliminaries and Motivation 5.2 用加法网络学习恒等映射--解决第一个问题 5 ...
- 【论文阅读】A Biological Vision Inspired Framework for Image Enhancement in Poor Visibility Conditions
论文:A Biological Vision Inspired Framework for Image Enhancement in Poor Visibility Conditions 作者:Kai ...
- 《Contrast Limited Adaptive Histogram Equalization》自译
译自Karel Zuiderveld 论文 CLAHE This Gem describes a contrast enhancement technique called adaptive hist ...
最新文章
- C++ 构造函数的初始化列表
- 8.1 A Bayesian Methodology for Systemic Risk Assessment in Financial Networks(4)
- boost::shared_mutex相关的测试程序
- 你离顶尖网络工程师有多远?
- mysql绿色版安装
- Android一个自定义的进度环:ProgressChart
- Maven之生成测试覆盖度的插件cobertura-maven-plugin的使用
- 重构碎片化知识_day22重构力-思维导图:让碎片化知识的零存整取
- uboot启动第一阶段——start.S
- self_number
- bzoj 1044: [HAOI2008]木棍分割(二分+DP)
- EnvironmentLocationNotFound: Not a conda environment:
- nachos交叉编译器java_ubuntu - 编译Nachos源代码时出错“gnu / stubs-32.h:没有这样的文件或目录”...
- Hungry for your love 真爱无限
- 万象优鲜生鲜配送系统源码
- 极米H3S和坚果J10S对比,5000元投影仪到底哪个好?
- keevi源地址_贴吧源为什么一直添加不了?顺便分享好用的源添加贴吧源,一直提...
- kali Linux隐藏IP教程,Kali Linux 设置动/静态IP地址以及修改DNS
- 解决项目部署到阿里云服务器邮件发送失败的方法
- pandas duplicated() 重复行标记与drop_duplicates()删除
热门文章
- 屏蔽某地区(城市)访问网站
- 法规标准-GB/T 40429标准解读(2021版)
- js删除指定html及子标签,js中如何删除某个元素下面的所有子元素?(两种方法)...
- 单机网页游戏的如何修改服务器数据库,页游源码【神创天下】单机版GM修改+人物数据修改教程+一键启动客户端服务端...
- python怎么做游戏主播_做一名游戏主播是什么样的感受?
- 【桌面美化】这下可以肆无忌惮的看小姐姐了
- 三维动漫计算机配置,三维动画软件之Houdini软件的电脑配置要求_渲云动态
- iPhone闯大祸!车祸检测大量误报挤占救援资源
- 操作系统学习笔记: 第二章 操作系统逻辑结构
- C-CAPM模型(下)