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

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》
INDANE算法文章链接

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

r

g

b

I^{rgb}

Irgb转为灰度图像

Y

Y

Y，并归一化为

Y

n

Y_{n}

Yn​

Y

(

x

,

y

)

=

76.245

∗

I

r

(

x

,

y

)

+

19.685

∗

I

g

(

x

,

y

)

+

29.071

∗

I

b

(

x

,

y

)

255

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

Y(x,y)=25576.245∗Ir(x,y)+19.685∗Ig(x,y)+29.071∗Ib(x,y)​

Y

n

(

x

,

y

)

=

Y

(

x

,

y

)

255

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

Yn​(x,y)=255Y(x,y)​

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

′

=

(

Y

n

(

0.75

z

+

0.25

)

+

(

1

−

Y

n

)

∗

0.4

∗

(

1

−

z

)

+

Y

n

(

2

−

z

)

)

2

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

Yn′​=2(Yn(0.75z+0.25)​+(1−Yn​)∗0.4∗(1−z)+Yn(2−z)​)​

其中，改进项是

z

z

z受图像统计数据影响对不同照度图像有不同处理。

z

=

{

0

,

f

o

r

L

<

=

50

L

−

50

100

,

f

o

r

50

<

L

<

=

150

1

,

f

o

r

L

>

150

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

z=⎩

⎨

⎧​0,forL<=50100L−50​,for50<L<=1501,forL>150​

式中的

L

L

L 表示灰度图像

Y

Y

Y的累计直方图到1%像素总数时的灰阶值，如果

Y

Y

Y很亮，90%的像素值都大于150，则Z=1，则

Y

n

′

=

Y

n

Y_{n}^{'}=Y_{n}

Yn′​=Yn​，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

Y

Y进行不同尺度的高斯核函数卷积运算，得到模糊图像

Y

′

Y'

Y′，卷积公式如下：

Y

′

(

x

,

y

)

=

Y

(

x

,

y

)

∗

G

(

x

,

y

)

Y'(x, y) = Y(x, y) * G(x, y)

Y′(x,y)=Y(x,y)∗G(x,y)

高斯卷积核

G

(

x

,

y

)

G(x,y)

G(x,y)如下：

G

(

x

,

y

)

=

K

∗

e

(

−

(

x

2

+

y

2

)

c

2

)

G(x,y)=K*e^{(\frac{-(x^2+y^2)}{c^2})}

G(x,y)=K∗e(c2−(x2+y2)​)

其中，

K

K

K函数

∬

K

∗

e

(

−

(

x

2

+

y

2

)

c

2

)

d

x

d

y

=

1

\iint K*e^{(\frac{-(x^2+y^2)}{c^2})}dxdy=1

∬K∗e(c2−(x2+y2)​)dxdy=1

其中，

c

c

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

R

R，中心像素的亮度可以根据

R

(

x

，

y

)

R(x，y)

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

)

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

R(x,y)=255∗Yn′​(x,y)r(x,y)

其中，

r

(

x

,

y

)

r(x,y)

r(x,y)表示如下

r

(

x

,

y

)

=

[

Y

′

(

x

,

y

)

Y

(

x

,

y

)

]

p

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

r(x,y)=[Y(x,y)Y′(x,y)​]p

其中，改进项是引入参数

p

p

p 改善图像对比度，

p

p

p受图像标准差影响对数据有不同处理，

p

p

p计算如下：

p

=

{

3

,

f

o

r

σ

<

=

3

27

−

2

σ

7

,

f

o

r

3

<

σ

<

=

7

1

,

f

o

r

σ

>

7

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

p=⎩

⎨

⎧​3,forσ<=3727−2σ​,for3<σ<=71,forσ>7​

其中，

σ

\sigma

σ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

P

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

)

=

∑

i

w

i

R

i

(

x

,

y

)

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

R(x,y)=i∑​wi​Ri​(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

)

∗

I

j

(

(

x

,

y

)

I

(

(

x

,

y

)

∗

λ

R_{j}(x,y)=R(x,y)*\frac{I_{j}((x,y)}{I((x,y)}*\lambda

Rj​(x,y)=R(x,y)∗I((x,y)Ij​((x,y)​∗λ

其中，

j

j

j表示rgb三通道分量,

R

j

R_j

Rj​是增强图像。

λ

\lambda

λ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

图、测试图像1、INDANE处理效果、AINDANE处理效果

图、测试图像2、INDANE处理效果、AINDANE处理效果

图、测试图像3、INDANE处理效果、AINDANE处理效果

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。