图像增强(2)-- 3GGMM
这是文章《Restoration of Unevenly Illuminated Images》【1】提出的一种方法,经过测试没有MSRCR的方法好(也有可能是我复现的问题)。但思路比较有意思所以记录一下
这种方法认为光照不均匀图像的灰度直方图可以用一个高斯混合模型拟合,该模型包含3个高斯分布,分别代表过暗、过曝和正常3部分内容 – (3GGMM) a three-component generalized Gaussian mixture model。
图1. 光照不均匀图像的直方图可以用一个混合高斯模型表示(图片取自论文【1】)
方法首先应用EM算法估计高斯混合模型的参数,然后对代表过暗和过曝的部分应用OCTM【2】算法做灰度均衡
高斯混合模型参数估计
在这里高斯分布的数量是3,还需要估计每个高斯分布的均值、方差和概率
文章【1】提出使用文献【3】的方法估计“有限范围的高斯混合模型参数”,但经过我的测试,通用的EM算法就可以获得不错的效果
图2. 白色:灰度直方图;绿色:EM算法估计的结果
图2中左上是原图;右上是灰度直方图和估计结果;左下是使用估计结果做的分割;右下是论文中的结果
可以看到主要差别在天际线附近的山,论文的方法分的更好
OCTM均衡
将各个区域分出来后,论文单独将过暗和过曝的区域拎出来,各自做OCTM均衡
OCTM算是直方图均衡化的改进,其认为直方图均衡化约束条件不够,因此可能会产生不自然的扭曲
{ m a x ∑ 0 ≤ j < L p j s j s u b j e c t t o ∑ 0 ≤ j < L s j < L ′ s j ≥ 1 / d , 0 ≤ j < L \left\{\begin{aligned}max\sum_{0\leq j<L}{p_js_j}\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \\ subject\ to \sum_{0\leq j <L}s_j<L'\ \ \ \ \ \ \ \ \ \ \ \ \\ s_j\geq1/d,0\leq j<L\\ \end{aligned}\right. ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧max0≤j<L∑pjsj subject to0≤j<L∑sj<L′ sj≥1/d,0≤j<L
OCTM将其描述为上式所示的线性优化问题,其中
L L L为当前灰度级(通常为256), L ′ L' L′为映射后灰度级(我这里也定为256)
p i p_i pi为原始图各个灰度值的概率
T ( i ) = ∑ 0 ≤ j ≤ i s j , 0 ≤ i < L T(i)=\sum_{0\leq j\leq i}s_j, 0\leq i < L T(i)=∑0≤j≤isj,0≤i<L,其中 T ( i ) = j T(i)=j T(i)=j是OCTM试图找到的一种映射,将原始灰度 i i i映射为 j j j
限制条件1确保了 T ( L − 1 ) < L ′ T(L-1)<L' T(L−1)<L′
限制条件2确保了映射后灰度变化 s i s_i si尽可能均衡
目标函数从直观上理解,就是要映射后灰度变化 s i s_i si的均值取最大(也就是变化尽可能均匀)
像上式这种线性优化问题,可以使用 PuLp 库求解
效果
图3. 3GGMM方法光照均衡
1)分割后仅对过暗区域处理,过曝区域效果不好;
2)对暗区域直接使用直方图均衡,OCTM方法效果不好(有可能是实现的问题);
3)首先将原图转换到HSV,仅对V通道做均衡;
3)调整后人物的左脸“黑块”是因为这块区域被划分到非过暗区域(论文中也有这个问题,但最终结果却很好,是OCTM的功劳?);
4)这种方式对纹理丰富的图像会有问题:边界过渡会很不自然;
5)此外对于特殊图片也有问题:如包含黑白棋盘格的图片,3GGMM会将一个棋盘的黑白格分开,导致棋盘失真
6)将结果与图像增强(1)-- Retinex的MSRCR比较,后者虽然色彩还原不够好,但整体上更自然
参考文献
【1】Li M, Wu X, Liu J, et al. Restoration of Unevenly Illuminated Images[C]//2018 25th IEEE International Conference on Image Processing (ICIP). IEEE, 2018: 1118-1122.
【2】Wu X. A linear programming approach for optimal contrast-tone mapping[J]. IEEE transactions on image processing, 2010, 20(5): 1262-1272.
【3】Nguyen T M, Wu Q M J, Zhang H. Bounded generalized Gaussian mixture model[J]. Pattern Recognition, 2014, 47(9): 3132-3142.
图像增强(2)-- 3GGMM相关推荐
- LabVIEW图像增强算法(基础篇—5)
目录 1.空间域图像增强算法 1.1.线性卷积 1.1.1.一维卷积 1.1.2.二维卷积 1.2.领域增强 1.2.1.线性滤波 1.2.2.非线性滤波 2.频率域图像增强算法 2.1.傅里叶变换算 ...
- 基于深度学习的低光照图像增强方法总结(2017-2019)| CSDN博文精选
扫码参与CSDN"原力计划" 作者 | hyk_1996 来源 | CSDN博客精选 之前在做光照对于高层视觉任务的影响的相关工作,看了不少基于深度学习的低光照增强(low-lig ...
- 机器视觉关键技术之图像增强技术
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 图像处理是指对图像信息进行加工,从而满足人类的心理.视觉或者应用需 ...
- 使用Python+OpenCV+GAN实现车牌图像增强
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自|AI算法与图像处理 在好莱坞的犯罪电影中,我们经常看到侦 ...
- 非常好用的Python图像增强工具,适用多个框架
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者:mdbloice 编译:ronghuaiyang 图像增强是 ...
- 数字图像处理7:图像增强之灰度变换
图像处理入门:图像增强之灰度变换 2018年10月28日 15:48:13 M_Z_G_Y 阅读数:42 改善降质图像的方法:1.图像增强:2.图像复原 其中图像增强的主要内容如下: 灰度变换也被称为 ...
- 图像处理学习三(频域图像增强)
频域图像增强 基础知识: 图像变换技术:将原定义在图像空间的图像以某种形式转换到另外一些空间 ...
- CNN 图像增强--DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks
DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks ICCV2017 http://people.ee.eth ...
- c++ 绘制函数图像_【图像增强】CLAHE 限制对比度自适应直方图均衡化
文章来自:微信公众号[机器学习炼丹术]. 文章目录: 1 基本概述 2 竞赛中的CLAHE实现 3 openCV绘制直方图 4 对比度Contrast 5 Contrast Stretching 6 ...
最新文章
- Struts2学习小结
- Julia程序设计3 数组2 排序、复制、集合运算、字典
- 在Linux下记录所有用户的登录和操作日志
- iframe的应用 实现无刷新用户注册
- vscode tab键快捷生成元素html标签
- NLP复习资料(6)-第十章 语义分析
- 使用Xshell通过堡垒机登录服务器
- 计算机毕业设计中Python Django 框架目录结构简介
- leetcode剑指offer合集+题解
- 如何删除(插入)word表格下一页的空白页
- 数值分析课程主要学习内容总结
- 虚拟机的安装以及红帽子企业版5安装
- Untiy AVpro
- git cherry-pick 的时候出现git cherry-pick xxx fatal: bad object xxx
- PHP导出Excel方法大全
- 8个成语接龙首尾相连_四字成语接龙连接8个
- 2023编程语言趋势
- 如何申请edi许可证
- MySQL备份和还原操作
- jenkins之插件下载方法