به سازي تصاوير با تكيه بر اطّلاعات گاما

Image Enhancement Using Gamma Correction

در اين مقاله روش خودكار جديدي براي بهبود روشنايي تصوير با تكيه بر اصلاح گاما ارايه شده است. اغلب در روش هاي موجود، اصلاح گاما، ضريب گاما به طور يكنواخت در تمام قسمت هاي يك تصوير تغيير مي يابد. از آنجايي كه تغييرات گاما در تصوير ممكن است به صورت غيرخطي انجام گرفته باشد، در اين مقاله اصلاح گاما به صورت محلي انجام مي گيرد. اين روش گاماهاي مناسب را براي ناحيه هاي مختلف از يك تصوير با استفاده از شبكه عصبي پرسپترون چند لايه تخمين مي زند. بدين صورت كه ابتدا تعدادي تصوير با گاماهاي مشخص را پنجره گذاري كرده و دو ويژگي ميانگين و بافت تصوير كه به ترتيب مرتبط با ميزان روشنايي و شدّت نور تصوير مي باشد را از هر پنجره براي آموزش شبكه عصبي استخراج مي نمايد. به همين ترتيب پنجره گذاري و استخراج ويژگي را براي تصوير جديد (تصويري كه نياز به اصلاح گاما دارد) نيز انجام مي دهد. سپس بردار ويژگي به دست آمده از هر پنجره را به شبكه عصبي آموزش داده شده، اعمال مي نمايد تا گاماي مناسب براي هر پنجره از تصوير جديد تخمين زده شود. در استفاده از اين روش، برخلاف روش هاي موجود، چنانچه بخشي از يك تصوير داراي گاماي مناسبي باشد، تغييري در شدّت روشنايي آن قسمت انجام نمي گيرد. در اين مقاله، به منظور ارزيابي كيفيت تصوير از معيارهاي كيفي و كمّي استفاده شده است. نتايج حاصل از اين معيارها بر روي تصاوير مختلف نشان مي‎دهند كه روش پيشنهادي در مقايسه با ساير روش ها عملكرد مناسب تري دارد.

In this paper a new automatic method is presented to enhance the image brightness through gamma correction process. Most of current gamma correction methods apply a uniform gamma correction across the image. Considering the fact that gamma variation for a single image is actually nonlinear, the proposed method does the gamma correction in a local approach. Thus the method is able to estimate appropriate gamma values for different regions of the image using a neural network. After windowing several training images with known gamma values, the mean and texture of each window (responsible for brightness and contrast of the window) are computed to train the neural network. The same features will be extracted from the unknown image to estimate the correct gamma values of the different parts of the image. Unlike other gamma correction methods, the proposed method does not change the gamma values of an image which does not need any brightness enhancement. In this paper, objective and subjective image quality assessment are used. The experimental results prove its better performance over other gamma correction methods.