Retinex processing for automatic image enhancement 翻译
2013-07-26 18:50
459 查看
Retinex processing for automatic image enhancement
摘要:
最近六七年来,人们从新燃起了对Retinex computation的兴趣,特别是在它对图像增强的应用方面。在上次发布的Retinex computation观念中,Land引入了一个中央/围绕空间形态(原文:center/surround spatial form),这是受到神经生理学的接受域结构的启发。把这作为我们的起始点,我们发展Retinex观念在一个全自动图像增强算法(MSRCR),它结合了色感一致性和局部对比度/亮度增强来把数字图像转换为接近现实中现场观察到的场景。近来我们亦对表单提出的图像方面的基础科学问题进行了研究。
数字图像的线性表示在视觉方面对于捕获宽动态场景范围能够胜任吗?
用MSRCR经行视觉测量能够得到发展吗?
有一个统计学上理想的视觉图像标准吗?
这些问题的答案可以为自动化视觉评估方案提供基础服务,这也是给计算机带来智能视觉原始的第一步。
引言:
对彩色数字图像/模拟图像的一个常见的问题就是怎么通过取景器在一幅获得的图像上成功的捕获动态感光范围和颜色。通常,这幅图像对实际观察到的场景的重现力比较差。Land以一个人类视觉亮度和颜色感知模型构思了Retinex理念。多年来,Land发展这个观念从一个随机步长估算到它最后的形式,一个与个体神经元在灵长类动物的视网膜,侧膝核和大脑皮层的神经生理学功能相关的中央/围绕空间对立操作(as a center/
surround spatially opponent operation)
考虑色感一致性的问题,
Hurlbert
表明
没有一个精确的解决方案
来移除亮度综观变量。Moore等人在模拟超大规模集成电路上执行Retinex的一种形式来实现实时动态范围压缩,但遭遇到场景上下文依赖限制(scene context-dependent),因此没有取得广泛的实现。
在我们的研究中,我们不用Retinex作为人类视觉颜色一致性模型。我们用它作为一个平台通过综合局部对比度改善,颜色一致性(color constancy)和亮度/颜色还原(lightness/color rendition)对数字图像增强。目的是转换记录的数字图像的视觉特征以使它的还原更接近现场观察到的场景。特别重点放在增加宽动态范围场景(指包含明亮和黑暗区域的场景)图像的黑暗区域的局部对比度,以使它符合我们对这些黑暗区域的感知。对中央/围绕Retinex属性的基础研究引导我们朝着一个使用Hurlbert的Gaussian surround,Land的1/pow(r,2),Morre的指数的方向。由于围绕的宽度影响处理图像的还原,为提供一个视觉上可接受的在动态范围压缩和优美的色调重现间的的平衡,多尺度围绕是必要的。更多的细节讨论见第二部分。
最终的视觉性能缺陷就是颜色泛灰(color "graying"),这是由于全局和区域对Retinet理论
内在
的
假设灰度世界的侵犯。颜色复原对修正这个缺陷是必要的,采取与中央/围绕上的对数操作相似的对数操作。这在空间和光谱处理间产生了相互影响,导致了在颜色一致性强度和颜色重现间的取舍。颜色复原产生了在颜色一致性上的适度放宽,也许可以与人类颜色视觉感知特征相比较。Barnard 和 Funt 开发了一个神经网络来提供颜色一致性和重现。They were "
uncomfortable with [our] procedure as the effect [was] hard to characterize." 然而,他们的网络需要一个我们不需要的过程,针对已知光源校准算法。
待续...
摘要:
最近六七年来,人们从新燃起了对Retinex computation的兴趣,特别是在它对图像增强的应用方面。在上次发布的Retinex computation观念中,Land引入了一个中央/围绕空间形态(原文:center/surround spatial form),这是受到神经生理学的接受域结构的启发。把这作为我们的起始点,我们发展Retinex观念在一个全自动图像增强算法(MSRCR),它结合了色感一致性和局部对比度/亮度增强来把数字图像转换为接近现实中现场观察到的场景。近来我们亦对表单提出的图像方面的基础科学问题进行了研究。
数字图像的线性表示在视觉方面对于捕获宽动态场景范围能够胜任吗?
用MSRCR经行视觉测量能够得到发展吗?
有一个统计学上理想的视觉图像标准吗?
这些问题的答案可以为自动化视觉评估方案提供基础服务,这也是给计算机带来智能视觉原始的第一步。
引言:
对彩色数字图像/模拟图像的一个常见的问题就是怎么通过取景器在一幅获得的图像上成功的捕获动态感光范围和颜色。通常,这幅图像对实际观察到的场景的重现力比较差。Land以一个人类视觉亮度和颜色感知模型构思了Retinex理念。多年来,Land发展这个观念从一个随机步长估算到它最后的形式,一个与个体神经元在灵长类动物的视网膜,侧膝核和大脑皮层的神经生理学功能相关的中央/围绕空间对立操作(as a center/
surround spatially opponent operation)
考虑色感一致性的问题,
Hurlbert
表明
没有一个精确的解决方案
来移除亮度综观变量。Moore等人在模拟超大规模集成电路上执行Retinex的一种形式来实现实时动态范围压缩,但遭遇到场景上下文依赖限制(scene context-dependent),因此没有取得广泛的实现。
在我们的研究中,我们不用Retinex作为人类视觉颜色一致性模型。我们用它作为一个平台通过综合局部对比度改善,颜色一致性(color constancy)和亮度/颜色还原(lightness/color rendition)对数字图像增强。目的是转换记录的数字图像的视觉特征以使它的还原更接近现场观察到的场景。特别重点放在增加宽动态范围场景(指包含明亮和黑暗区域的场景)图像的黑暗区域的局部对比度,以使它符合我们对这些黑暗区域的感知。对中央/围绕Retinex属性的基础研究引导我们朝着一个使用Hurlbert的Gaussian surround,Land的1/pow(r,2),Morre的指数的方向。由于围绕的宽度影响处理图像的还原,为提供一个视觉上可接受的在动态范围压缩和优美的色调重现间的的平衡,多尺度围绕是必要的。更多的细节讨论见第二部分。
最终的视觉性能缺陷就是颜色泛灰(color "graying"),这是由于全局和区域对Retinet理论
内在
的
假设灰度世界的侵犯。颜色复原对修正这个缺陷是必要的,采取与中央/围绕上的对数操作相似的对数操作。这在空间和光谱处理间产生了相互影响,导致了在颜色一致性强度和颜色重现间的取舍。颜色复原产生了在颜色一致性上的适度放宽,也许可以与人类颜色视觉感知特征相比较。Barnard 和 Funt 开发了一个神经网络来提供颜色一致性和重现。They were "
uncomfortable with [our] procedure as the effect [was] hard to characterize." 然而,他们的网络需要一个我们不需要的过程,针对已知光源校准算法。
待续...
相关文章推荐
- Retinex processing for automatic image enhancement 翻译
- Retinex processing for automatic image enhancement 翻译
- Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image
- 数字图像处理实验(16):PROJECT 06-03,Color Image Enhancement by Histogram Processing
- [翻译]Effect of Sensor Fusion for Recognition of Emotional States Using Voice, Face Image and Thermal Image of Face
- 论文笔记之:Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic
- 论文阅读笔记-Automatic Portrait Segmentation for Image Stylization
- Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image
- Image Processing for Dummies with C# and GDI+ Part 6 - The HSL color space
- Very Deep Convolutional Networks for Large-Scale Image Recognition—VGG论文翻译—中文版
- Deep Visual-Semantic Alignments for Generating Image Descriptions 翻译
- CCS算法(Contour-Constrained Superpixels for Image and Video Processing)
- Domain Transform for Edge-Aware Image and Video Processing - 论文阅读
- Image Processing for Dummies with C# and GDI+ Part 5 - Displacement filters, including swirl
- C#图像处理教程 C# Tutorials for image processing
- 【Paper Note】Very Deep Convolutional Network For Large-Scale Image Recognition 论文翻译(VGG)
- 翻译A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes
- Image Processing for Dummies with C# and GDI+ Part 3 - Edge Detection Filters
- 2014-VGG-《Very deep convolutional networks for large-scale image recognition》翻译
- Deep Bilateral Learning for Real-Time Image Enhancement