Гибридный метод локального контрастирования изображений с нейросетевой регулировкой параметров

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. Современные методы обработки изображений направлены на повышение их визуального качества, в частности, на адаптивное локальное контрастирование. Для достижения высокой эффективности контрастирования ранее применялись классические алгоритмы, однако они не учитывали глобальный контекст сцены и могли приводить к усилению шумовых искажений. В связи с этим в данной работе предложен гибридный метод адаптивного локального контрастирования изображений с использованием нейросетевой регулировки параметров.Целью статьи является разработка алгоритма, обеспечивающего оптимальное усиление контраста при минимизации шумовых артефактов и искажений, повышение контрастности и точности обнаружения объектов в режиме реального времени. Сущность решения: адаптивная настройка начальных параметров локального контрастирования с помощью сверточной нейронной сети, учитывающей яркостные и текстурные особенности. Сверточная нейронная сеть динамически подбирает параметры обработки и размеры локальных областей для объектов и фона, улучшая видимость деталей и подавляя артефакты обработки (ореолы, блочность). Метод реализован в виде программно-аппаратного комплекса для компьютерного зрения, обработки аэрофотоснимков, видеонаблюдения и поиска пострадавших при катаклизмах.Научная новизна работы заключается в разработке алгоритма, позволяющего автоматически регулировать параметры контрастирования на основе анализа глобального и локального контекста сцены с использованием искусственного интеллекта.Теоретическая значимость работы состоит в гибридном подходе к адаптивной обработке изображений, основанном на применении сверточной нейронной сети для управления параметрами локального контрастирования. Управление параметрами осуществляется на основе анализа текстурных и частотных характеристик изображения, автоматическую адаптацию под которые производит нейронная сеть. Методика обеспечивает адаптацию к нестационарным условиям наблюдения и, как следствие, повышает устойчивость алгоритма к сложным условиям.Практическая значимость разработанного алгоритма определяется реализацией повышения контраста объектов изображений, полученных в видимом и инфракрасном диапазонах спектра и достоверностью их распознавания с использованием искусственного интеллекта.

Об авторах

И. Ю. Грицкевич

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: gritskevich.iu@sut.ru

Список литературы

  1. Jobson D.J., Rahman Z., Woodell G.A. Properties and performance of a center/surround retinex // IEEE Transactions on Image Processing. 1997. Vol. 6. Iss. 3. PP. 451‒462. doi: 10.1109/83.557356
  2. Chen Y.S., Wang Y.C., Kao M.H., Chuang Y.Y. Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR, Salt Lake City, USA, 18‒23 June 2018). IEEE, 2018. doi: 10.1109/CVPR.2018.00660
  3. Paris S., Hasinoff S.W., Kautz J. Local Laplacian filtering: edge-aware image processing with a Laplacian pyramid // Proceedings of the Conference on Special Interest Group on Computer Graphics and Interactive Techniques (SIGGRAPH '11, Vancouver, Canada, 7‒11 August 2011). New York: Association for Computing Machinery, 2011. URL: https://people.csail.mit.edu/sparis/publi/2011/siggraph/Paris_11_Local_Laplacian_Filters_lowres.pdf (Accessed 25.04.2025)
  4. Грицкевич И.Ю., Гоголь А.А. Алгоритм безэталонной оценки качества изображений // Труды учебных заведений связи. 2024. Т. 10. № 2. С. 16‒23. doi: 10.31854/1813-324X-2024-10-2-16-23. EDN:TTPABW
  5. Rec. ITU-R BT.500-11. Methodology for subjective assessment of the quality of television pictures. ITU-T. 2002. (23)
  6. Шелепин Ю.Е. Введение в нейроиконику. СПб.: Троицкий мост, 2017. 352 с. EDN:YNTJRJ
  7. Kim Y.T. Contrast enhancement using brightness preserving bi-histogram equalization // IEEE Transactions on Consumer Electronics. 1997. Vol. 43. Iss. 1. doi: 10.1109/30.580378
  8. Rahman Z., Jobson D.J., Woodell G.A. Multi-scale retinex for color image enhancement // Proceedings of the 3rd International Conference on Image Processing (Lausanne, Switzerland, 19 September 1996). IEEE, 1996. doi: 10.1109/ICIP.1996.560995
  9. Ying Z., Li G., Gao W. A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement // arXiv preprint arXiv:1711.00591. 2017. doi: 10.48550/arXiv.1711.00591
  10. Vala H.J., Baxi A. A review on Otsu image segmentation algorithm // International Journal of Advanced Research in Computer Engineering & Technology. 2013. Vol. 2. Iss. 2. PP. 387‒389.
  11. Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of Control, Signals and Systems. 1989. Vol. 2. PP. 303–314. doi: 10.1007/bf02551274. EDN:OKSIPR
  12. Wang R., Zhang Q., Fu C.W., Shen X., Zheng W.S., Jia J. Underexposed Photo Enhancement Using Deep Illumination Estimation // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR, Long Beach, USA, 15‒20 June 2019). IEEE, 2019. doi: 10.1109/CVPR.2019.00701 (13)
  13. Han Y., Ye J.C. Framing U-Net via Deep Convolutional Framelets: Application to Sparse-View CT // IEEE Transactions on Medical Imaging. 2018. Vol. 37. Iss. 6. PP. 1418‒1429. doi: 10.1109/TMI.2018.2823768
  14. What is Histogram Equalization and how it works? // Great Learning. 2024. URL: https://www.mygreatlearning.com/blog/histogram-equalization-explained (Accessed 25.04.2025)
  15. Liu J., Li D., Yuan C., Luo B., Wu G. A low-light image enhancement method with brightness balance and detail preservation // PLoS One. 2022. Vol. 17. Iss. 5. P. e0262478. doi: 10.1371/journal.pone.0262478. EDN:DFDSOY
  16. Pizer S.M., Amburn E.P., Austin J.D., Cromartie R., Geselowitz A., Greer T., et al. Adaptive histogram equalization and its variations // Computer Vision, Graphics, and Image Processing. 1987. Vol. 39. Iss. 3. PP. 355‒368. doi: 10.1016/S0734-189X(87)80186-X
  17. Kaur M., Kaur J., Kaur J. Survey of Contrast Enhancement Techniques based on Histogram Equalization // International Journal of Advanced Computer Science and Applications. 2011. Vol. 2. Iss. 7. doi: 10.14569/IJACSA.2011.020721
  18. Zuiderveld K. VIII.5. ‒ Contrast Limited Adaptive Histogram Equalization // In: Heckbert P.S. (ed.) Graphics Gems IV. Academic Press, 1994. PP. 474‒485. doi: 10.1016/B978-0-12-336156-1.50061-6
  19. Lore K.G., Akintayo A., Sarkar S. LLNet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement // Pattern Recognition. 2017. Vol. 61. PP. 650‒662. doi: 10.1016/j.patcog.2016.06.008
  20. Wei C., Wang W., Yang W., Liu J. Deep Retinex Decomposition for Low-Light Enhancement. 2018. URL: http://39.96.165.147/Pub%20Files/2018/chen_bmvc18.pdf (Accessed 25.04.2025)
  21. Liu X., Ma Y., Shi Z., Chen J. GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV, Seoul, South Korea, 27 October ‒ 02 November 2019). IEEE, 2019. doi: 10.1109/ICCV.2019.00741
  22. Guo C., Li C., Guo J., Loy C.C., Hou J., Kwong S., Cong R. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR, Seattle, USA, 13‒19 June 2020). IEEE, 2020. doi: 10.1109/CVPR42600.2020.00185
  23. Hossain F., Alsharif M.R. Image Enhancement Based on Logarithmic Transform Coefficient and Adaptive Histogram Equalization // Proceedings of the International Conference on Convergence Information Technology (ICCIT 2007, Gwangju, South Korea, 21‒23 November 2007). IEEE, 2007. doi: 10.1109/ICCIT.2007.4420457
  24. Stark J.A. Adaptive image contrast enhancement using generalizations of histogram equalization // IEEE Transactions on Image Processing. 2000. Vol. 9. Iss. 5. PP. 889‒896. doi: 10.1109/83.841534
  25. Потапова А.А. Новейшие методы обработки изображений. М.: ФИЗМАТЛИТ, 2008. 496 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».