بهسازی تصاویر با تکیه بر اطلاعات گاما

در این مقاله روش اتوماتیک جدیدی برای بهبود روشنایی تصویر با تکیه بر اصلاح گاما ارائه شده است. در روش های موجود اصلاح گاما، اغلب ضریب گاما به طور یکنواخت در تمام قسمت های یک تصویر تغییر می یابد. از آنجایی که تغییرات گاما در تصویر ممکن است به صورت غیرخطی انجام گرفته باشد، در این مقاله اصلاح گاما به صورت محلی انجام می گیرد. این روش گاماهای مناسب را برای ناحیه های مختلف از یک تصویر با استفاده از شبکه عصبی MLP تخمین می زند. بدین صورت که ابتدا تعدادی تصویر با گاماهای مشخص را پنجره-گذاری کرده و دو ویژگی میانگین و بافت تصویر که به ترتیب مرتبط با میزان روشنایی و کنتراست تصویر می باشد را از هر پنجره برای آموزش شبکه عصبی استخراج می نماید. به-همین ترتیب پنجره گذاری و استخراج ویژگی را برای تصویر جدید (تصویری که نیاز به اصلاح گاما دارد) نیز انجام می دهد. سپس بردار ویژگی به دست آمده از هر پنجره را به شبکه عصبی آموزش داده شده، اعمال می نماید تا گامای مناسب برای هر پنجره از تصویر جدید تخمین زده شود. در استفاده از این روش، برخلاف روش های موجود، چنانچه بخشی از یک تصویر دارای گامای مناسبی باشد، تغییری در شدت روشنایی آن قسمت انجام نمی گیرد. نتایج حاصل از این روش بر روی تصاویر مختلف نشان می دهد که روش پیشنهادی در مقایسه با سایر روش ها دارای عملکرد مناسب تری است.