1.0_《Screened Poisson Equation for Image ContrastEnhancement》 用于图像对比度增强的筛选泊松方程

 原文地址以及在线Demo:https://www.ipol.im/pub/art/2014/84/?utm_source=doihttps://www.ipol.im/pub/art/2014/84/?utm_source=doi

作者：Jean-Michel Morel1, Ana Bel´en Petro2, Catalina Sbert3

摘    要

        提出一种非梯度域方法，用于消除非均匀照明影响，同时保留图像细节。模型简单，作用像充当高通滤波器。实验表明，使用单个对比度参数（在大多数实验中保持相同的值），模型可以提供最优的结果。与使用更复杂的算法得到的结果相比，更为有利。算法是为各种图像而设计，但由于一阶保真项而不是通常的零阶项，因此具有使图像细节改变最小的特殊规范。

关键词：色彩增强；泊松方程；基于梯度的方法；非均匀照明；色彩感知理论

1 Introduction

       在重建图像之前修改图像梯度是Land和McCann的Retinex理论[10]的关键思想，该理论认为人类视觉系统对光照差异而非绝对亮度敏感。由于开创性的重建算法被提出为“泊松图像编辑”[16]，许多应用程序使用这种技术，用于高动态范围压缩[3]、Retinex[14]、[12]、对比度增强[15]、[1]、阴影去除[4]等。

       泊松编辑重建的基本思想是找到一个函数u，其梯度场在L2范数中最接近给定向量场V。这个问题可以通过最小化函数求泊松方程（公式1）来解决。

强烈的光照变化会影响许多数字图像的外观。这种变化在磁共振（MR）图像中是由于外加磁场的不均匀性，在显微镜图像中是由于照明不均匀，在水下摄影和远距离摄影中是由于介质对光的吸收。

        本文，评估了称之为最简单的梯度域方法的性能，该法可在保留精细图像细节的同时减少不均匀照明的影响。由于保留好的图像细节或多或少等同于保留图像梯度，因此函数必须具有类型为（1）的强制项，V=∇f、 其中f是原始图像。为了减少非均匀照明，最简单的想法是减少图像方差，因此在变分方法中项

       为理解模型，考虑一个非均匀光照场（Figure1）,用不同λ建模。λ=0为原图，λ=0接近无穷，结果为常数。

 

     为更好理解模型，图2显示了图1中一行图像的图形以及λ=0.001和λ=0.01的结果。

 将证明变分模型（2）归结为高通滤波器。
         在文献中，可以找到许多类似维纳的滤波器[15]、[19]、[3]、[14]。所谓的多尺度retinex方法[6]去除了低频照明组件，同时增强了高频反射组件。它们也可以被视为非线性高通滤波器，同样的考虑也适用于试图模拟人类视觉系统的滤波器[17]，[5]。所有这些提到的模型都比提出的简单的二次泛函要复杂得多。因此，公平地看一下它是否与这些更复杂的方法相比较。当然，结果之间的差异是明显的，但总的来说，认为简单模型是有竞争力的。它可以在任何图像的在线演示中进行尝试，并与ACE[5]的在线演示进行比较，后者被认为是最有效的对比度增强方法之一。

             论文的结构如下。在第2节中，介绍了变分模型，并在傅里叶域中精确求解了模型的相关Euler-Lagrange方程，这是一个屏蔽泊松方程。证明了用于求解它的空间滤波器是一个特定的高通滤波器。[1]中介绍了类似的工作，作者在傅里叶域中研究了屏蔽泊松方程。在第3节中，解释了使用快速傅里叶变换求解屏蔽泊松方程的算法。第4节给出了一些结果和讨论。

2 The Model

         给定一幅图像f，目标是找到一个函数u，其向量梯度接近f的向量梯度，但方差减小，以补偿照明不均匀性。最小化的目标函数是

     这个欧拉-拉格朗日方程是非线性的。然而，通过固定u的平均值与f的平均值一致，它立即线性化。在此条件下，使函数J最小的函数u满足Euler-Lagrange方程

 （齐次Neumann诺依曼边界条件，其中n是边界的法向量。方程（4）称为屏蔽泊松方程。）

2.1 Independence of the Mean Value（证明独立性，不看）

      还有待证明，将平均值强加给解是不相关的。考虑这个问题

 其中K为常数且λ>0。众所周知，当λ!=0时，问题（5）有唯一的解。设u1和u2是（5）的两个解，分别具有常数K1和K2。然后，从（5）的解的唯一性可以得出：u1 − u2 = K1 − K2.

        使用（例如）八位数字图像时，图像的值范围为间隔[0，255]。在图像上下文中解决问题（5）时，最终解决方案必须在此范围内延伸，如上所述。这允许充分利用该方法获得的相对对比度增益。考虑U1和U2，分别求解两个常数K1和K2的（5）解，并让~u1，~u2成为范围[0, 255 ]中的相关解。设置Mi=max ui和Mi=minui，i=1、2，有

2.2 The Screened Poisson Equation in the Fourier Domain（分析解）

       本节分析屏蔽泊松方程的解

       作为函数f的高通滤波器的结果，更精确地说，作为“中心环绕”滤波器，即从与局部径向低通滤波器卷积的相同图像的图像中进行减法。为此，在傅里叶域中分析方程。给定一个函数f（x，y），其傅里叶变换定义为（上公式）

且反傅里叶变换：

       如图3所示，当λ增加时，频率滤波器充当高通滤波器。 

 2.3 The Solution in the Spatial Domain

       从等式（6）开始，频率滤波器可分解为

        计算该滤波器的傅里叶逆变换表明，屏蔽泊松方程的解是通过将图像f与空间域滤波器卷积得到的。

       更精确地说，（7）中第一项的逆傅里叶变换是狄拉克δ函数f（x，y）。第二项是径向对称的，可使用Hankel变换进行解释[2]。用H{f}表示f（r）的Hankel变换，有

       径向对称函数的傅里叶逆变换满足

        其中K0是第二类零阶修正贝塞尔函数。然后，对频率滤波器（7）进行傅里叶逆变换：

         因此，解决方案是数据函数和使用K0滤波器的模糊版本之间的差异。如图4所示，此过滤器用作中央环绕滤波器。这种中央环绕滤波器模拟了人类对颜色的感知[7]，[1]。

 3 Algorithm

        我们想要解决这个问题：

其中λ>0。用离散傅里叶变换解screened Poisson equation (10)。如[15]中所述，诺依曼边界条件，是通过将原图对称地延伸到其两侧而隐含施加的，因此四倍大的延伸图像变得对称且有周期性。离散傅里叶变换DFT允许从JxL网格的样本uij,直接计算带限和（J,K)-周期函数u的傅里叶系数。

   算法的输出，一幅图像，将屏蔽泊松方程分别应用于每个颜色通道的结果，然后是饱和度为0.2%的最简单的颜色平衡[11]。然后将屏蔽泊松方程变到傅里叶域：

    傅里叶域解：

      应用离散逆傅里叶变换得到解u。

      对于8 bit 数字图像，范围[0,255]，如[11]所示，当某一小部分像素在255和0处饱和时，可获得最佳结果。将所提出的模型应用于饱和度为0.2%的最简单颜色平衡的结果，并通过将最简单颜色平衡再次应用于解来获得最终结果。所提出的算法描述如下：

        请注意，该算法适用于对称化后的单色图像，如上所述。对于RGB图像，它独立应用于每个颜色通道。对于傅里叶变换，使用库fftw2。事实上FFTW库对称化是隐式的，直接作为余弦变换执行。
算法的复杂度为O（nlogn）。对于700×528映像，intel core i7、2.7 Ghz和4 Gb RAM上的CPU时间为0.63秒。

4 Results

4.1 Non Uniform Illumination Correction

   实验一：

    实验二：

        Vovk等人[18]提出将校正方法分为前瞻性方法和回顾性方法，前者试图改进图像采集过程，后者利用采集的图像信息。回顾性方法可分为滤波、曲面拟合、分割和基于直方图的方法。

        滤波方法假设非均匀照明是必须去除的低频伪影。这是通过从图像中减去其低通滤波版本来实现的。同态滤波和反锐化掩蔽属于这一类。本文方法属于这一类，如第2.3节所述。请注意，当lamada增加时，此过滤器的支持度会变小。

4.2 Contrast Enhancement Results

 4.3 Tuning λ

        在反锐化掩蔽中，原始图像通过减去原始图像的平滑版本来增强。图11显示了lamada值增加时的结果。对于较小的lamada值，梯度项更为重要，其结果类似于最简单的颜色平衡。随着lamada的增加，直方图越来越集中在平均值周围，但梯度保持不变。最终最简单的颜色平衡可以扩展动态范围，并生成对比度更好的图像。

原文地址以及在线Demo：https://www.ipol.im/pub/art/2014/84/?utm_source=doihttps://www.ipol.im/pub/art/2014/84/?utm_source=doi