论文阅读记录《Automatic Color Enhancement (ACE) and its Fast Implementation》
通过对这些机制进行建模,图像增强方法可以模拟感知过程。 增强后的图像看起来很自然,因为以与感知一致的方式调整了输入图像。
ACE
让我表示彩色图像中的输入灰度图像或给定的色通道,其色域Ω和强度值缩放为[0,1]。 对于彩色图像,以下操作在RGB通道上独立执行:
kx-yk表示欧式距离,而sα:[−1,1]→R是斜率函数sα(t)= min max {αt,- 1},1对于某些α≥1
方法(3)的第一阶段调整局部图像对比度。 横向抑制是通过邻居差异I(x)-I(y)和根据距离kx-yk的权重来模拟的。 函数sα放大较小的差异并饱和较大的差异,这具有根据局部图像内容扩展或压缩动态范围的作用。 第二阶段使图像适应以获得全局白平衡。 通过实施这些机制,ACE是人类视觉系统的简化模型:增强过程与感知一致。
卷积的快速计算
ACE方法的关键更改是使用奇多项式近似来近似min max {αt,−1},1,
其中∗是T2上的循环卷积。 对于每个x,an(x)的求值都会花费O(1)运算。 卷积可以使用O(N2 logN)操作中的DCT转换有效地进行计算。 请注意,对于项n = 0,由于I0≡1,因此不需要显式计算卷积。对于RGB彩色图像,需要计算3M卷积。
多项式逼近
对于固定多项式度数M,我们选择系数cm以最大程度减小[-1,1]上的最大绝对误差,
效果
α变化的影响
α参数指定函数sα(t)= min max {αt,−1},1的t = 0处的斜率。 此参数越大,增强越强。 忽略空间权重,均匀直方图均衡对应于α=∞。
ω变化的影响
以下实验显示了当ω是具有标准偏差5、25或100的高斯,默认ω(x,y)= 1 / px2 + y2或均匀加权ω≡1时α= 8的增强结果。 该图显示,当ω精确定位时,ACE就像边缘检测器。
论文链接
提取码:9xul
#include <stdio.h>
#include <iostream>
#include <immintrin.h>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/ml/ml.hpp>
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace cv::ml;
using namespace std;
namespace ACE {
//Gray
Mat stretchImage(Mat src) {
int row = src.rows;
int col = src.cols;
Mat dst(row, col, CV_64FC1);
double MaxValue = 0;
double MinValue = 256.0;
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
MaxValue = max(MaxValue, src.at<double>(i, j));
MinValue = min(MinValue, src.at<double>(i, j));
}
}
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
dst.at<double>(i, j) = (1.0 * src.at<double>(i, j) - MinValue) / (MaxValue - MinValue);
if (dst.at<double>(i, j) > 1.0) {
dst.at<double>(i, j) = 1.0;
}
else if (dst.at<double>(i, j) < 0) {
dst.at<double>(i, j) = 0;
}
}
}
return dst;
}
Mat getPara(int radius) {
int size = radius * 2 + 1;
Mat dst(size, size, CV_64FC1);
for (int i = -radius; i <= radius; i++) {
for (int j = -radius; j <= radius; j++) {
if (i == 0 && j == 0) {
dst.at<double>(i + radius, j + radius) = 0;
}
else {
dst.at<double>(i + radius, j + radius) = 1.0 / sqrt(i * i + j * j);
}
}
}
double sum = 0;
for (int i = 0; i < size; i++) {
for (int j = 0; j < size; j++) {
sum += dst.at<double>(i, j);
}
}
for (int i = 0; i < size; i++) {
for (int j = 0; j < size; j++) {
dst.at<double>(i, j) = dst.at<double>(i, j) / sum;
}
}
return dst;
}
Mat NormalACE(Mat src, int ratio, int radius) {
Mat para = getPara(radius);
int row = src.rows;
int col = src.cols;
int size = 2 * radius + 1;
Mat Z(row + 2 * radius, col + 2 * radius, CV_64FC1);
for (int i = 0; i < Z.rows; i++) {
for (int j = 0; j < Z.cols; j++) {
if ((i - radius >= 0) && (i - radius < row) && (j - radius >= 0) && (j - radius < col)) {
Z.at<double>(i, j) = src.at<double>(i - radius, j - radius);
}
else {
Z.at<double>(i, j) = 0;
}
}
}
Mat dst(row, col, CV_64FC1);
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
dst.at<double>(i, j) = 0.f;
}
}
for (int i = 0; i < size; i++) {
for (int j = 0; j < size; j++) {
if (para.at<double>(i, j) == 0) continue;
for (int x = 0; x < row; x++) {
for (int y = 0; y < col; y++) {
double sub = src.at<double>(x, y) - Z.at<double>(x + i, y + j);
double tmp = sub * ratio;
if (tmp > 1.0) tmp = 1.0;
if (tmp < -1.0) tmp = -1.0;
dst.at<double>(x, y) += tmp * para.at<double>(i, j);
}
}
}
}
return dst;
}
Mat FastACE(Mat src, int ratio, int radius) {
int row = src.rows;
int col = src.cols;
if (min(row, col) <= 2) {
Mat dst(row, col, CV_64FC1);
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
dst.at<double>(i, j) = 0.5;
}
}
return dst;
}
Mat Rs((row + 1) / 2, (col + 1) / 2, CV_64FC1);
resize(src, Rs, Size((col + 1)/3 , (row + 1)/3 ));
Mat Rf = FastACE(Rs, ratio, radius);
resize(Rf, Rf, Size(col, row));
resize(Rs, Rs, Size(col, row));
Mat dst(row, col, CV_64FC1);
Mat dst1 = NormalACE(src, ratio, radius);
Mat dst2 = NormalACE(Rs, ratio, radius);
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
dst.at<double>(i, j) = Rf.at<double>(i, j) + dst1.at<double>(i, j) - dst2.at<double>(i, j);
}
}
return dst;
}
Mat getACE(Mat src, int ratio, int radius) {
int row = src.rows;
int col = src.cols;
vector <Mat> v;
split(src, v);
v[0].convertTo(v[0], CV_64FC1);
v[1].convertTo(v[1], CV_64FC1);
v[2].convertTo(v[2], CV_64FC1);
Mat src1(row, col, CV_64FC1);
Mat src2(row, col, CV_64FC1);
Mat src3(row, col, CV_64FC1);
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
src1.at<double>(i, j) = 1.0 * src.at<Vec3b>(i, j)[0] / 255.0;
src2.at<double>(i, j) = 1.0 * src.at<Vec3b>(i, j)[1] / 255.0;
src3.at<double>(i, j) = 1.0 * src.at<Vec3b>(i, j)[2] / 255.0;
}
}
src1 = stretchImage(FastACE(src1, ratio, radius));
src2 = stretchImage(FastACE(src2, ratio, radius));
src3 = stretchImage(FastACE(src3, ratio, radius));
Mat dst1(row, col, CV_8UC1);
Mat dst2(row, col, CV_8UC1);
Mat dst3(row, col, CV_8UC1);
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
dst1.at<uchar>(i, j) = (int)(src1.at<double>(i, j) * 255);
if (dst1.at<uchar>(i, j) > 255) dst1.at<uchar>(i, j) = 255;
else if (dst1.at<uchar>(i, j) < 0) dst1.at<uchar>(i, j) = 0;
dst2.at<uchar>(i, j) = (int)(src2.at<double>(i, j) * 255);
if (dst2.at<uchar>(i, j) > 255) dst2.at<uchar>(i, j) = 255;
else if (dst2.at<uchar>(i, j) < 0) dst2.at<uchar>(i, j) = 0;
dst3.at<uchar>(i, j) = (int)(src3.at<double>(i, j) * 255);
if (dst3.at<uchar>(i, j) > 255) dst3.at<uchar>(i, j) = 255;
else if (dst3.at<uchar>(i, j) < 0) dst3.at<uchar>(i, j) = 0;
}
}
vector <Mat> out;
out.push_back(dst1);
out.push_back(dst2);
out.push_back(dst3);
Mat dst;
merge(out, dst);
return dst;
}
}
using namespace ACE;
int main() {
Mat src = imread("D:/2.png");
Mat dst = getACE(src, 4, 7);
imshow("origin", src);
imshow("result", dst);
imwrite("D:/5.jpg", dst);
waitKey(0);
}