一种O(N)复杂度的自适应对比度增强算法

今天分享一款本人开发的自适应对比度增强算法,算法只处理亮度通道,基本思路就是综合考量当前点亮度与周围小邻域亮度、小领域亮度与大邻域亮度的对比度,即综合考量多尺度的对比度来确定最终的变换系数,算法不仅可以实现像素点对的对比度提升,还可以实现区域与区域之间的对比度提升。同时,算法对于暗区域的增强相对更弱以抑制噪声放大。算法逐点处理,每个点在不同尺度上的对比度各进行一次非线性变换,然后综合多尺度的变换系数,做最后一次非线性变换。若将这几次非线性计算的复杂度看作O(1),则总的复杂度就是O(N)。作为对比,经典的ACE算法快速实现也需要O(NlogN)的复杂度。算法具体实现细节暂且保密。

测试脚本、数据集及测试结果见链接(其中,AlgorithmCompare.m用于算法对比、批量测试及结果保存,亮度均衡与自适应对比度提升算法的参数都选择得稍稍过火以使结果更突出)(2020/10/23添加说明:目前多尺度的尺度选择已经更改,先前的程序在遇到极端情况时可能出现”削顶“现象,更改尺度选择后该问题已经基本解决):https://pan.baidu.com/s/1bAxNwEk9hdSVh83JaJG_1w 
提取码:09mm 

下面给出部分测试结果示例(以原图/对比度提升结果的/亮度均衡+对比度提升组合处理结果顺序贴图):

 

 

 

该对比度提升算法还可以用于红外图像,下面给出两个示例:

 

算法中有一个参数可以控制增强等级。与所有对比度增强算法一样,该算法也会面临噪声放大的问题,不过做了相应的抑制措施,总体来说折中效果还算不错。亮度均衡算法偶尔会引入一定的光晕效应,对比度提升算法将放大这种效应,具体可参见链接中的处理结果。

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
语音增强是指对语音信号进行处理,以减少噪声、回声、失真等干扰,以提高语音质量和信号的可识别性。自适应滤波算法是常用的语音增强技术之一,其中最常用的是 RLS(Recursive Least Squares)自适应算法和 LMS(Least Mean Square)自适应算法。 RLS 自适应算法和 LMS 自适应算法都是在线算法,都需要对输信号进行实时处理。它们的主要区别在于更新权值的方法不同。 在 LMS 算法中,每次迭代时权值的更新是通过当前输信号和期望输出信号之间的误差来计算的。这个误差被称为反馈误差,它是通过将当前输信号传递到权值向量并与期望输出信号进行比较而计算的。LMS 算法的优点是计算简单,但是对于高度相关的输信号,会出现收敛速度缓慢的问题。 相比之下,RLS 算法使用递归最小二乘法来更新权值。它具有更快的收敛速度和更好的稳定性,但是计算复杂度较高。 在仿真比较方面,需要考虑到算法的收敛速度、稳定性、对不同噪声类型的适应能力等方面。通常,可以通过比较算法的均方误差(MSE)和信噪比(SNR)等指标来评估算法的性能。 总的来说,LMS 自适应算法适用于计算资源有限的场景,RLS 自适应算法适用于对算法性能有更高要求的场景。同时,对于不同的语音增强任务,选择合适的自适应算法也是非常重要的。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值