一种基于融合的单背光低照度图像增强策略（matlab）

一种基于融合的单背光图像增强策略（matlab）

1. 简单介绍
   这是一篇2016年ICIP发表的一篇论文《A FUSION-BASED METHOD FOR SINGLE BACKLIT IMAGE ENHANCEMENT》主要关于低照度单背光图像增强利用了融合的的策略，在学习的过程中，也是觉得其融合思想较好，所以想记录分享一下。
2. 论文思想
   
   整个算法思路可以从上面的图中可以看出来，下面介绍一下其中间多尺度融合的思路，主要是为了提升图像的亮度和细节部分。
   论文在在HSV空间中进行的，提取V亮度通道对图像进行不同的处理得到三幅融合初始图像。

第一图像的输入是log变换，通过拉伸暗部值和压缩亮部值来增强细节。

第二个图像的输入是gamma变换， γ 的值取决于暗像素的多少。

第三个图像的输入是为了增强对比度，提出了一种通用的非锐化掩蔽算法（GUM）,网上应该有类似的介绍。
重点是下面的融合策略是学习图像融合的一种常见思路。亮度的提高和对比度的增强是对图像的预处理。为了使结果图像更符合人类的视觉感知，我们使用比权映射来测量和提取输入图像的更多细节。由于问题的本质是背光，这更与曝光有关。

K是分别输入的初始三幅图像， σ =0 .3，为了得到一致的结果，我们对得到的三幅不同权重值进行归一化处理，也就是每一个权重占总权重的比例，最后合起来为1。
最后的图像融合部分是利用拉普拉斯金字塔和高斯金字塔进行多分辨率重构，解决图像中存在的光晕问题。

L是金字塔的层数。其他变量和上面相同。最后转回到RGB空间即可实现。
3、实验结果

原图

最后得到的结果图像
4、附上实验代码

%%
clc
clear
I=im2double(imread('./backlit/3.jpg'));
% imshow(I);figure;
HSV=rgb2hsv(I);
H=HSV(:,:,1);S=HSV(:,:,2);V=HSV(:,:,3); 
[m,n]=size(H);
% imshow(V)
%im1 log
% im1=log(0.5*(V+1)+1);
im1=V.^0.35;
% imshow(im1);figure;
%im2 gamma
a=50/255;
index=V<a;
index=double(index);
M=sum(index(:));
N=n*m;
gamma=(N-M)/N;
im2=1-(1-V).^gamma;
% imshow(im2);figure;
%im3 GUM
im3=gum(V);
% imshow(im3);figure;

%weight
sigma = 0.25;
aver = 0.3;
WE1= exp(-(im1 - aver).^2 / (2*sigma^2));
WE2=exp(-(im2 - aver).^2 / (2*sigma^2));
WE3=exp(-(im3 - aver).^2 / (2*sigma^2));
sumW=WE1+WE2+WE3;
W1=WE1./sumW;
W2=WE2./sumW;
W3=WE3./sumW;

% Multi-scale fusion
level=4;
G1=gaussian_pyramid(W1,level);
G2=gaussian_pyramid(W2,level);
G3=gaussian_pyramid(W3,level);
L1=laplacian_pyramid(im1,level);
L2=laplacian_pyramid(im2,level);
L3=laplacian_pyramid(im3,level);
for i=1:level
    F{i}=G1{i}.*L1{i}+G2{i}.*L2{i}+G3{i}.*L3{i};
end
Vfinal=pyramid_reconstruct(F);
% imshow(Vfinal);figure;
hsv=cat(3,H,S,Vfinal);
rgb=hsv2rgb(hsv);
imshow([I rgb]);
imwrite(rgb,'1.png');

function [ v2 ] = gum( x1 )
x1=im2double(x1);
[ m, n, k ] = size( x1 );
x = x1;
mask = ( 1 / 25 ) * ones( 5, 5 );
y1 = conv2( x, double( mask ), 'same' );
d = x - y1;
g = 3 .* d;
v1 = y1 + g;
y2 = medfilt2( x, [ 3, 3 ] );
X = ( 1 - x ) ./ max( x, 0.01 );
Y = ( 1 - y2 ) ./ max( y2, 0.01 );
I = ones( m, n );
d1 = I ./ ( 1 + ( X ./ Y ) );
h = adapthisteq( y2, 'clipLimit', 0.005 );
c = ( 2 .* d1 ) - 1;
Gmax = 5;Gmin = 1;eta = 0.5;
beta = ( Gmax - Gmin ) / ( 1 - exp(  - 1 ) );
alpha = ( Gmax - beta );
gama = alpha + ( beta * exp(  - 1 .* abs( c ) .^ eta ) );
D = ( 1 - d1 ) ./ max( d1, 0.01 );
g = I ./ ( 1 + D .^ gama );
G = ( 1 - g ) ./ max( g, 0.01 );
H = ( 1 - h ) ./ max( h, 0.01 );
v2 = I ./ max( 0.1, ( 1 + ( H .* G ) ) );
t = v2 > 1;
v2( t ) = x( t );
end  

function out = gaussian_pyramid(img, level)
h = 1/16* [1, 4, 6, 4, 1];
filt = h'*h;
out{1} = imfilter(img, filt, 'replicate', 'conv');
temp_img = img;
for i = 2 : level
    temp_img = temp_img(1 : 2 : end, 1 : 2 : end);
    out{i} = imfilter(temp_img, filt, 'replicate', 'conv');
end

function out = laplacian_pyramid(img, level)
h = 1/16* [1, 4, 6, 4, 1];
%filt = h'*h;
out{1} = img;
temp_img = img;
for i = 2 : level
    temp_img = temp_img(1 : 2 : end, 1 : 2 : end);
    %out{i} = imfilter(temp_img, filt, 'replicate', 'conv');
    out{i} = temp_img;
end
% calculate the DoG
for i = 1 : level - 1
    [m, n] = size(out{i});
    out{i} = out{i} - imresize(out{i+1}, [m, n]);
end

function out = pyramid_reconstruct(pyramid)
level = length(pyramid);
for i = level : -1 : 2
    %temp_pyramid = pyramid{i};
    [m, n] = size(pyramid{i - 1});
    %out = pyramid{i - 1} + imresize(temp_pyramid, [m, n]);
    pyramid{i - 1} = pyramid{i - 1} + imresize(pyramid{i}, [m, n]);
end
out = pyramid{1};
end

代码是别人的，可以跟着写，我只是互联网的搬运工。