Уменьшение динамического диапазона инфракрасных изображений на основе блочно-приоритетного выравнивания и сжатия гистограмм

Рудиков С. И.; Цветков В. Ю.; Шкадаревич А. П.

Уменьшение динамического диапазона инфракрасных изображений на основе блочно-приоритетного выравнивания и сжатия гистограмм

Рудиков С. И., Цветков В. Ю., Шкадаревич А. П.

2022

https://doi.org/10.37661/1816-0301-2022-19-2-7-25

Цели. Рассматривается задача уменьшения динамического диапазона инфракрасных изображений для их воспроизведения на устройствах отображения с узким динамическим диапазоном. Исследуется метод адаптивного выравнивания гистограммы изображения на основе интегральной функции распределения яркости. Для преобразования яркости пиксела этот метод использует аппроксимацию локальных значений выравнивания ближайших блоков пикселов, на которые делится исходное изображение. Это повышает локальный контраст изображения, но приводит к высокой вычислительной сложности, которая растет с уменьшением размера блока. Целью работы является снижение вычислительной сложности адаптивного выравнивания и сжатия гистограмм инфракрасных изображений при уменьшении их динамического диапазона.Методы. Используются методы обработки изображений.Результаты. Для уменьшения вычислительной сложности преобразования динамического диапазона инфракрасных изображений предложена блочно-приоритетная модификация метода адаптивного выравнивания гистограммы. Модификация основана на разделении множества блоков изображения на подмножества высокоприоритетных и низкоприоритетных блоков в зависимости от их яркостных статистических свойств. При интерполяции значений пикселов для высокоприоритетных блоков используются локальные значения выравнивания, а для низкоприоритетных блоков – общие значения выравнивания.В результате общее число векторов выравнивания сокращается пропорционально соотношению размеров подмножеств и снижается вычислительная сложность преобразования динамического диапазона.Заключение. При изменении отношения количества высокоприоритетных блоков пикселов инфракрасного изображения к количеству всех блоков в диапазоне 0,25–0,75 предложенный алгоритм более эффективен по сравнению с алгоритмами глобального и адаптивного выравнивания гистограммы.

Рудиков С. И., Цветков В. Ю., Шкадаревич А. П. Уменьшение динамического диапазона инфракрасных изображений на основе блочно-приоритетного выравнивания и сжатия гистограмм. Информатика. 2022;19(2):7-25. https://doi.org/10.37661/1816-0301-2022-19-2-7-25

Цитирование

Список литературы

1. Garcia, F. Noise removal and real-time detail enhancement of high-dynamic-range infrared images with time consistency / F. Garcia, C. Schockaert, B. Mirbach // Intern. Conf. on Quality Control by Artificial Vision, SPIE Proceedings, Le Creusot, France, 3 June 2015. – Le Creusot, 2015. – Vol. 9534. https://doi.org/10.1117/12.2182896

2. Yang, K.-F. A biological vision inspired framework for image enhancement in poor visibility conditions / K.-F. Yang, X.-S. Zhang, Y.-J. Li // IEEE Transactions on Image Processing. – 2020. – Vol. 29. – P. 1493–1506. https://doi.org/10.1109/tip.2019.2938310

3. Старовойтов, В. В. Адаптивное сжатие широкого динамического диапазона цифровых радарных спутниковых изображений / В. В. Старовойтов // Информатика. – 2018. – № 15(1). – С. 81–91.

4. Lee, J. W. Local tone mapping using K-means algorithm and automatic gamma setting / J. W. Lee, R. Park, S. Chang // IEEE Intern. Conf. on Consumer Electronics (ICCE). – Las Vegas, NV, USA, 2011. – P. 807–808. https://doi.org/10.1109/ICCE.2011.5722876

5. Iwahashi, M. Two layer lossless coding of HDR images / M. Iwahashi, H. Kiya // IEEE Intern. Conf. on Acoustics, Speech and Signal Processing. – Vancouver, BC, Canada, 2013. – P. 1340–1344. https://doi.org/10.1109/ICASSP.2013.6637869

6. Khan, I. R. Tone-mapping using perceptual-quantizer and image histogram / I. R. Khan, W. Aziz, S.-O. Shim // IEEE Access. – 2020. – Vol. 8. – P. 31350–31358. https://doi.org/10.1109/ACCESS.2020.2973273

7. Adaptive contrast adjustment for postprocessing of tone mapped high dynamic range images / M. Narwaria [et al.] // IEEE Intern. Symp. on Circuits and Systems (ISCAS). – Beijing, China, 2013. – P. 1103–1106. https://doi.org/10.1109/ISCAS.2013.6572043

8. Thai, B. C. HDR image tone mapping approach based on near optimal separable adaptive lifting scheme / B. C. Thai, A. Mokraoui, B. Matei // Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA). – Poznan, Poland, 2018. – P. 108–113. https://doi.org/10.23919/SPA.2018.8563293

9. Huang, P. Multi-scale bilateral grid for image tone mapping / P. Huang, Z. Su, Z. Li // Intern. Conf. on Multimedia Technology. – Hangzhou, 2011. – P. 3143–3146. https://doi.org/10.1109/ICMT.2011.6003057

10. HDR compression based on image matting Laplacian / C.-C. Huang [et al.] // IEEE Intern. Conf. on Consumer Electronics-Taiwan (ICCE-TW). – Nantou, Taiwan, 2016. – P. 1–2. https://doi.org/10.1109/ICCE-TW.2016.7520957

11. A fast multi-scale decomposition based tone mapping algorithm for High Dynamic Range images / Q. Chen [et al.] // IEEE Intern. Conf. on Systems, Man, and Cybernetics (SMC). – Budapest, 2016. – P. 001455–001460. https://doi.org/10.1109/SMC.2016.7844442

12. High dynamic tone mapping algorithm based on wavelet domain image fusion / W. Liu [et al.] // 13th IEEE Conf. on Industrial Electronics and Applications (ICIEA). – Wuhan, China, 2018. – P. 1945–1950. https://doi.org/10.1109/ICIEA.2018.8398027

13. Lin, Y. High dynamic range image composition using a linear interpolation approach / Y. Lin, M. Huang, C. Wang // IEEE/ACIS 15th Intern. Conf. on Computer and Information Science (ICIS). – Okayama, Japan, 2016. – P. 1–6. https://doi.org/10.1109/ICIS.2016.7550796

14. Tone mapping operators: progressing towards semantic-awareness / A. Goswami [et al.] // IEEE Intern. Conf. on Multimedia & Expo Workshops (ICMEW). – London, UK, 2020. – P. 1–6. https://doi.org/10.1109/ICMEW46912.2020.9106057

15. Lee, J. W. Local tone mapping using K-means algorithm and automatic gamma setting / J. W. Lee, R. Park, S. Chang // IEEE Intern. Conf. on Consumer Electronics (ICCE). – Las Vegas, NV, USA, 2011. – P. 807–808. https://doi.org/10.1109/ICCE.2011.5722876

16. Guangjun, Z. An improved tone mapping algorithm for High Dynamic Range images / Z. Guangjun, L. Yan // Intern. Conf. on Computer Application and System Modeling (ICCASM 2010). – Taiyuan, 2010. – P. V2-466–V2-468. https://doi.org/10.1109/ICCASM.2010.5620562

17. Banic, N. Puma: A high-quality retinex-based tone mapping operator / N. Banic, S. Loncaric // 24th European Signal Processing Conf. (EUSIPCO). – Budapest, Hungary, 2016. – P. 943–947. https://doi.org/10.1109/EUSIPCO.2016.7760387

18. Adversarial and adaptive tone mapping operator for high dynamic range images / X. Cao [et al.] // IEEE Symp. Series on Computational Intelligence (SSCI). – Canberra, Australia, 2020. – P. 1814–1821. https://doi.org/10.1109/SSCI47803.2020.9308535

19. Kumar, N. A. M. Real-time implementation of a novel detail enhancement algorithm for thermal imager / N. A. M. Kumar, B. S. Ravishankar, C. R. Patil // IEEE Uttar Pradesh Section Intern. Conf. on Electrical, Computer and Electronics Engineering (UPCON). – Varanasi, India, 2016. – P. 1–6. https://doi.org/10.1109/UPCON.2016.7894614

20. Peng, Y. Detail enhancement for infrared images based on propagated image filter / Y. Peng, Y. Yan, J. Zhao // Mathematical Problems in Engineering. – 2016. – Vol. 2016. – P. 1–12. https://doi.org/10.1155/2016/9410368

21. Display and detail enhancement for high-dynamic-range infrared images / C. Zuo [et al.] // Optical Engineering. – 2011. – Vol. 50(12). – P. 127401-1-10. https://doi.org/10.1117/1.3659698

22. Infrared image adaptive enhancement guided by energy of gradient transformation and multiscale image fusion / F. Chen [et al.] // Applied Sciences. – 2020. – Vol. 10. – P. 1–21. https://doi.org/10.3390/app10186262

23. Kim, T. K. Contrast enhancement system using spatially adaptive histogram equalization with temporal filtering / T. K. Kim, J. K. Paik, B. S. Kang // IEEE Transactions on Consumer Electronics. – 1998. – Vol. 44, no. 1. – P. 82–87. https://doi.org/10.1109/30.663733

24. Nithyananda, C. R. Review on histogram equalization based image enhancement techniques / C. R. Nithyananda, A. C. Ramachandra// Intern. Conf. on Electrical, Electronics, and Optimization Techniques (ICEEOT). – Chennai, 2016. – P. 2512–2517. https://doi.org/10.1109/ICEEOT.2016.7755145

25. Independence of luminance and contrast in natural scenes and in the early visual system / V. Mante [et al.] // Nature Neuroscience. – 2005. – Vol. 8. – P. 1690–1697. https://doi.org/10.1038/nn1556

26. Wang, Z. Multiscale structural similarity for image quality assessment / Z. Wang, E. P. Simoncelli, A. C. Bovik // The Thrity-Seventh Asilomar Conf. on Signals, Systems & Computers. – Pacific Grove, CA, USA, 2003. – Vol. 2. – P. 1398–1402. https://doi.org/10.1109/ACSSC.2003.1292216

27. Yeganeh, H. Objective quality assessment of tone-mapped images / H. Yeganeh, Z. Wang // IEEE Transactions on Image Processing. – 2013. – Vol. 22, no. 2. – P. 657–667. https://doi.org/10.1109/TIP.2012.2221725

Источник

Информация

Автор

Рудиков С. И. Научно-технический центр «ЛЭМТ» БелОМО
Цветков В. Ю. Белорусский государственный университет информатики и радиоэлектроники
Шкадаревич А. П. Научно-технический центр «ЛЭМТ» БелОМО

Страницы

7-25

Год издания

2022

Ключевые слова

Коллекции

Информатика