МЕТОДЫ УЛУЧШЕНИЯ КАЧЕСТВА ИЗОБРАЖЕНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

Актуальные проблемы авиации и космонавтики - 2022. Том 2

УДК 004.932

МЕТОДЫ УЛУЧШЕНИЯ КАЧЕСТВА ИЗОБРАЖЕНИЯ

М. М. Хусанбаев, И. А. Ковригин, И. С. Паночкин, Н. А. Абдулаев Научный руководитель - В. В. Буряченко

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: marufzhon133@mail.ru

Улучшение изображения является важным методом, используемым во многих приложениях для обработки изображений. Основной мотивацией улучшения изображения является обработка изображения, чтобы оно было более подходящим для конкретного использования. Рассматриваются различные методы улучшения изображения.

Ключевые слова: обработка изображения, методы улучшения, классификация методов

METHODS FOR IMPROVING IMAGE QUALITY

M. M. Khusanbaev, I. A. Kovrigin, I. S. Panochkin, N. A. Abdulaev Scientific supervisor - V. V. Buryachenko

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospect, Krasnoyarsk, 660037, Russian Federation Е-mail: marufzhon133@mail.ru

Image enhancement is an essential technique used in many imaging applications. The main motivation of image enhancement is processing an image to be more suitable for specific utilization. Various methods of image enhancement are considered.

Keywords: image processing, improvement methods, classification of methods

Общая цель обработки изображений - извлечь информацию, скрытую в шаблоне изображения, чтобы она могла быть понята, распознана и интерпретирована системой. В современном мире появляется все большая необходимость в использовании информации, имеющей фото и видео формат. Информация данного вида, а так же технологии, позволяющие хранить, редактировать и обрабатывать ее, используются в повсеместных для нас сферах - системы видео наблюдения, реклама, медицинские приборы, анализ металлографических изображений металлов и сплавов и т. п.

Основываясь на существующей классификации и атрибутах качества изображения, которые эти методы предназначены улучшать, классифицируем методы улучшения изображения на пять категорий. Классифицирование выполнено в соответствии с атрибутами качества изображения, которые улучшаются, потому что улучшение обычно выполняется с определенной целью. Для того, чтобы область исследований по улучшению изображения достигла своих конкретных ожиданий улучшения, рассмотрим методы в следующих категориях [1]:

- повышение контрастности изображения;

- повышение резкости изображения;

- цветокоррекция изображения;

- де-искусственное изображение;

Секция «Программные средства и информационные технологии»

- улучшение изображения для нескольких атрибутов качества.

Рис. 1. Классификации методов улучшения изображения

K. Zuiderveld разработал Contrast Limited Adaptive Histogram Equalization (CLAHE), это улучшенная версия AHE, чтобы избежать недостатков стандартного выравнивания гистограммы. CLAHE уменьшает шум, вносимый AHE, используя порог для управления скоростью улучшения, особенно в однородных областях. Высокие пики на гистограмме, которые ссылаются на контекстуальные области, доступны для определения однородных областей. Чтобы убедиться, что общее количество гистограмм идентично, гистограмма должна быть обрезана, и эти обрезанные пиксели равномерно распределены по всей гистограмме [2].

A. Polesel, G. Ramponi и др. предложили метод удаления размытия изображения, основанный на нерезкой маскировке. Адаптивный фильтр используется для управления входом пути резкости, чтобы резкость выполнялась в областях с высокой детализацией вместо гладких областей. Основываясь на результатах оценки, этот метод может избежать добавления артефактов в гладких областях из-за усиления входных помех. Кроме того, решена проблема чрезмерного улучшения в областях детализации изображения, по сравнению с другими подходами к маскировке нерезкости [3].

J. Park, J.-Y. Lee и др. предложили метод коррекции цвета, основанный на глубоком обучении с подкреплением. В этом методе есть три основных шага: 1) Извлекаются особенности из искаженного входного изображения; 2) для обучения используется оптимальная глобальная последовательность улучшения различных методов улучшения цвета; 3) применяется заранее определенная модель обучения 'искажение и восстановление'

[4].

S.-J. Ko, Y.H Lee предложили двухэтапный метод шумоподавления, основанный на срединно-взвешенных фильтрах. Во-первых, гауссов шум удаляется из изображения с помощью соответствующего линейного фильтра. Затем зависимые от сигнала и независимые от сигнала шумы уменьшаются с помощью нелинейного фильтра [5].

Актуельные проблемы авиации и космонавтики - 2022. Томе 2

F. Russo предложен новый подход к повышению контрастности данных изображения. Предлагаемый способ основан на системе с несколькими выходами, которая использует нечеткие модели, чтобы предотвратить увеличение шума во время повышения резкости деталей изображения. Ключевыми особенностями предлагаемого метода являются более высокая производительность, чем у доступных методов, при улучшении изображений, искаженных гауссовским шумом, и отсутствие сложной настройки параметров нечеткого набора. Фактически, общее нелинейное поведение системы улучшения очень легко контролируется только одним параметром [6].

В результате были определены классификации методов улучшения изображения. И в ходе сравнительного анализа выбраны эффективные методы по каждой категории.

Библиографические ссылки

1. Liu X., Pedersen M., Wang R. Survey of natural image enhancement techniques: Digital Signal Processing. (2022), vol. 127.

2. Zuiderveld K. Contrast limited adaptive histogram equalization: Graphics Gems IV, Academic Press Professional, Inc. (1994), pp. 474-485.

3. Polesel A., Ramponi G., Mathews V.J. Image enhancement by nonlinear extrapolation in frequency space: IEEE Trans. Image Process., 9(3) (2000), pp. 505-510.

4. Distort-and-recover: color enhancement using deep reinforcement learning / Park J., Lee J-Y., Yoo D. et al. // IEEE Conference on Computer Vision and Pattern Recognition (2018), pp. 5928-5936.

5. Ko S.-J., Lee Y.H. Center weighted median filters and their applications to image enhancement: IEEE Trans. Circuits Syst., 38(9) (1991), pp. 984-993.

6. Russo F. An image enhancement technique combining sharpening and noise reduction: IEEE Trans. Instrum. Meas., 51(4) (2002), pp. 824-828.

© Хусанбаев М.М., Ковригин И. А., Паночкин И. С., Абдулаев Н.А., 2022