به سازی تصاویر با تکیه بر اطّلاعات گاما

در این مقاله روش خودکار جدیدی برای بهبود روشنایی تصویر با تکیه بر اصلاح گاما ارایه شده است. اغلب در روش های موجود، اصلاح گاما، ضریب گاما به طور یکنواخت در تمام قسمت های یک تصویر تغییر می یابد. از آنجایی که تغییرات گاما در تصویر ممکن است به صورت غیرخطی انجام گرفته باشد، در این مقاله اصلاح گاما به صورت محلی انجام می گیرد. این روش گاماهای مناسب را برای ناحیه های مختلف از یک تصویر با استفاده از شبکه عصبی پرسپترون چند لایه تخمین می زند. بدین صورت که ابتدا تعدادی تصویر با گاماهای مشخص را پنجره گذاری کرده و دو ویژگی میانگین و بافت تصویر که به ترتیب مرتبط با میزان روشنایی و شدّت نور تصویر می باشد را از هر پنجره برای آموزش شبکه عصبی استخراج می نماید. به همین ترتیب پنجره گذاری و استخراج ویژگی را برای تصویر جدید (تصویری که نیاز به اصلاح گاما دارد) نیز انجام می دهد. سپس بردار ویژگی به دست آمده از هر پنجره را به شبکه عصبی آموزش داده شده، اعمال می نماید تا گامای مناسب برای هر پنجره از تصویر جدید تخمین زده شود. در استفاده از این روش، برخلاف روش های موجود، چنانچه بخشی از یک تصویر دارای گامای مناسبی باشد، تغییری در شدّت روشنایی آن قسمت انجام نمی گیرد. در این مقاله، به منظور ارزیابی کیفیت تصویر از معیارهای کیفی و کمّی استفاده شده است. نتایج حاصل از این معیارها بر روی تصاویر مختلف نشان می‎دهند که روش پیشنهادی در مقایسه با سایر روش ها عملکرد مناسب تری دارد.