應用色彩補償與校正技術於影像品質增強之研究

Abstract

本論文提出的系統分成兩個部份：系統的第一個部份採用類神經網路判斷影像是否需要校正及補償，在實做上由訓練影像取得具有代表性的統計參數，再將這些參數輸入類神經網路，作為訓練回傳神經網路(back-propagation neural network)的輸入特徵向量。系統的第二部份採用模糊系統建立一個影像曝光校正演算法，在實做上將影像區分成若干區塊，並分別計算亮度因子以取得修正權重，然後分別修正影像中過度曝光(影像過於明亮)及曝光不足(影像過於灰暗)的區塊，最後再將影像經由色彩校正補償使影像具有較佳的視覺效果。 在增強影像品質的處理，影像亮度的校正及影像色彩的補償是很重要的一環。強化影像對比的演算法中，直方圖等化法是常被使用的一個演算法，但直方圖等化法對於明暗對比過於強烈的影像處理效果有限。Retinex演算法是另一個非常好用的演算法，然而若完整地考慮色彩資訊則其龐大的運算量也使得應用受到限制。本論文以Retinex演算法中運算量較少的Single Scale Retinex與直方圖等化法結合，使用類神經網路偵測影像中需要進行色彩校正的部分，並配合模糊系統計算校正及補償的權重，使影像色彩達到較佳的修正。