Full metadata record
DC FieldValueLanguage
dc.contributor.author謝韶紘en_US
dc.contributor.authorShau-Hung Hsiehen_US
dc.contributor.author林昇甫en_US
dc.contributor.authorSheng-Fuu Linen_US
dc.date.accessioned2014-12-12T03:04:09Z-
dc.date.available2014-12-12T03:04:09Z-
dc.date.issued2006en_US
dc.identifier.urihttp://140.113.39.130/cdrfb3/record/nctu/#GT009012548en_US
dc.identifier.urihttp://hdl.handle.net/11536/80847-
dc.description.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。zh_TW
dc.language.isozh_TWen_US
dc.subject色彩補償zh_TW
dc.subject色彩校正zh_TW
dc.subject影像品質zh_TW
dc.subject回傳類神經網路zh_TW
dc.subject模糊系統zh_TW
dc.subjectcolor compensationen_US
dc.subjectcolor correctionen_US
dc.subjectimage qualityen_US
dc.subjectback-propagation neural networken_US
dc.subjectfuzzy systemen_US
dc.title應用色彩補償與校正技術於影像品質增強之研究zh_TW
dc.titleA Study of Image Quality Enhancement and Color Correcting Compensationen_US
dc.typeThesisen_US
dc.contributor.department電控工程研究所zh_TW
Appears in Collections:Thesis


Files in This Item:

  1. 254801.pdf

If it is a zip file, please download the file and unzip it, then open index.html in a browser to view the full text content.