Junior Researcher of the Department of Neuroinformatics and Machine Learning
мл. науч. сотр. отдела нейроинформатики и машинного обучения
When working with raw images obtained directly from the equipment matrix, specific problems arise associated with a large dynamic range. The paper proposes a combined histogram correction method that can significantly improve the contrast of such raw images with a large dynamic range. In the combined method, soft clipping of highlights in the histogram is performed using a clustering algorithm based on partitioning the feature space and gamma correction of the clipped area. The clustering algorithm used manages to identify the cutoff point both in the presence and absence of highlights in the image. The method also produces weak edge accentuation based on Sobel filters. To improve the histogram, the well-known Contrast Limited Adaptive Histogram Equalization method is used. In this case, a combination of transformations with different mesh sizes is applied, which allows achieving much better results than selecting a single optimal transformation. These algorithms are described in detail and illustrations for comparison are provided.
При работе с сырыми изображениями, получаемыми непосредственно с матрицы оборудования, возникают специфические проблемы, связанные с большим динамическим диапазоном. В работе предлагается комбинированный метод исправления гистограммы, позволяющий существенно улучшить контрастность таких сырых изображений с большим динамическим диапазоном. В комбинированном методе производится мягкое отсечение засветов на гистограмме при помощи алгоритма кластеризации, основанного на разбиении пространства признаков и гамма-коррекции отсекаемой области. Используемый алгоритм кластеризации хорошо справляется с выявлением точки отсечения как при наличии засветов на изображении, так и при их отсутствии. В методе также производится слабое подчеркивание границ на основе фильтров Собеля. Для улучшения гистограммы используется хорошо известный метод Contrast Limited Adaptive Histogram Equalization. При этом применяется комбинация преобразований с различными размерами сетки, что позволяет добиться гораздо лучших результатов, чем при подборе одного оптимального преобразования. Указанные алгоритмы подробно описаны и приведены иллюстрации для сравнения.