URL: http://jsdp.rcisp.ac.ir/article-1-711-fa.html
در این مقاله روش اتوماتیک جدیدی برای بهبود روشنایی تصویر با تکیه بر اصلاح گاما ارائه شده است. در روش¬های موجود اصلاح گاما، اغلب 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 MLP 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 کنتراست 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 شدت روشنایی آن قسمت انجام نمی¬گیرد. نتایج حاصل از این روش بر روی تصاویر مختلف نشان می¬دهد که روش پیشنهادی در مقایسه با سایر روش¬ها دارای عملکرد مناسب¬تری است.