fa بهسازی تصاویر با تکیه بر اطلاعات گاما مقالات پردازش گفتار Paper پژوهشي Research <a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a> <table border="0" cellpadding="0" cellspacing="0" height="500" width="900"> <tbody> <tr> <td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%"> <tbody> <tr> <td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="5" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <center> <center> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%"> <tbody> <tr> <td bgcolor="#FFFFFF" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <table border="0" cellpadding="10" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">در این مقاله روش اتوماتیک جدیدی برای بهبود روشنایی تصویر با تکیه بر اصلاح گاما ارائه شده است. در روش&not;های موجود اصلاح گاما، اغلب ضریب گاما به&not;طور یکنواخت در تمام قسمت&not;های یک تصویر تغییر می&not;یابد. از آنجایی که تغییرات گاما در تصویر ممکن است به صورت غیرخطی انجام گرفته باشد، در این مقاله اصلاح گاما به&not;صورت محلی انجام می&not;گیرد. این روش گاماهای مناسب را برای ناحیه&not;های مختلف از یک تصویر با استفاده از شبکه عصبی MLP تخمین می&not;زند. بدین&not;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&not;باشد را از هر پنجره برای آموزش شبکه عصبی استخراج می&not;نماید. به-همین ترتیب پنجره&not;گذاری و استخراج ویژگی را برای تصویر جدید (تصویری که نیاز به اصلاح گاما دارد) نیز انجام می&not;دهد. سپس بردار ویژگی به&not;دست آمده از هر پنجره را به شبکه عصبی آموزش داده شده، اعمال می&not;نماید تا گامای مناسب برای هر پنجره از تصویر جدید تخمین زده شود. در استفاده از این روش، برخلاف روش&not;های موجود، چنانچه بخشی از یک تصویر دارای گامای مناسبی باشد، تغییری در شدت روشنایی آن قسمت انجام نمی&not;گیرد. نتایج حاصل از این روش بر روی تصاویر مختلف نشان می&not;دهد که روش پیشنهادی در مقایسه با سایر روش&not;ها دارای عملکرد مناسب&not;تری است.</a></p> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </center> </center> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> <a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a> <table border="0" cellpadding="0" cellspacing="0" height="500" width="900"> <tbody> <tr> <td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%"> <tbody> <tr> <td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="5" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <center> <center> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%"> <tbody> <tr> <td bgcolor="#FFFFFF" dir="ltr" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <table border="0" cellpadding="10" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">In this paper a new automatic method is presented to enhance the image brightness through gamma correction process. Most of current gamma correction methods apply a uniform gamma correction across the image. Considering the fact that gamma variation for a single image is actually nonlinear, the proposed method does the gamma correction in a local approach. Thus the method is able to estimate appropriate gamma values for different regions of the image using a neural network. After windowing several training images with known gamma values, the mean and texture of each window (responsible for brightness and contrast of the window) are computed to train the neural network. The same features will be extracted from the unknown image to estimate the correct gamma values of the different parts of the image. Unlike other gamma correction methods, the proposed method does not change the gamma values of an image which does not need any brightness enhancement. The experimental results prove its better performance over other gamma correction methods.</a></p> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </center> </center> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> استخراج ویژگی, اصلاح گاما, بهبود روشنایی تصویر, شبکه عصبی Feature selection, gamma correction, image enhancement, neural network 25 32 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-523-1&slc_lang=fa&sid=1 حمید حسن پور h.hassanpour@shahroodut.ac.ir 10031947532846004246 10031947532846004246 Yes دانشگاه شاهرود سکینه اسدی امیری asadi_amiri@yahoo.com 10031947532846004247 10031947532846004247 No