低照度图像自适应颜色校正与对比度增强算法

•目前单光照下的颜色恒常性的算法主要分为 3 种: 

•1、无监督的颜色恒常性算法：

•直接利用图像的底层特征进行光照估计, 而不依赖于其他先验知识的算法，其共同特点是都基于一定的假设, 对于不同场景内容和不同光照的图像, 其适应性都有局限性 

•2、有监督色的颜色恒常性算法： 

•利用机器学习的手段对大量已知光照颜色图像样本进行学习, 或利用概率统计方法对不同光照下图像的可能颜色分布进行统计, 并利用得到映射关系对未知的场景图像进行光照颜色估计，其共同的特点就是必须基于足够量的图像颜色样本集, 否则其泛化性能就会下降 

•3、多种无监督颜色恒常性算法的自动融合： 

•该类算法的优点是可以根据图像的光照和内容特性, 自动选择最佳的无监督颜色恒常性算法或算法组合, 具有较强的自适应性，但以上算法仅考虑了颜色校正问题, 没有考虑光照不均以及低照度下图像的对比度增强问题

Contributions

•(1) 利用极限学习机(ELM)自适应地选择基本颜色校正算法. 可选的 4 种算法包括 Grey-World, White-Patch, Shade-of-Grey 和 Grey-Edge. 

•(2) 利用杜鹃搜索算法(CS)搜索 Beta 函数的最优参数, 以实现图像对比度的自适应增强, 提出以图像熵与图像方差的加权组合作为优 化目标函数的性能指标. 

特征提取

基于 CS 的对比度自适应增强

Result

Inspection

•1、 CS 可以快速确定最佳增强参数, 所以算法的快速性仍然能较好地保证。 

•2、缺少图像的去噪环节，图像细节保留下来的同时，也留下了噪声。 

•3、数据集（最小高光反射面、电解质反射面、金属反射面和荧光反射面）训练只包括此类高对比度的图片，适普性一般