Blind Inverse Gamma Correction with Maximized DifferentialEntropy

在图像采集、处理和/或显示过程中，不希望的非线性伽马失真经常出现在各种各样的图像中。并且伽马失真通常随着捕获设置的变化和亮度的变化而变化。盲逆伽马校正，自动确定给定图像的适当恢复伽马值，对于衰减失真至关重要。对于盲逆伽马校正，直接从最大化微分熵模型提出了自适应伽马变换方法（AGT-ME）。并且相应的优化有一个数学上简洁的闭式解，从而实现了AGT-ME的高效实现和准确的伽马恢复。考虑到人眼具有非线性感知敏感性，还提出了改进版本的 AGT-ME-VISUAL 以获得更好的视觉性能。在可变数据集上进行测试，AGT-ME 可以准确估计大范围的伽马失真（0.1 到 3.0），优于最先进的方法。此外，所提出的 AGT-ME 和 AGT-ME-VISUAL 应用于三个典型应用，包括自动伽马调整、自然/医学图像对比度增强和条纹投影轮廓图像恢复。此外，AGT-ME/AGT-ME-VISUAL 具有通用性，可以无缝扩展到蒙版图像、多通道（彩色或光谱）图像或多帧视频，并且无需任意调整参数。此外，还为感兴趣的用户提供了相应的 Python 代码（https://github.com/yongleex/AGT-ME）。

这项工作的主要贡献：1）尽管量化熵减少障碍，这篇手稿成功地制定了具有最大熵先验的盲逆伽马校正问题。这个最大熵假设为理论上的准确性提供了坚实的保证。 2）基于微分熵和变量变化公式，得到该问题的简明闭式解，从而得到精确（非近似）算法。由于封闭形式的解决方案，我们提供了高效的算法实现，并可以进一步分析算法特征。 3) 综合实验结果提供了定量和定性评估，从而说明了 AGT-ME 和 AGT-ME-VISUAL 的有效性、效率。并且我们还测试了自动伽玛调整、图像对比度增强和条纹投影轮廓图像恢复的性能，展示了广泛的应用范围。

METHODOLOGY

Concepts Introduction

 Formulation, Solution and Characteristics

 

 Implementation

 

 

 

 CONCLUSION

提出了一种基于广为人知的图像最大熵先验的自适应伽马变换方法，简称AGT-ME，进行盲逆伽马校正。 AGT-ME方法成功地表述了通过变量规则的变化来最大化微分熵的问题，并进一步提供了优化的数学简明闭式解。它克服了量化熵减少障碍并导致有效的算法实现。考虑到人眼具有非线性感知敏感性，还提出了修改版的 AGT-MEVISUAL。 AGTME/AGT-ME-VISUAL 的独特见解是通过充分的实验证据获得的。伽马校正量可以通过平均 RMSE 0.0439 准确识别。处理一张 1024×1024 的图片耗时不超过 100ms。三种应用（自动伽马调整、图像对比度增强、条纹投影轮廓测量）展示了广泛的潜在应用领域。此外，还共享了 AGT-ME 方法的 python 实现，我们建议您在需要快速准确的伽马估计时使用它。