CORREÇÃO DE ILUMINAÇÃO EM IMAGENS CAPTURADAS EM AMBIENTES COM BAIXA LUMINOSIDADE
Palavras-chave:
Visão Computacional, Processamento de Imagens, Imagem com Baixa Luminosidade, Aprimoramento de ImagensResumo
Um grande obstáculo para a área de Visão Computacional é a qualidade das imagens de entrada processadas. Como exemplo, têm-se imagens escuras, que podem ser originadas por diversos fatores como fonte de luz escassa em períodos noturnos, condições adversas do tempo, dentre outros. Este trabalho objetiva utilizar imagens com baixa iluminação para o desenvolvimento de algoritmos que auxiliem no aprimoramento da qualidade de luz e imagem. Foram utilizadas técnicas de Visão Computacional com o auxílio da biblioteca OpenCV no desenvolvimento de algoritmos para realizar a suavização, correlação entre intensidades mínimas e máximas, reforço de intensidades e correção de exposição, definição de matriz de pesos e aprimoramento da imagem. Os resultados mostram que o método proposto foi capaz de aprimorar as imagens, reduzindo consideravelmente características indesejadas, mantendo boa qualidade de iluminação e imagem.
Downloads
Referências
ABDULLAH-AL-WADUD, M.; KABIR M. H.; AKBER DEWAN M. A.; CHAE O. A Dynamic Histogram Equalization for Image Contrast Enhancement. IEEE Transactions on Consumer Electronics, vol. 53, no. 2, pp. 593-600, 2007.
ARICI, T.; DIKBAS S.; ALTUNBASAK Y. A Histogram Modification Framework and Its Application for Image Contrast Enhancement. IEEE Transactions on Image Processing, vol. 18, no. 9, pp. 1921-1935, 2009.
BRANDIZZI, L. Visão computacional: O que é? Como funciona? Uma breve explicação sobre os sistemas artificiais que permitem que computadores "enxerguem". Disponível em: https://www.serpro.gov.br/menu/noticias/noticias-2020/o-que-eh-visao-computacional. Acesso em: 28 junho 2021.
CEPEDA-NEGRETE, J.; SANCHEZ-YANEZ, RE. Experiments on image enhancement for night-vision and surveillance. In: 1st INTERNATIONAL WORKSHOP ON INTERACTIVE AND SPATIAL COMPUTING. Dallas/Texas: University of Texas, 2015.
DONG, X.; PANG, Y.; WEN, J.; WANG, G.; LI, W.; GAO, Y.; YANG, S. Fast efficient algorithm for enhancement of low lighting video. In: IEEE INTERNATONAL CONFERENCE ON MULTIMEDIA AND EXPO. Beijing, China: Tsinghua University and Beijing University, 2011.
HINES, G. D.; RAHMAN, Z.; JOBSON, D. J.; WOODELL, G. A. DSP Implementation of the Retinex Image Enhancement Algorithm. Proceedings of Visual Information Processing, 2004.
IBRAHIM, H.; KONG, N.S.P. Brightness preserving dynamic histogram equalization for image contrast enhancement. IEEE Transactions on Consumer Electron, vol. 53, n. 4, pp. 1752–1758, 2007.
LEE, C.H.; SHIH, J.L.; LIEN, C.C.; HAN, C.C. Adaptive multiscale retinex for image contrast enhancement. In: 2013 INTERNATIONAL CONFERENCE ON SIGNAL-IMAGE TECHNOLOGY & INTERNET-BASED SYSTEMS (SITIS), pp. 43–50. IEEE, 2013.
LIU, C.; ZHU, J.; PENG, X. Image Enhancement System Based on Improved Dark Channel Prior. In: INTERNATIONAL CONFERENCE ON ELECTROMECHANICAL CONTROL TECHNOLOGY AND TRANSPORTATION (ICECTT 2015), pp. 267-274, 2015.
OPENCV. Open Source Computer Vision Library. Disponível em: http://opencv.org. Acesso em: 28 junho 2021.
TECHMUNDO. Instagram já tem 1 bilhão de usuários ativos por mês. Disponível em: https://www.tecmundo.com.br/redes-sociais/131503-instagram-tem-1-bilhao-usuarios-ativos-mes.htm. Acesso: 28 junho 2021.
YING, Z.; LI, G.; REN, Y.; WANG, R.; WANG, W. A New Image Contrast Enhancement Algorithm using Exposure Fusion Framework. In: INTERNATIONAL CONFERENCE ON COMPUTER ANALYSIS OF IMAGES AND PATTERNS, pp. 36-46, 2017.