Unified Model for Contrast Enhancement and Denoising

Alex Pappachen James, Olga Krestinskaya, Joshin John Mathew

2017

Жабық қол жеткізу Метадеректер (CSL-JSON)

DOI 10.1109/isvlsi.2017.73

Деректер сенімділігі 70 орташа

Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

In this paper, we attempt a challenging task to unify two important complementary operations, i.e. contrast enhancement and denoising, that is required in most image processing applications. The proposed method is implemented using practical analog circuit configurations that can lead to near real-time processing capabilities useful to be integrated with vision sensors. Metrics used for performance includes estimation of Residual Noise Level (RNL), Structural Similarity Index Measure (SSIM), Output-to-Input Contrast Ratio (CRo-i), and its combined score (SCD). The class of contrast stretching methods has resulted in higher noise levels (RNL ≥ 7) along with increased contrast measures (CRo-i≥ eight times than that of the input image) and SSIM ≤ 0.52. Denoising methods generates images with lesser noise levels (RNL ≤ 0.2308), poor contrast enhancements (CRo-i≤ 1.31) and with best structural similarity (SSIM ≥ 0.85). In contrast, the proposed model offers best contrast stretching (CRo-i= 5.83), least noise (RNL = 0.02), a descent structural similarity (SSIM = 0.6453) and the highest combined score (SCD= 169).