CN111144419B - 基于分块自适应同态滤波的历史文档图像二值化方法 - Google Patents

基于分块自适应同态滤波的历史文档图像二值化方法 Download PDF

Info

Publication number
CN111144419B
CN111144419B CN201911236887.3A CN201911236887A CN111144419B CN 111144419 B CN111144419 B CN 111144419B CN 201911236887 A CN201911236887 A CN 201911236887A CN 111144419 B CN111144419 B CN 111144419B
Authority
CN
China
Prior art keywords
image
binarization
homomorphic filtering
blocks
homomorphic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911236887.3A
Other languages
English (en)
Other versions
CN111144419A (zh
Inventor
郑蕊蕊
霍小娜
贺建军
吴宝春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Minzu University
Original Assignee
Dalian Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Minzu University filed Critical Dalian Minzu University
Priority to CN201911236887.3A priority Critical patent/CN111144419B/zh
Publication of CN111144419A publication Critical patent/CN111144419A/zh
Application granted granted Critical
Publication of CN111144419B publication Critical patent/CN111144419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/28Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/30Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

基于分块自适应同态滤波的历史文档图像二值化方法,属于历史文档识别预处理领域,用于解决历史文档图像往往存在光照不均导致的二值化不准确的问题,要点是分块同态滤波:将历史文档图像分为4×4块,每块的长为floor(M/4),宽为floor(N/4),M、N为图像的大小,将图像未被划分为整块的行或列的边缘,分别分入其相邻的行或列的图像子块中,分别对4×4个图像子块进行同态滤波,并将同态滤波后的图像子块合并成一幅历史文档图像,效果是二值化准确。

Description

基于分块自适应同态滤波的历史文档图像二值化方法
技术领域
本发明属于历史文档识别预处理领域,涉及一种基于分块自适应同态滤波的历史文档图像二值化方法。
背景技术
历史文档具有丰富的史料价值,直接对历史文档原件进行研究可能会对其造成破坏,因此需要采用数字化的方法,对历史文档图像进行识别和保存。对历史文档的数字化保护和利用得到了社会各界的广泛关注.历史文档由于年代久远,在一些人为和自然因素的作用下造成了古籍不同程度的损坏和退化,出现光照不均,污渍和噪声等情况,对历史文档的识别分析带来一定影响.在对历史文档的识别分析中,二值化是图像文本识别时关键的一步。而历史文档图像往往存在光照不均的问题,给图像的准确二值化造成了一定的困难。同态滤波方法可以在一定程度上解决光照不均带来的问题。传统的同态滤波方法没有考虑到图像的空间局部特性,虽然从整体增强了图像的亮度,但是一些局部的细节会由于像素过增强而丢失。同时,传统同态滤波方法一般采用人工设定的全局阈值,对不同情况的历史文档缺乏灵活性和自适应性。
发明内容
为了解决上述问题,本发明提出一种基于分块自适应同态滤波的历史文档图像二值化方法,包括
S1.同态滤波;
S2.图像二值化;
S3.二值化图像的像素级融合;
其中:
步骤S1.同态滤波的方法包括:
1.1分块同态滤波:将历史文档图像分为4×4块,每块的长为floor(M/4),宽为floor(N/4),M、N为图像的大小,将图像未被划分为整块的行或列的边缘,分别分入其相邻的行或列的图像子块中,分别对4×4个图像子块进行同态滤波,并将同态滤波后的图像子块合并成一幅历史文档图像;
1.2高通滤波器及参数选取:使用高斯型高通滤波器来减少同态滤波后的历史文档图像的低频,增加高频,其函数表达式如下:
Figure GDA0004195062230000021
rH为高频增益,rL为低频增益,一般rH<1,rL>1可减少低频,增强高频,压缩图像动态范围范围和增强图像对比度;c为锐化系数,用来控制滤波器函数斜面的锐化,通常为rH和rL之间的常数,;D(u,v)为点(u,v)到傅里叶变换中心的距离:
Figure GDA0004195062230000022
D0为截止频率,是(u,v)=0时D(u,v)的大小,D0由公式(3)得出:
D0=α×median(median(D)) (3)
D为图像各个点到傅里叶变换中心的距离,α为调节系数,α=0.00003~0.00006,
步骤S2.图像二值化的方法:
选取五种二值化方式处理滤波后的历史文档图片,各个二值化方式的方法是:
2.1Otsu方法:设历史文档图像的前景像素占图像比例为w0,平均灰度值为u0,背景像素占图像比例为w1,平均灰度值为u1,图像的总平均灰度值为:
u=w0u0+w1u1 (12)
前景和背景的类间方差为:
b=w0(u0-u)2+w1(u1-u)2 (13)
通过确定阈值T使图像前景和背景的类间方差最大;
2.2Bradley方法:如果每幅历史文档图像的亮度低于指定尺寸窗口中周围像素的平均亮度T%,则将其像素设置为黑色,否则设置为白色,使用M×N邻域执行局部阈值,T可以在0-100范围内设置;
2.3Sauvola方法:计算的图像阈值为:
T(x,y)=μ(x,y)×[1-k×(1-σ(x,y)/R)] (14)
式中,常数k=0.5,R为图像标准偏差的最大值;
2.4Gatos方法:通过粗略估计图像的前景和背景,来确定最终的阈值,在源图像的灰度图进行维纳滤波后,通过Sauvola方法粗略估计图像的前景,以及相邻像素插值计算得到图像的背景,并结合背景与源图像得到最终阈值;
2.5Wolf方法:图像的阈值为:
T(x,y)=(1-k)×μ(x,y)+k×Imin+k×[μ(x,y)-Imin]σ(x,y)/R (15)
常数k被设置为0.5,μ(x,y)和σ(x,y)为邻域点的灰度均值和标准差,Imin为整幅图像的最小灰度值,R为图像的最大标准偏差;
步骤S3.二值化图像的像素级融合的方法:
对五种二值化方法的像素级融合:
f(x,y)=O(x,y)+B(x,y)+S(x,y)+G(x,y)+W(x,y) (16)
式中O(x,y),B(x,y),S(x,y),G(x,y)和W(x,y)分别为Otsu方法、Bradley方法、Sauvola方法、Gatos方法和Wolf方法对历史文档图像的二值化结果,f(x,y)为五种二值化图像的累加结果
Figure GDA0004195062230000031
式中,f′(x,y)为五种二值化图像像素级融合的最终结果,R为ceil(5/2)。
有益效果:
1、在对图像进行全局同态滤波后,图像往往亮度过高,导致原本清晰明亮的部分被过度增强,丢失细节。通过分块同态滤波的方法可以使图像明暗适中,保留图像的局部细节。现有的分块同态滤波的方法一般是将图像分成8像素×8像素的图像块(其属于固定阈值或中值的方式),分别对每个图像块进行同态滤波。但是该方法所处理的源图像大小需要子图像的大小是8像素的整数倍,否则需要进行边界填充。本发明中的分块自适应同态滤波方法,将图像分成4×4=16块,每块的长为floor(M/4),宽为floor(N/4),M、N为图像的大小,图像边缘未被划分的行和列将被分入相邻的图像子块中,因此源图像大小不需要严格按子图像大小选取,同时也不需要对处理后的图像进行边界填充,属于自适应阈值。
2.传统同态滤波的截止频率D0,通常需要经过大量实验选取合适的取值。本发明中,D0=α×median(median(D))。其中,D为图像各个点到傅里叶变换中心的距离,α为调节系数,α=0.00003~0.00006,当α值大时,截止频率就越大,低频成分通过的越多,图像保留的入射分量细节越少。本发明通过实验发现,针对历史文档,α=0.00003时,确定的截止频率可以在压缩图像动态范围的同时,尽可能的保留图像的细节。
3、针对上述同态滤波后的历史文档图像,本发明分别采用Otsu方法、Bradley方法、Sauvola方法、Gatos方法和Wolf方法等五种方法,对同态滤波后的图像进行二值化,之后通过图像像素级融合,得到了优于前五种不同的二值化图像的融合结果。经过对比分析,采取不同的二值化方法处理历史文档图像有不同的结果,各有优劣。通过图像融合的方法可以将不同的二值化结果融合成一幅二值化图像,该二值化图像能保持良好的文字提取效果,同时最大限度的消除之前二值化结果保留的背景噪声、字迹污点等问题。
附图说明
图1为本发明方法的整体流程图;
图2为Gatos方法流程图。
具体实施方式
历史文档二值化依次由以下三个步骤组成,分别是同态滤波、图像二值化、二值化图像的像素级融合。
1.分块自适应同态滤波
1.1分块同态滤波的实现
本发明将图像分为4×4块,每块的长为floor(M/4),宽为floor(N/4),M、N为图像的大小,将图像边缘未被划分的行和列分入相邻的图像子块中。分别对4×4个图像子块进行同态滤波,并将滤波后的图像子块合并成一幅图像。
1.2高通滤波器及参数选取
为了达到理想的滤波效果,同态滤波函数H(u,v)的选取至关重要。H(u,v)需要减少低频分量,消除光照不均对图像的影响,同时也需要增加高频分量,增强图像的对比度。
选用高斯型高通滤波器来减少低频,增加高频,其函数表达式如下:
Figure GDA0004195062230000041
rH为高频增益,rL为低频增益,一般rH<1,rL>1可减少低频,增强高频,压缩图像动态范围范围和增强图像对比度;c为锐化系数,用来控制滤波器函数斜面的锐化,通常为rH和rL之间的常数,;D(u,v)为点(u,v)到傅里叶变换中心的距离:
Figure GDA0004195062230000042
D0为截止频率,是(u,v)=0时D(u,v)的大小。它与照度场和反射系数场的频谱幅度对比度有关,通常需要经过大量实验选取合适的取值。D0的值越小,滤波后低频成分越多,图像越暗,相反则越亮。在对图像进行同态滤波时,为了在压缩图像动态范围的同时,不损失反射分量的图像细节,要求截止频率D0尽可能高,保留更多的图像细节。u,v表示离散傅里叶变换之后的频率,本发明中,D0由公式(3)得出:
D0=α×median(median(D)) (3)
D为图像各个点到傅里叶变换中心的距离,α为调节系数,α=0.00003~0.00006,当α值大时,截止频率就越大,低频成分通过的越多,图像保留的入射分量细节越少。针对历史文档α=0.00003时确定的截止频率可以在压缩图像动态范围的同时,尽可能的保留图像的细节。median表示取中间值。
1.3同态滤波
同态滤波是一种在频域中将图像动态范围进行压缩并将图像对比度进行增强的方法。图像f(x,y)可由入射分量i(x,y)和反射分量r(x,y)的乘积表示,表达式如下:
f(x,y)=i(x,y)r(x,y) (4)
通常情况下,i(x,y)对应频谱的低频区域,反映了光照条件;r(x,y)对应频谱的高频区域,反映了图像的内容细节。其中入射分量i(x,y)的缓慢变化会引起图像的光照不均,因此将i(x,y)分量与r(x,y)分量分开,增加高频,减少低频,可以减少光照不均对图像的影响,使图像更加清晰。
为了将入射分量i(x,y)和反射分量r(x,y)分离,对式(4)两边取对数:
z(x,y)=lnf(x,y)=lni(x,y)+lnr(x,y) (5)
对(5)式两边进行傅里叶变换,将图像由空域转换为频域:
F(z(x,y))=F(lni(x,y))+F(lnr(x,y)) (6)
Z(u,v)=Fi(u,v)+Fr(u,v) (7)
选取同态滤波函数H(u,v)对Z(u,v)进行处理:
S(u,v)=H(u,v)Z(u,v)=H(u,v)Fi(u,v)+H(u,v)Fr(u,v) (8)
再对滤波后输出S(u,v)进行逆傅里叶变换:
s(x,y)=F-1(S(u,v))=F-1(H(u,v)Fi(u,v)+H(u,v)Fr(u,v)) (9)
s(x,y)=i′(x,y)+r′(x,y) (10)
对(10)式两边取指数得到同态滤波后的图像。
g(x,y)=es(x,y)=ei′(x,y)er′(x,y)=i0(x,y)r0(x,y) (11)
2图像二值化
本发明分别选取五种二值化方法处理同态滤波后的历史文档图片。
2.1Otsu方法
Otsu算法,是一种计算简单快捷的自适应全局全局阈值方法。设前景像素占图像比例为w0,平均灰度值为u0;背景像素占图像比例为w1,平均灰度值为u1。图像的总平均灰度值为:
u=w0u0+w1u1 (12)
前景和背景的类间方差为:
b=w0(u0-u)2+w1(u1-u)2 (13)
通过确定阈值T使图像前景和背景的类间方差最大,因此也称最大类间方差法。
2.2Bradley方法
Bradley方法是一种局部阈值化方法。该算法的核心思想是,如果每幅图像的亮度低于指定尺寸窗口中周围像素的平均亮度T%,则将其像素设置为黑色,否则设置为白色。使用M×N邻域执行局部阈值(默认值为15×15),T可以在0-100范围内设置,一般默认为10。
2.3Sauvola方法
Sauvola方法是改进了的Niblack方法,在Niblack方法的基础上引入了参数R。计算的图像阈值为:
T(x,y)=μ(x,y)×[1-k×(1-σ(x,y)/R)] (14)
式中,常数k=0.5,R为图像标准偏差的最大值,通常为128。
2.4Gatos方法
Gatos等人提出的二值化方法,能够有效消除退化历史文档图像中阴影、不均匀照明、低对比度、污迹等退化现象,有效地提取文本内容。该方法通过粗略估计图像的前景和背景,来确定最终的阈值。具体过程如图2所示。
在源图像的灰度图进行维纳滤波后,通过Sauvola方法粗略估计图像的前景,以及相邻像素插值计算得到图像的背景,并结合背景与源图像得到最终阈值。
2.5Wolf方法
wolf等人提出了一种局部阈值方法,该方法需要归一化图像对比度和平均灰度值。图像的阈值为:
T(x,y)=(1-k)×μ(x,y)+k×Imin+k×[μ(x,y)-Imin]×σ(x,y)/R (15)
常数k被设置为0.5,μ(x,y)和σ(x,y)为邻域点的灰度均值和标准差,Imin为整幅图像的最小灰度值,R为图像的最大标准偏差。
3二值化图像的像素级融合
图像融合是将一个场景的两幅或多幅图像中的信息组合成一幅单一的合成图像的过程,这种合成图像信息量更大,更适合于视觉感知或计算机处理。图像融合分为三类方法,分别是像素级融合、特征级融合以及决策级融合。其中像素级融合是根据某个融合规则直接对源图像灰度进行融合,该方法保留图像信息的能力是三种方法中最好的。本发明中对五种二值化方法的像素级融合方法如下所示:
f(x,y)=O(x,y)+B(x,y)+S(x,y)+G(x,y)+W(x,y) (16)
式中O(x,y),B(x,y),S(x,y),G(x,y)和W(x,y)分别为Otsu方法、Bradley方法、Sauvola方法、Gatos方法和Wolf方法,对历史文档图像的二值化结果。f(x,y)
为五种二值化图像的累加结果。
Figure GDA0004195062230000071
式中,f′(x,y)为五种二值化图像像素级融合的最终结果,R为ceil(5/2)。Ceil表示向上取整。

Claims (1)

1.一种基于分块自适应同态滤波的历史文档图像二值化方法,其特征在于,包括
S1.同态滤波;
S2.图像二值化;
S3.二值化图像的像素级融合;
其中:
步骤S1.同态滤波的方法包括:
1.1分块同态滤波:将历史文档图像分为4×4块,每块的长为floor(M/4),宽为floor(N/4),M、N为图像的大小,将图像未被划分为整块的行或列的边缘,分别分入其相邻的行或列的图像子块中,分别对4×4个图像子块进行同态滤波,并将同态滤波后的图像子块合并成一幅历史文档图像;
1.2高通滤波器及参数选取:使用高斯型高通滤波器来减少同态滤波后的历史文档图像的低频,增加高频,其函数表达式如下:
Figure QLYQS_1
rH为高频增益,rL为低频增益,一般rH<1,rL>1可减少低频,增强高频,压缩图像动态范围范围和增强图像对比度;c为锐化系数,用来控制滤波器函数斜面的锐化,通常为rH和rL之间的常数,D(u,v)为点(u,v)到傅里叶变换中心的距离:
Figure QLYQS_2
D0为截止频率,是(u,v)=0时D(u,v)的大小,D0由公式(3)得出:
D0=α×median(median(D)) (3)
D为图像各个点到傅里叶变换中心的距离,α为调节系数,α=0.00003~0.00006,
步骤S2.图像二值化的方法:
选取五种二值化方式处理滤波后的历史文档图片,各个二值化方式的方法是:
2.1 Otsu方法:设历史文档图像的前景像素占图像比例为w0,平均灰度值为u0,背景像素占图像比例为w1,平均灰度值为u1,图像的总平均灰度值为:
u=w0u0+w1u1 (12)
前景和背景的类间方差为:
b=w0(u0-u)2+w1(u1-u)2 (13)
通过确定阈值T使图像前景和背景的类间方差最大;
2.2 Bradley方法:如果每幅历史文档图像的亮度低于指定尺寸窗口中周围像素的平均亮度T%,则将其像素设置为黑色,否则设置为白色,使用M×N邻域执行局部阈值,T可以在0-100范围内设置;
2.3 Sauvola方法:计算的图像阈值为:
T(x,y)=μ(x,y)×[1-k×(1-σ(x,y)/R)] (14)
式中,常数k=0.5,R为图像标准偏差的最大值;
2.4 Gatos方法:通过粗略估计图像的前景和背景,来确定最终的阈值,在源图像的灰度图进行维纳滤波后,通过Sauvola方法粗略估计图像的前景,以及相邻像素插值计算得到图像的背景,并结合背景与源图像得到最终阈值;
2.5 Wolf方法:图像的阈值为:
T(x,y)=(1-k)×μ(x,y)+k×Imin+k×[μ(x,y)-Imin]×σ(x,y)/R (15)常数k被设置为0.5,μ(x,y)和σ(x,y)为邻域点的灰度均值和标准差,Imin为整幅图像的最小灰度值,R为图像的最大标准偏差;
步骤S3.二值化图像的像素级融合的方法:
对五种二值化方法的像素级融合:
f(x,y)=O(x,y)+B(x,y)+S(x,y)+G(x,y)+W(x,y) (16)式中O(x,y),B(x,y),S(x,y),G(x,y)和W(x,y)分别为Otsu方法、Bradley方法、Sauvola方法、Gatos方法和Wolf方法对历史文档图像的二值化结果,f(x,y)为五种二值化图像的累加结果
Figure QLYQS_3
式中,f′(x,y)为五种二值化图像像素级融合的最终结果,R为ceil(5/2)。
CN201911236887.3A 2019-12-05 2019-12-05 基于分块自适应同态滤波的历史文档图像二值化方法 Active CN111144419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911236887.3A CN111144419B (zh) 2019-12-05 2019-12-05 基于分块自适应同态滤波的历史文档图像二值化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911236887.3A CN111144419B (zh) 2019-12-05 2019-12-05 基于分块自适应同态滤波的历史文档图像二值化方法

Publications (2)

Publication Number Publication Date
CN111144419A CN111144419A (zh) 2020-05-12
CN111144419B true CN111144419B (zh) 2023-06-09

Family

ID=70517638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911236887.3A Active CN111144419B (zh) 2019-12-05 2019-12-05 基于分块自适应同态滤波的历史文档图像二值化方法

Country Status (1)

Country Link
CN (1) CN111144419B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508976A (zh) * 2020-12-22 2021-03-16 大连民族大学 基于u型卷积神经网络的满文历史文档图像二值化方法
CN115331232B (zh) * 2022-07-08 2023-08-18 黑龙江省科学院智能制造研究所 一种满文历史文档图像列分割方法
CN115713487A (zh) * 2022-10-26 2023-02-24 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) 用于x射线焊缝图像的缺陷识别方法、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096610A (zh) * 2016-06-13 2016-11-09 湖北工业大学 一种基于支持向量机的文档图像二值化方法
CN106886987A (zh) * 2017-03-23 2017-06-23 重庆大学 一种列车车牌二值化图像融合方法
WO2017121018A1 (zh) * 2016-01-11 2017-07-20 中兴通讯股份有限公司 二维码图像处理的方法和装置、终端、存储介质
US9965695B1 (en) * 2016-12-30 2018-05-08 Konica Minolta Laboratory U.S.A., Inc. Document image binarization method based on content type separation
CN110400319A (zh) * 2019-07-16 2019-11-01 东华大学 一种基于区域分割法的丝饼油污分割算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017121018A1 (zh) * 2016-01-11 2017-07-20 中兴通讯股份有限公司 二维码图像处理的方法和装置、终端、存储介质
CN106096610A (zh) * 2016-06-13 2016-11-09 湖北工业大学 一种基于支持向量机的文档图像二值化方法
US9965695B1 (en) * 2016-12-30 2018-05-08 Konica Minolta Laboratory U.S.A., Inc. Document image binarization method based on content type separation
CN106886987A (zh) * 2017-03-23 2017-06-23 重庆大学 一种列车车牌二值化图像融合方法
CN110400319A (zh) * 2019-07-16 2019-11-01 东华大学 一种基于区域分割法的丝饼油污分割算法

Also Published As

Publication number Publication date
CN111144419A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
US11127122B2 (en) Image enhancement method and system
Lin et al. Multi-scale retinex improvement for nighttime image enhancement
CN111144419B (zh) 基于分块自适应同态滤波的历史文档图像二值化方法
KR100879536B1 (ko) 영상의 화질 개선을 위한 방법 및 시스템
US9633422B2 (en) Method for image processing using local statistics convolution
CN111986120A (zh) 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法
CN108288258B (zh) 一种针对恶劣天气条件下的低质图像增强方法
WO1997034257A1 (en) Method and apparatus for pixel level luminance adjustment
CN112561804A (zh) 基于多尺度细节增强的低光照水下图像增强方法
CN107292834B (zh) 红外图像细节增强方法
CN110111280B (zh) 一种多尺度梯度域引导滤波的低照度图像增强方法
Patvardhan et al. Document image denoising and binarization using Curvelet transform for OCR applications
CN112435184A (zh) 一种基于Retinex和四元数的雾霾天图像识别方法
CN111260588A (zh) 一种高清数字cmos成像组件图像增强方法
Asari et al. Nonlinear enhancement of extremely high contrast images for visibility improvement
CN114913099A (zh) 视频文件处理的方法和系统
Tanaka et al. Retinex-based signal enhancement for image dark regions
CN109167892B (zh) 一种视频图像细节增强方法与系统
Tang et al. Sky-preserved image dehazing and enhancement for outdoor scenes
Tao et al. An efficient illuminance-reflectance nonlinear video stream enhancement model
Bruni et al. Visibility based detection and removal of semi-transparent blotches on archived documents
Raju et al. Modified self—Adaptive Plateau Histogram Equalization with mean threshold for brightness preserving and contrast enhancement
Kim et al. Intensity surface stretching technique for contrast enhancement of digital photography
CN112634229B (zh) 图像去除黑边的方法
Pardhi et al. Contrast Enhancement Using Adaptive Threshold Based Dynamic Range Adjustment In Luv Colour Space

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant