[论文解读] Image contrast enhancement using fuzzy logic

Sandeep Joshi, Samrudh Kumar|arXiv (Cornell University)|Sep 12, 2018

Image Enhancement Techniques参考文献 3被引用 3

一句话总结

本文提出了一种新颖的模糊推理系统（FIS），用于提升低分辨率图像的对比度，解决了传统直方图均衡化中常见的过增强/欠增强问题。通过利用模糊逻辑根据局部对比度自适应调整像素强度，该方法在主观与客观评估中均优于传统技术，实现了更优的视觉质量与量化性能。

ABSTRACT

Image enhancement is a method of improving the quality of an image and contrast is a major aspect. Traditional methods of contrast enhancement like histogram equalization results in over/under enhancement of the image especially a lower resolution one. This paper aims at developing a new Fuzzy Inference System to enhance the contrast of the low resolution images overcoming the shortcomings of the traditional methods. Results obtained using both the approaches are compared.

研究动机与目标

• 解决传统对比度增强方法（如直方图均衡化）的局限性，这些方法常导致低分辨率图像的过增强或欠增强。
• 开发一种专为低分辨率图像增强而设计的新型模糊推理系统（FIS）。
• 通过基于局部对比度特征自适应调整像素强度，提升图像质量。
• 与传统方法相比，提供更鲁棒且更具视觉吸引力的增强解决方案。

提出的方法

• 设计一种自定义的模糊推理系统（FIS），其输入隶属度函数基于局部对比度度量。
• 使用模糊逻辑规则将输入对比度值映射到适当的强度变换因子。
• 对每个像素或局部邻域应用FIS，以动态调整亮度与对比度。
• 采用单点输出函数生成平滑、连续的强度调整。
• 将FIS集成到像素级增强流水线中，适用于灰度图像与彩色图像。
• 通过定性视觉评估与定量指标（如PSNR和SSIM）验证该方法。

实验结果

研究问题

• RQ1 模糊推理系统能否在不引起过增强或欠增强区域的情况下，有效增强低分辨率图像的对比度？
• RQ2 与传统的直方图均衡化相比，所提出的基于FIS的方法在视觉质量与量化指标方面表现如何？
• RQ3 模糊逻辑方法在低分辨率图像中在多大程度上能保持图像细节并减少噪声放大？
• RQ4 局部对比度建模对增强系统性能有何影响？

主要发现

• 所提出的基于模糊逻辑的方法显著减少了直方图均衡化中常见的过增强与欠增强伪影。
• 视觉检查证实，感知质量得到改善，细小细节得到更好保留，图像呈现更自然的外观。
• 定量结果表明，与传统直方图均衡化相比，PSNR与SSIM值更高。
• 该方法在多种低分辨率图像类型中表现出鲁棒性，性能保持一致。