در این مقاله، برای بهبود وفقی کنتراست به ارائه و حل یک مساله بهینه سازی در فضای هیستوگرام های دوبعدی پرداخته شده است. برای جلوگیری از بروز اثرات نامطلوب ناشی از دست کاری هیستوگرام تصویر، در بیان ریاضی مساله در این مقاله همانند روش های مشابه دیگر، از یک سو هیستوگرام بهینه خروجی از روی هیستوگرامی دوبعدی که بیشترین شباهت را به هیستوگرام دوبعدی تصویر ورودی و نیز توزیع یکنواخت داشته باشد به دست می آید و از سویی دیگر برخلاف دیگر روش ها، با وزن دهی وفقی، اطلاعات محلی مناسبی را نیز در این جستجو در نظر می گیرد. نگاشت مناسب با حل این مساله بهینه-سازی به دست آمده و آزمایش های گوناگونی که بر روی تصاویر گوناگون انجام شده است، درستی مدل بهینه سازی را نشان می دهد. به کارگیری الگوریتم پیشنهادی بر روی تصاویر متعدد، در مقایسه با روش مرجع به صورت میانگین به بهبود 75 درصدی و 3 درصدی معیارهای AMBEN و DEN منجر شده است.

به منظور افزایش دقت بخش بندی تصاویر گل محمدی، چند روش متعادل سازی هیستوگرام برای بهبود کیفیت تصاویر رنگی این گل ها و چند روش آستانه گیری برای بخش بندی گل های مذکور در تصویر، مورد بررسی قرار گرفت. قابل ذکر است که تصویربرداری در فضای باز و ساعات مختلف روز و شرایط متفاوتی از شدت نور انجام گرفت. برای بررسی دقیق تر، یک آزمایش فاکتوریل در قالب یک طرح کاملاً تصادفی با دو عامل روش متعادل سازی هیستوگرام، در 8 سطح و روش آستانه گیری، در 15 سطح به کار گرفته شد. روش های متعادل سازی هیستوگرام عبارت بودند از: CHE, BBHE, BHEPL-D, DQHEPL, DSIHE, RMSHE, RSIHE و تیمار شاهد بدون متعادل سازی هیستوگرام (NHE). همچنین روش های آستانه گیری عبارت بودند از: Huang, Intermodes, Isodata, Li, maximum entropy, mean, minimum, moments, Otsu, percentile, Renyi’ s entropy, Shanbhag, Yen, constant و global basic thresholding method. تاثیر این دو عامل بر خصوصیات تصویر بخش بندی شده از قبیل: درصد سطوحی که به اشتباه بخش بندی شده اند (PISA)، درصد هم پوشانی سطوح (POA)، درصد سطوحی که تشخیص داده نشده اند (PUA) و درصد سطوح تشخیص داده شده گل ها (PDF) مورد بررسی قرار گرفت. نتیجه روش های متعادل سازی هیستوگرام نشان داد که DQHEPL و NHE پایین ترین میزان PUA (به ترتیب 13/11% و 32/8%)، بالاترین POA (به ترتیب 35/89% و 07/92%) و بالاترین PDF (به ترتیب 88/61% و 94/64%) را از لحاظ آماری دارا می باشند. روش های آستانه گیری تاثیر معنی داری بر PISA, PUA, POA و PDF داشتند. بزرگ ترین مقادیر PDF به روش آستانه گیری constant، minimum و Intremodes (به ترتیب 07/75%، 08/73% و 30/74%)، همچنین کمترین مقدار PISA مربوط به این موارد بود (به ترتیب 35/0%، 29/1% و 35/0%) و PUA (به ترتیب 72/33%، 09/23% و 56/15%). این روش ها بزرگ ترین مقدار POA را نشان دادند (به ترتیب 73/80%، 70/76% و 67/84%). لذا روش های مناسبی برای بخش بندی گل محمدی در تصویر رنگی محسوب می گردند. متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

افزایش کنتراست یکی از مسائل حیاتی در پردازش تصاویر هواشناسی است که به منظور بهبود کیفیت تصاویر و تشخیص وضعیت آب و هوا بسیار حائز اهمیت است. یکی از روش های پرکاربرد برای بهبود کنتراست در تصاویر دیجیتال، متعادل سازی هیستوگرام می باشد. این روش ساده و مؤثر است، اما معمولاً منجر به افزایش غیرمنطقی کنتراست و نمایش تصاویر به شکل غیرطبیعی و ضعیف می شود. همچنین، متوسط روشنایی تصاویر نیز به درستی حفظ نمی شود. در این مقاله، یک روش جدید برای متعادل سازی تصاویر با حفظ روشنایی معرفی شده است. این روش با استفاده از منطق فازی، هیستوگرام تصویر اصلی را تغییر می دهد و با اعمال یک فرآیند قطع، نرخ متعادل سازی را کنترل می کند. در ابتدا، میانگین شدت سطوح خاکستری را پیدا کرده و هیستوگرام را به دو بخش تقسیم می کنیم. سپس با پیدا کردن میانگین دو زیرهیستوگرام، هیستوگرام را به چهار بخش تقسیم می کنیم. برای متعادل سازی پویا، یک محدوده جدید تعریف و هر کدام از زیرهیستوگرام ها به تنهایی متعادل می شوند. در پایان، با هدف حفظ میانگین روشنایی، یک فرآیند نرمال سازی روی تصویر خروجی اعمال می شود. نتایج شبیه سازی نشان می دهد که عملکرد این روش جدید بهبود چشمگیری در کیفیت تصاویر سیاه و سفید هواشناسی با حفظ روشنایی داشته است.

در این مقاله روشی برای انتخاب اتوماتیک تصویر مرجع در تطبیق هیستوگرام ارائه شده است. تطبیق هیستوگرام یکی از ساده ترین روش های مکانی بهبود تصویر است که با توجه به هیستوگرام تصویر مرجع، کنتراست تصویر اولیه را بهبود می دهد. در روش های معمول تطبیق هیستوگرام، کاربر برای یافتن مناسب ترین تصویر مرجعی که بهتر از سایر تصاویر هدف، کنتراست تصویر را بهبود ببخشد، نیازمند انجام چندین آزمایش با عکس های گوناگون روی تصویر اولیه است اما این مقاله، روشی برای انتخاب اتوماتیک تصویر مرجع در تطبیق هیستوگرام ارائه می دهد. روش کار بدین صورت است که برای تجزیه مولفه روشنایی از رنگ، ابتدا تصاویر از فضای رنگی RGB به فضای HSV انتقال می یابند. سپس تصویر مرجع مناسب برای بهبود تصویر اولیه، توسط یک معیار شباهت با سنجش میزان شباهت بین هیستوگرام مولفه روشنایی تصاویر موجود در پایگاه داده و هیستوگرام مولفه روشنایی تصویر اولیه انتخاب می شود. به عبارت دیگر، تصویری که هیستوگرام آن شباهت بیشتری به هیستوگرام تصویر اولیه دارد در بهبود کنتراست تصویر اولیه، موفق تر عمل می کند. انجام این کار علاوه بر به دست آوردن نتیجه مطلوب، کاربر را از دغدغه انتخاب یک تصویر مرجع مناسب برای بهبود تصویر اولیه نیز بی نیاز می کند. همچنین روش ارائه شده قابل استفاده روی تصاویر هر دو حوزه RGB و خاکستری نیز می باشد.