Contrast Enhancement of Brightness-Distorted Images by Improved Adaptive Gamma Correction (2017)

Gang Cao1*, Lihui Huang1
, Huawei Tian2
, Xianglin Huang3
, Yongbin Wang1
, Ruicong Zhi4
code：https://github.com/leowang7/iagcwd/tree/master
paper: https://arxiv.org/pdf/1709.04427

1.介绍 Efficient contrast enhancement with adaptive gamma correction

S.-C. Huang, F.-C. Cheng, and Y.-S. Chiu

首先计算累积直方图c，gamma = 1-c

然后 apply gamma:

通过以上可知 gamma和累积直方图有关系。因此对直方图进行不同程度的平滑可以得到不同的累积直方图, 如下图b: alpha=0.5,1,1.5时的累积直方图的变化

梳理一下主要步骤：
对YUV的Y 或者 hsv的v 通道处理
1）首先计算直方图p
2) 然后根据公式2计算 pw, normalized后的 pw’=pw/pw.sum(), 这里有参数alpha可调
3) 然后计算累积直方图c, 和 gamma=1-c
4) 最后apply gamma

但是上面的方法有2个缺陷：
1是对于过亮的图像处理不好
2是对于过暗的图像：the image distortion may be incurred in bright regions due to the improper setting of rather low gamma values for large pixel intensities， 也就是在明亮区域，由于在像素值大的pixel会被设置过低的伽马值，可能会导致图像失真

2.作者提出2个方案改进上述方法，主要框架：

2.1 亮度判断

t = (mean - 0.5) / 0.5
表示图像均值与0.5的差距， 如果差距在 tao范围内则认为图像亮度是恰当的，不做改变。

2.2 对于过亮图像

2.3 对于过暗图像

3.复现结果展示

没有达到原文的效果，不知道哪里的错误。

下面附上代码：利用原论文中的图片截屏处理后得不到原文中类似的效果，欢迎大家分析指正

"""
Contrast Enhancement of Brightness-Distorted Images by Improved Adaptive Gamma Correction
Gang Cao1*, Lihui Huang1
, Huawei Tian2
, Xianglin Huang3
, Yongbin Wang1
, Ruicong Zhi4

其他版本code:https://github.com/leowang7/iagcwd
"""
import cv2
import matplotlib.pyplot as plt
import numpy as np


def agc0(Y, alpha, truncated):
    # 直方图
    p = cv2.calcHist(Y, [0], None, [256], [0, 256])
    # 直方图smooth
    #plt.figure()
    #plt.plot(np.arange(len(p)), p, )
    #plt.show()

    pmax = np.max(p)
    pmin = np.min(p)
    pw = ((p - pmin) / (pmax - pmin)) ** alpha
    pw = pw * pmax

    #plt.figure()
    #plt.plot(np.arange(len(p)), pw, )
    #plt.show()

    # 直方图norm
    pw_norm = pw / pw.sum()
    #plt.figure()
    #plt.plot( np.arange(len(pw_norm)), pw_norm,'b-',)
    #plt.show()

    # 累积直方图和gamma
    c = pw_norm.cumsum()
    print(c.max(), c.sum())

    #plt.figure()
    #plt.plot(np.arange(len(c)), c, 'b-', np.arange(len(c)), p.cumsum()/p.sum(), 'r-',)
    #plt.show()
    
    gamma = 1 - c
    #print('gamma:', gamma)
    #plt.figure()
    #plt.plot(np.arange(len(gamma)), gamma,'+', np.arange(len(gamma)), c,'g-',)
    #plt.show()
    if truncated:
        gamma = np.maximum(0.5, gamma)
    # apply gamma
    ret = np.round(Y.max() * ((Y / Y.max()) ** gamma[Y]))
    ret = ret.clip(0, 255).astype(np.uint8)
    return ret

def improved_agc(img):
    """
    :param img: uint8 bgr
    :param alpha:
    :return:
    """
    # Extract intensity component of the image
    YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)
    Y = YCrCb[:, :, 0]

    #Y = cv2.blur(Y, (5, 5))
    # Determine whether image is bright or dimmed
    threshold = 0.2
    t = (np.mean(Y) - 112) / 112

    if t < -threshold: # dimmed
        print('dimmed image ', t)
        ret = agc0(Y, 0.75, True)
    elif t > threshold*0.5: # bright
        print('bright image ', t)
        print(Y.dtype)
        Y_neg = 255 - Y
        print(Y_neg.dtype)
        ret = agc0(Y_neg, 0.25, False)
        ret = 255 - ret
    else:
        ret = Y
    YCrCb[:, :, 0] = ret
    img_output = cv2.cvtColor(YCrCb, cv2.COLOR_YCrCb2BGR)
    return img_output

if __name__ == "__main__":


    file = r'D:\dataset\Snipaste_2024-11-22_10-46-42.png'
    # file = r'D:\dataset\Snipaste_2024-11-21_17-13-55.png'
    # file = r'D:\dataset\Snipaste_2024-11-22_09-54-26.png'
    # file = r'D:\dataset\Snipaste_2024-11-22_09-56-01.png'

    file = r'D:\dataset\Snipaste_2024-11-21_17-14-25.png'
    img = cv2.imread(file, 1)

    ret = improved_agc(img)

    plt.figure()
    plt.subplot(121)
    plt.imshow(img[... ,::-1])
    plt.subplot(122)
    plt.imshow(ret[... ,::-1])
    plt.show()