如何增强嘈杂图像的颜色和对比度答案

【问题标题】：How to enhance colors and contrast of an noisy image如何增强嘈杂图像的颜色和对比度
【发布时间】：2014-02-06 04:09:09
【问题描述】：

我之前问过这个问题“如何从图像中提取数字”LINK，最后我做了这一步，但是当我尝试识别数字时，有一些测试用例会导致糟糕的输出..将此图像视为例子

这张图片是低对比度（来自我的 POV）我试图调整它的对比度，结果仍然不可接受。我也尝试锐化它然后我应用了伽马校正但结果仍然不公平，所以提取的数字不分类器很好识别

这是（锐化+伽玛）之后的图像

分离后的4号：

谁能告诉我解决此类问题的最佳方法是什么？

【问题讨论】：

你是怎么分类的？
@ZawLin 我正在使用MINST数据库进行手写数字yann.lecun.com/exdb/mnist。分类是使用KNN算法完成的
在印刷文本上使用手写分类器就像在动物（人类除外）图片上使用行人分类器一样。
我认为 minst 不合适。我建议您简单地收集更多真实世界的数据并对其进行训练。如果这很困难，您可以从干净的字体生成嘈杂的图像。例如，您可以生成大约数百张具有不同对比度、模糊度、小旋转 (-5,5)、小位移、颗粒噪声和重新训练的图像。我认为你对锐度无能为力。你只需要改进分类器

【解决方案1】：

您的图像模糊，建议您尝试wiener deconvolution。您可以假设点扩散函数为高斯函数，并观察反卷积过程的情况。由于您事先不知道模糊内核，因此blind deconvolution 是一个替代方案。

【讨论】：

【解决方案2】：

锐化并不总是解决此类问题的最佳工具。与名称所暗示的相反，锐化不会“恢复”信息以将细节和边缘添加回图像中。相反，锐化是一类增加沿边缘的局部对比度的操作。

由于您的原始图像严重退化，这种锐化操作看起来会增加很多噪点，而且通常不会使任何东西变得更好。

还有一类称为“去模糊”算法的算法试图通过（更复杂的）数学模型实际重建图像细节。其中一些版本是盲反卷积、正则化反卷积和 Wiener 反卷积。

但是，重要的是要注意，所有这些方法都是近似值 - 一旦图像内容通过模糊等操作丢失，它（几乎）永远无法完全恢复。此外，这些方法通常要复杂得多。

处理这些情况的最佳方法是确保它们永远不会发生。确保在图像捕获期间保持良好的对焦，使用分辨率非常适合您的任务的系统，控制照明环境。但是，当这些方法不起作用或不能起作用时，就需要图像重建技术。

【讨论】：