Spatio-Temporal Retinex-Inspired Envelope with Anisotropic Diffusion

Abstract

Flere algoritmer har tidligere blitt foreslått for spatiell fargekorrigering av bilder. En av disse algoritmene er STRESS, en Retinex-inspirert algortime som bruker stokastisk sampling for å lage omhyllingskurver. Denne samplingmetoden skaper en del støy ved lave iterasjoner, noe som betyr at flere iterasjoner er nødvendig for et godt resultat. I dette prosjektet presenterer vi en ny metode som bruker anisotropisk diffusjon i stedet for stokastisk sampling som vi kaller STREAD. Anisotropisk diffusjon er implementert for sampling og er brukt for kontrastforsterkning, og denne nye implementasjonen er vist at skaper bedre bilder enn det STRESS gjør. Et eksperiment med observatører er gjennomført for både bildekvalitet og bildestøy, for å evaluere de to algoritmene. Resultatene viser at STREAD er betydelig bedre på både bildekvalitet og bildestøy, bedømt av observatørene. De neste trinnene for denne implementasjonen er å teste den for andre applikasjoner, som spatiell fargeomfangstilpassning og lokal fargekorrigering av bilder.

In the past, several algorithms have been suggested for spatial color correction of digital images. One of these algorithms is STRESS, a Retinex inspired algorithm that uses stochastic sampling to obtain the envelope function. This sampling method creates some chromatic noise on low iterations, meaning more iterations are needed. In this project, we present a new method using anisotropic diffusion instead of stochastic sampling that we call STREAD, Spatio-Temporal Retinex-Inspired Envelope with Anisotropic Diffusion. Anisotropic diffusion is implemented for the sampling and used for contrast enhancement, and this new implementation is shown to create better images than with STRESS. An experiment with observers are done for both image quality and image noise, to evaluate the two approaches. The results show that STREAD is significant better in both image quality and the image noise generated, as judged by the observers. The next steps for the new implementation are to test it for other applications like spatial color gamut mapping and local color correction of images.