Visión Artificial - UNIR

Actividad 1: Mejora de imagen con operaciones elementales.

Autor: Miguel Jara Arroyo

Este proyecto aborda la mejora de imágenes capturadas en condiciones de baja iluminación utilizando el conjunto de datos The Dark Face. Se implementaron y compararon dos métodos principales de ajuste de iluminación: uno por canal y otro global, evaluando sus ventajas y limitaciones.

---

Documentación

Puedes consultar la documentación completa en formato PDF en el siguiente enlace:
Actividad_1_UNIR_VA.pdf

---

Metodología

1. Análisis inicial:

   • Se analizaron histogramas de intensidad RGB para identificar características de las imágenes.
   • Los valores de intensidad se encuentran principalmente entre 0 y 50, con excepciones en imágenes con luz artificial.

2. Ajuste inicial:

   • Multiplicación de la intensidad de los píxeles por un factor constante ((f = 2.5)).
   • Resultados: Mejora en áreas oscuras, pero con "quemado" en zonas bien iluminadas.

3. Ajustes dinámicos:

   • Por canal: Factor calculado individualmente para cada canal RGB.
   • Global: Factor basado en el brillo promedio de toda la imagen.
   • Ambos métodos ajustan el brillo según una iluminación objetivo predeterminada.

---

Resultados

• Ajuste por canal:

  • Mejora significativa en áreas oscuras y definición.
  • Introduce distorsión cromática, con predominio del azul en imágenes muy oscuras.

  

• Ajuste global:

  • Genera imágenes más naturales y con mejor balance cromático.
  • Ligera pérdida de detalle en áreas muy oscuras en comparación con el ajuste por canal.

  

---

Conclusiones

1. Ajuste por canal: Adecuado para aplicaciones computacionales donde la precisión de detalles es clave.
2. Ajuste global: Mejor para visualización por usuarios humanos, priorizando el balance tonal y la naturalidad.

Ambos métodos tienen fortalezas específicas, pero podrían combinarse en modelos híbridos para aprovechar sus ventajas. El desarrollo de algoritmos no lineales es una dirección prometedora para superar las limitaciones actuales y mejorar la calidad del procesamiento de imágenes en condiciones de iluminación difíciles.

---

Referencia al conjunto de datos

Yang, Wenhan, Yuan, Ye, Ren, Wenqi, Liu, Jiaying, Scheirer, Walter J., Wang, Zhangyang, Zhang, and et al. (2020).
Advancing Image Understanding in Poor Visibility Environments: A Collective Benchmark Study.
IEEE Transactions on Image Processing, 29, 5737-5752.
DOI: 10.1109/TIP.2020.2981922

---

---

English:

Computer Vision - UNIR

Activity 1: Image Enhancement with Basic Operations

Author: Miguel Jara Arroyo

This project focuses on enhancing images captured under low-light conditions using the The Dark Face dataset. Two main illumination adjustment methods were implemented and compared: a per-channel method and a global method, evaluating their advantages and limitations.

---

Documentation

You can find the full documentation in PDF format at the following link:
Actividad_1_UNIR_VA.pdf

---

Methodology

1. Initial Analysis:

   • RGB intensity histograms were analyzed to identify image characteristics.
   • Intensity values are mainly between 0 and 50, with exceptions in images with artificial light.

2. Initial Adjustment:

   • Pixel intensity was multiplied by a constant factor ((f = 2.5)).
   • Results: Improved dark areas but introduced "burning" in well-lit regions.

3. Dynamic Adjustments:

   • Per-Channel: Factor calculated individually for each RGB channel.
   • Global: Factor calculated based on the average brightness of the entire image.
   • Both methods adjust brightness to meet a predefined target illumination level.

---

Results

• Per-Channel Adjustment:

  • Significant improvement in dark areas and better definition.
  • Introduced chromatic distortion, with a blue shift in very dark images.

  

• Global Adjustment:

  • Produced more natural images with better color balance.
  • Slight loss of detail in very dark areas compared to the per-channel adjustment.

  

---

Conclusions

1. Per-Channel Adjustment: Suitable for computational applications where detail precision is critical.
2. Global Adjustment: Better suited for human viewing, prioritizing tonal balance and naturalness.

Both methods have specific strengths, but combining them into hybrid models could leverage their advantages. Developing non-linear algorithms is a promising direction to overcome current limitations and improve the quality of image processing under challenging lighting conditions.

---

Dataset Citation

Yang, Wenhan, Yuan, Ye, Ren, Wenqi, Liu, Jiaying, Scheirer, Walter J., Wang, Zhangyang, Zhang, and et al. (2020).
Advancing Image Understanding in Poor Visibility Environments: A Collective Benchmark Study.
IEEE Transactions on Image Processing, 29, 5737-5752.
DOI: 10.1109/TIP.2020.2981922