A color image enhancement algorithm based on quaternion representation of vector rotation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Detail enhancement of color images is required in many applications. Unsharp masking (UM) is the most classical tool for detail enhancement. Many generalizing UM approaches have been proposed, for example, the rational UM technique, the cubic unsharp technique, the adaptive UM technique and so on. For color images, these algorithms have three steps: (a) Implement the color2gray step; (b) design an extracting method of high frequency information (HFI) based on the luminance component (LC); (c) complete the enhancing process utilizing the HFI. However, using only the HFI of the LC may lose the HFI of the chrominance component (CC). This paper proposes a quaternion based detail enhancement algorithm to extract details of the color image using both of the luminance and CCs. The proposed algorithm is designed to address three tasks: (1) designing an extraction method of the color high frequency information (CHFI) based on quaternion description of the 3D vector rotation; (2) performing an effective fusion strategy of the CHFI and the gray high frequency information (GHFI); (3) designing a quaternion based measure method of the local dynamic range, based on which the enhancement coefficients of the proposed algorithm can be determined. The performance of the proposed algorithm compares favorably with many other similar enhancement algorithms. The eight parameters can be adjusted to control the sharpness to produce the desired results, which makes the proposed algorithm practically useful.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,006 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle