👁️ Computer Vision
👁️ Computer Vision

Mejora de imágenes nocturnas

Las imágenes capturadas en condiciones de baja iluminación son oscuras, ruidosas y tienen bajo contraste.

Problema

Las imágenes capturadas en condiciones de baja iluminación son oscuras, ruidosas y tienen bajo contraste. Los sistemas de visión artificial entrenados con imágenes normales degradan su rendimiento en estas condiciones. Mejorar la imagen antes de procesarla puede recuperar información visual perdida.

Solución

Comparativa de técnicas de realce de contraste e imagen: CLAHE (Contrast Limited Adaptive Histogram Equalization), corrección gamma, denoising con filtros bilaterales y no locales (Non-Local Means), y comparación con métodos de deep learning para image enhancement.

Técnicas comparadas

  • Histogram equalization global: mejora el contraste pero introduce artefactos en zonas uniformes
  • CLAHE: equalización por tiles con límite de contraste — equilibrio entre realce y artefactos
  • Corrección gamma: curva exponencial para controlar el brillo de sombras y altas luces
  • Non-Local Means denoising: promedio ponderado por similitud de parches — preserva bordes
  • Filtro bilateral: suaviza manteniendo bordes — alternativa rápida a NLM

Evaluación

  • PSNR (Peak Signal-to-Noise Ratio) y SSIM (Structural Similarity) contra imagen de referencia
  • Evaluación visual cualitativa: legibilidad de detalles, artefactos y naturalidad
  • Impacto downstream: rendimiento de un detector YOLO en imágenes originales vs. mejoradas

Más proyectos en Computer Vision