重新思考用于图像分类的图像直方图匹配
计算机视觉与模式识别
2025-06-03 v1
摘要
本文重新思考了图像直方图匹配（HM），并提出了一种用于下游分类器的可微且参数化的 HM 预处理。卷积神经网络在分类任务中取得了显著成就。然而，它们在恶劣天气条件下捕获的低对比度图像上通常表现出性能下降。为了在低对比度图像下保持分类器性能，通常使用直方图均衡化（HE）。HE 是 HM 的一种特例，使用均匀分布作为目标像素值分布。在本文中，我们关注目标像素值分布的形状。与均匀分布相比，单一且精心设计的分布有可能在各种恶劣天气条件下提高下游分类器的性能。基于这一假设，我们提出了一种可微且参数化的 HM，利用下游分类器的损失函数来优化目标分布。该方法通过将具有任意分布的输入图像转换为针对分类器优化的目标分布，解决了像素值不平衡问题。我们的 HM 仅使用分类器在正常天气图像上进行训练。实验结果表明，使用我们提出的 HM 训练的分类器在恶劣天气条件下优于传统预处理方法。
引用
@article{arxiv.2506.01346,
title = {Rethinking Image Histogram Matching for Image Classification},
author = {Rikuto Otsuka and Yuho Shoji and Yuka Ogino and Takahiro Toizumi and Atsushi Ito},
journal= {arXiv preprint arXiv:2506.01346},
year = {2025}
}