Luminous Image Enhancement Using Intersection Cortical Model

Authors

  • Kevin Salvador Aguilar Domínguez Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México
  • Manuel Mejía Lavalle Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México
  • Gerardo Reyes Salgado Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México

DOI:

https://doi.org/10.30973/progmat/2019.11.2/2

Keywords:

Image Enhancement, Artificial Neural Networks, Intersection Cortical Model, Pulse-Coupled Neural Network

Abstract

The use of digital images is increasing, however, they can be affected by various factors, which degrade their quality which hinders their correct analysis. The luminous images are a clear example of this. In this work a Pulse-Coupled Neural Network is implemented to enhancement the luminous images, using the Intersection Cortical Model and a Time Matrix to modify the value of the pixels and achieve a better quality image in less time

Author Biographies

Kevin Salvador Aguilar Domínguez, Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México

Es estudiante de Maestría en Ciencias Computacionales en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) / Tecnológico Nacional de México (TecNM). Egresado de la Universidad Tecnológica Emiliano Zapata (UTEZ), en la carrera de ingeniería en mecatrónica. Participación; en el taller de robótica libre NAO de la UTEZ, en el Concurso de Robótica e Inteligencia Artificial NAO de los años 2015 y 2016, el 14 congreso de mecatrónica y el Torneo Mexicano de Robótica (TMR) del año 2016 en la categoría de RoboCup Rescue Robot. Investiga principalmente en las áreas de la Inteligencia Artificial, Redes Neuronales Artificiales y Visión Artificial.

Manuel Mejía Lavalle, Tecnológico Nacional de México / Centro Nacional de Investigación y Desarrollo Tecnológico, Interior Internado Palmira S/N, Col. Palmira, C.P. 62490, Cuernavaca, Morelos, México

Es Doctor en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey (ITESM) y profesor - investigador en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET) / Tecnológico Nacional de México (TecNM). Pertenece al IEEE habiendo sido presidente del Capítulo de Computación de la Sección Morelos, México en el período 2011-2012. Cuenta con Perfil Deseable PRODEP. Ha pertenecido también al Sistema Nacional de Investigadores, al Sistema Estatal de Investigadores (Morelos), a la Sociedad Mexicana de Inteligencia Artificial, y a la Academia Nacional de Investigación en Ciencias Computacionales. Investiga principalmente en el área de la Inteligencia Artificial y de las Redes Neuronales Artificiales.

References

Pedersen, M; Bonnier, N; Hardeberg, J. Y; Albregtsen, F. Attributes of image quality for color prints. Journal of Electronic Imaging. 2010, 19(1), 11016. https://doi.org/10.1117/1.3277145

Pajares, G; Cruz García, J.M. Ejercicios resueltos de visión por Computador, Alfaomega. Madrid, 2008.

Manaswini, J; Sashikala, M. Review of neural network techniques in the verge of image processing. In: Reddy M., Viswanath K., K.M. S. (eds) International Proceedings on Advances in Soft Computing, Intelligent Systems and Applications. Advances in Intelligent Systems and Computing, vol 628. Springer, Singapore. 2018, 345–361. https://doi.org/10.1007/978-981-10-5272-9_33

Eckhorn, R; Reitboeck, H. J; Arndt, M; Dicke, P. Feature Linking via Synchronization among Distributed Assemblies: Simulations of Results from Cat Visual Cortex. Neural Computation. 1990, 2(3), 293–307. https://doi.org/10.1162/neco.1990.2.3.293

Ma, Y; Zhan, K; Wang, Z. Image Enhancement. In: Applications of Pulse-Coupled Neural Networks. Springer, Berlin, Heidelberg, 2010, 61–81.

Rodríguez, R; Sossa, J. H. Procesaminto y Análisis Digital de Imágenes. Alfaomega. México, 2012.

Ekblad, U; Kinser, J. M; Atmer, J; Zetterlund, N. The intersecting cortical model in image processing. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2004, 525(1-2), 392–396. https://doi.org/10.1016/j.nima.2004.03.102

Ortiz, E; Mejía-Lavalle, M; Sossa, H. Uso de redes neuronales pulsantes para mejorar el filtrado de imágenes contaminadas con ruido Gaussian. Research in Computing Science, 2016, 11(3), 45–58.

Cardenas, S. Y; Mejia-Lavalle, M; Azuela, H. S; Pardo, E. C. Pulse-Coupled Neural Networks applied to Human Brain Image Processing. International Conference on Mechatronics, Electronics and Automotive Engineering. 2014, 60–65. https://doi.org/10.1109/ICMEAE.2014.46

Lindblad, T; Kinser, J. M; Image processing using pulsecoupled neural networks. 2005.

Yuan-yuan, C; Hai-yan, L; Xin-ling, S; Jian-hua, C. A new method of denoising mixed noise using Limited Grayscale Pulsed Couple Neural Network. Proceedings of 2011 Cross Strait Quad-Regional Radio Science and Wireless Technology Conference. 2011, 1410–1413. https://doi.org/10.1109/CSQRWC.2011.6037229

Berkeley Segmentation Data, “Benchmarks 500 (BSDS500),” URL http//www.eecs.berkeley.edu/Research/Projects/CS/vision/g rouping/resources. html., 2011.

Robledano-Arillo, J; Moreno-Pelayo, V; Pereira-Uzal, J. M. Aproximación experimental al uso de métricas objetivas para la estimación de calidad cromática en la digitalización de patrimonio documental gráfico. Revista Española de Documentación Científica. 2016, 39(2), e128.

Wang, Z; Bovik, A.C; Sheikh, H. R; Simmoncelli, E. P. Image quality assessment: form error visibility to structural similarity. IEEE Transactions on Image Processing. 2004, 13(4), 600–612. https://doi.org/10.1109/TIP.2003.819861

Downloads

Published

2019-06-28

How to Cite

Aguilar Domínguez, K. S., Mejía Lavalle, M., & Reyes Salgado, G. (2019). Luminous Image Enhancement Using Intersection Cortical Model. Programación Matemática Y Software, 11(2), 10–19. https://doi.org/10.30973/progmat/2019.11.2/2

Issue

Vol. 11 No. 2 (2019): Junio de 2019

Section

Articles

License

Copyright (c) 2019 Programación Matemática y Software

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.