图像亮度自适应调整

简介

　　本篇主要是对论文：Automatic Exposure Correction of Consumer Photographs 的实现总结。
作用是为了让图像曝光、细节更好。
    论文地址：点击打开链接

实现原理

　　根据对输入图像的亮度信息进行分析处理，进而获得该图片对应的S型Gamma曲线。利用这条曲线对输入图像进行处理，得到更好曝光和细节效果的图像。

算法实现

图像分割

　　将输入图像缩放后，利用：graph-based segmentation方法进行图像分割，直接网上搜索该关键字，有对应的论文和直接的代码下载，代码做点小修改之后
可以直接opencv编译通过。
　　得到的结果如下：
                     
               缩放后图像                                区域分割后图像

区域合并

　　首先将图像归一化，接着根据亮度0.0、0.1....1.0将图像分为11层。然后将之前分割出来的区域块，根据亮度层进行合并。
    得到的结果如下：
          
               区域合并后图像

细节提取

　　将图像根据前面的分层和亮度中间值V为分界线，将图像分为暗区和两区两部分；，对图像分别用Gamma(2.2, 0.445)进行处理，得到欠曝和过曝图像。
接着对着三张图像进行canny 细节提取。针对之前得到的前面分层，根据每层亮度是否大于V，计算出该层的细节占总细节的比例：Vb或者Vh。

区域尺寸比例

　　计算出每层区域的像素占整个图像像素的比例，对应为：Ci;

相邻层直方图距离

　　得到每层对应的直方图，计算两两相邻层之间，直方图重合区域最大时候移动的距离，记录为Dij。

区域层亮度重映射

　　根据论文上公式：
  

　　根据公式算法，枚举所有可能的的区域层亮度组合，算出每种组合的Z值，取Z值最小时候的组合，就是我们求得的新区域层亮度。
如本文图片范例所示：最开始的区域层亮度为：0 1 2 3 4 7 8；算法调整后为：2, 2, 2, 3, 5, 7, 8。亮处的区域层亮度没有变化，暗处区域层
亮度增加了不少。

S曲线调整

　　前面得到的区域层亮度，就是用来求S曲线的Qs, Qh。如下图所示：
  

　　Qs由如下公式求得：
            

　　ei可以理解为区域层亮度调整前的区域亮度与区域size的比值；e'i为区域层亮度调整后的区域亮度与区域size的比值。
Qh也是类似方式求得，本文范例图像上，亮处区域调整为0，所以Qh计算出来为0，Qs为正数。

　　接着便可以利用公式： 对原图像进行S曲线调整。
　　处理后的结果对比如下：
         
                                                       S曲线调整后结果对比

　　可以明显的看到，暗处的亮度和细节已经起来了。

细节优化

　　前面的调整，提高暗处亮度，本质上会压缩了中间区域的动态范围，将会导致图像看起来有些朦胧模糊；因此在这基础上，还需要
做些细节增强的处理。对原图像I做guided filter，到新图像F,用I - F得到用来增强细节的图像。
     接着使用如下公式进行处理：
                 

     处理后的结果对比如下：
        

     可以看到右边图像细节部分，得到了增强。

色彩调整

　　前面可以看到，新图像亮度增加之后，饱和度会降低。所以，这里根据原图像亮度和色彩的比值，以及新图像的亮度，
来从新调整新图像的色彩。
     处理后的结果对比如下：
        

　　可以看到新图像的色彩饱和度已经起来了。
    另外需要注意，该算法的大缺点：会放大噪声。

　　以上，图像调整完毕。

结果显示

　　最后，看几组该算法的处理结果：
        

　　可以看到：该算法对弱光下拍摄的图像，暗处细节得到了明显的加强，同时对正常曝光的图像，也不会造成变坏的影响。