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:
          图像亮度自适应调整_第1张图片          图像亮度自适应调整_第2张图片 
               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:
          图像亮度自适应调整_第3张图片
               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:
  图像亮度自适应调整_第4张图片
  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:
         图像亮度自适应调整_第5张图片
                                                       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:
        图像亮度自适应调整_第6张图片
     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:
        图像亮度自适应调整_第7张图片
  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:
        图像亮度自适应调整_第8张图片
        图像亮度自适应调整_第9张图片
        图像亮度自适应调整_第10张图片
        图像亮度自适应调整_第11张图片
        图像亮度自适应调整_第12张图片
  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。

你可能感兴趣的:(opencv,图形图像,图像处理,opencv,算法)