CN111640068A - 一种图像曝光度的无监督自动化校正方法 - Google Patents
一种图像曝光度的无监督自动化校正方法 Download PDFInfo
- Publication number
- CN111640068A CN111640068A CN201910157657.1A CN201910157657A CN111640068A CN 111640068 A CN111640068 A CN 111640068A CN 201910157657 A CN201910157657 A CN 201910157657A CN 111640068 A CN111640068 A CN 111640068A
- Authority
- CN
- China
- Prior art keywords
- image
- correction
- corrected
- brightness
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 235000019557 luminance Nutrition 0.000 claims 10
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种图像曝光度的无监督自动化校正算法，包括以下步骤：(1)将待校正图像的亮度通道作为最优S曲线估计网络的输入；(2)网络根据输入图像进行无监督训练，得到输入图像的最优S曲线和校正后的图像亮度通道；(3)对图像色彩通道进行成比例校正，与亮度通道进行合并得到校正后图像。该方法对测试图像进行针对性训练，可较好地克服现有校正方法泛化能力弱的问题，满足实际应用对图像曝光度校正的要求，在无参考的情况下对实地采集的真实图像进行曝光度校正。
Description
技术领域
本发明属于图像处理技术领域，涉及图像曝光度的校正。
背景技术
曝光是在摄影过程中允许落在摄影介质上的总通光量，但在诸如背光等不良照明条件下，曝光不当往往会降低采集图像的质量。虽然大多数现代成像传感器可以根据拍摄目标的照明条件自动调整相关的硬件参数，但在大多数背光照明下仍无法获得满意的效果。为了恢复现有的低质量背光图像，用户可以通过手动调整图片的色调曲线来对图片的阴影区域、中间调以及高亮区域进行调整。不过由于每张图片的最优调整曲线不尽相同，用户无法手动对曝光失真图像进行批处理。因此，在工业领域中需要一种对图像曝光度进行自动化校正的方法，例如：对于监控系统来说，当照明条件较差时，采集到的图像或视频中暗部细节能见度较低，为了恢复图像的细节，对其进行曝光度自动化校正是非常必要的。
传统的图像增强方法如直方图均衡化、基于Retinex理论的图像增强方法等，用在图像曝光度校正问题上，不仅没有针对性，而且易造成光晕效果或破坏图像色调的平滑度。
目前，针对图像曝光度校正问题，已有的探索包括一系列启发式算法和基于机器学习的算法。启发式代表算法包括：Tsai和Yeh在“Contrast compensation by fuzzyclassification and image illumination analysis for back-lit and front-litcolor face images”中采用分割图像高亮区域与背光区域的方法对图像进行调整，但以上方法中区域分割结果不可靠；Yuan和Sun在“Automatic exposure correction ofconsumer photographs”中将图像曝光度校正建模为无向图标签问题，通过暴力穷举求得最优解，解法费时费力。机器学习领域的代表算法包括：Dale等人在“Image restorationusing online photo collections”中建立了百万级别的图像数据集，在其中寻找最接近测试图像的图片作为校正参考，需要大量存储空间；Kang等人在“Personalization ofimage enhancement”通过人工交互校正建立数据集，通过匹配最接近的图像使用其校正参数来对测试图像进行校正，但是数据集规模太小造成对测试图片的鲁棒性较差；Li和Wu在“Learning-based restoration of backlit images”中通过语义分割划分高亮区域与背光区域再分别进行调整，但是分割准确性无法保证的情况下，可能会直接导致校正效果不佳。上述检测方法的准确率，极大地依赖于低级的视觉特征以及数据集的规模，易受到图像内容变化的影响。换言之，目前图像曝光度的自动校正方法研究难点在于设计一种具有场景一致性的算法。
发明内容
本发明的目的在于提供一种基于神经网络的图像曝光度无监督自动校正方法，其解决了机器学习领域的曝光度校正算法依赖于数据集的规模、易受图像内容影响的缺点，满足实际应用对图像曝光度自动校正的要求。
为达到上述目的，本发明的解决方案是：
一种图像曝光度的无监督自动化校正方法，包括以下步骤：
(1)将曝光失真的图像的亮度通道作为最优S曲线估计网络ExCNet(ExposureCorrection Network)的输入；
(2)网络根据输入的图像进行无监督训练，得到输入图像的最优S曲线和校正后的图像亮度通道；
(3)对图像色彩通道进行成比例校正，与亮度通道进行合并得到校正后图像。
进一步，步骤(1)中包括以下步骤：
(1-1)对待校正图像进行YIQ通道分离得到亮度通道和色彩通道。亮度通道代指Y分量，代表图像的亮度信息；色彩通道代指I分量和Q分量，携带图像的颜色信息，描述图像色彩及饱和度的属性；
(1-2)将亮度通道作为最优S曲线估计网络ExCNet的输入。
步骤(2)中包括以下步骤：
(2-1)ExCNet对图像进行一系列卷积、池化等操作计算得出S曲线的分别控制阴影区域和高亮区域的光度调整程度的两个参数φs和φh，φs是阴影区域调整量级，φh是高亮区域调整量级，调整量级越大，对应区域调暗或者提亮的程度越大。ExCNet内部采用卷积神经网络估计S曲线参数：对输入图像进行卷积、池化等操作提取图像色调信息，最后通过修改全连接层最后一层单元数使得输出为两个数值。
上述S曲线的两个参数φs和φh是将S曲线参数化的结果，使S曲线的形状能通过神经网络进行估计得出。S曲线参数化的数学表达式为：
f(x:φs,φh)＝x+φs×fΔ(x)-φh×fΔ(1-x)
其x为输入的亮度值，f(x:φs,φh)为输出的亮度值。
上式中
其参数设置为：k1＝5，k2＝14，k3＝1.6；
(2-2)ExCNet根据计算得出的S曲线对输入图像进行调节，得到当前模型的校正结果；
(2-3)对调节后图像计算损失并且更新ExCNet权重，损失包含两部分：
(a)图像内容可见度
(b)校正前后的对比度改变量
模型损失函数为：
其中Ei为单个区域可见度损失项，其值与校正后的单个区域内容可见度负相关，Eij为两个区域间的对比度在校正前后的改变量，Ω(i)表示与某一区域相邻的区域，λ为调节上述(a)和(b)两种效果权重的参数。
(2-3-1)为了使图像中每一个像素都足够明亮清晰，提高图像内容可见度，损失函数中的Ei与校正后的单个区域内容可见度负相关，数学表达式如下：
其中li和
分别是校正前和校正后的区域平均亮度值。最小化Ei会使得
尽可能接近0.5，因此无论是曝光不足区域还是过曝区域都会向曝光良好的亮度值进行调整。
在最小化Ei过程中会使得亮度值更新前后与0.5的大小关系保持不变，即如果li大于0.5，
也会略大于0.5。这种性质能够保证原图中较亮的区域在校正后图像中仍保持较亮，反之亦然。
(2-3-2)为了保持在校正图像中相邻区域间对比度尽可能与原图一致，损失函数中的Eij为两个区域间的对比度在校正前后的改变量，数学表达式如下：
其中lj和li表示两个相邻区域的平均亮度，
和
表示校正后两个区域的平均亮度。最小化Eij会使得相邻区域之间的亮度之差尽可能保持不变。
(2-3-3)计算出损失函数之后，采用误差反向传播算法对模型权重进行更新。
(2-3-4)重复步骤(2-1)-(2-3-3)直到损失函数收敛至稳定值，实验表明200次迭代之内绝大多数图片都能够收敛，收敛后步骤(2-2)调节后图像即为曝光度被校正的图像亮度通道。
步骤(3)包括以下步骤：
(3-1)根据校正后和校正前的图像亮度通道计算出校正比例，即通过用校正后的亮度通道除以校正前的亮度通道，得到校正参数矩阵。
(3-2)用校正参数矩阵分别乘以待校正图像的两个色彩通道，得到校正后的图像色彩通道。
(3-3)将校正后的亮度通道和色彩通道进行合并为校正后的YIQ通道图像，再将其转换为RGB图像得到校正后图像。
通过上述3个步骤的配合，即本发明所示的一种基于神经网络的图像曝光度无监督自动化校正方法，该方法采用神经网络作为回归手段，使用无监督学习的方法，较好地克服了现有校正方法易受图像内容影响的问题，适用于各类图像场景；该方法的准确性和高效性也在真实图像数据实验中有所证实，可以满足实际应用对图像曝光度自动化校正方法的要求。
附图说明
图1是本发明的整体校正流程图。
图2是最优S曲线估计网络ExCNet网络结构图。
图3是本发明中用以调整图像的S曲线示意图。
图4是本发明中用以计算损失函数的四个卷积核。
图5是使用本发明对图像进行曝光度校正的效果示例对照图。
图6是本发明实验1中用户偏好情况柱状图。
具体实施方式
以下结合附图对本发明的具体实施细节进一步加以说明：
本发明所示的基于神经网络的图像曝光度无监督自动化校正方法的解决方案是：
(1)将曝光失真的图像的亮度通道作为最优S曲线估计网络的输入；
(2)网络根据输入的图像进行无监督训练，得到输入图像的最优S曲线和校正后的图像亮度通道；
(3)对图像色彩通道进行成比例校正，与亮度通道进行合并得到校正后图像。
以下结合本发明的整体校正流程图图1详细描述每一步骤的细节：
(一)通道分离
需对待校正图像进行YIQ通道分离得到亮度通道和色彩通道。亮度通道代指Y分量，代表图像的亮度信息；色彩通道代指I分量和Q分量，携带图像的颜色信息，描述图像色彩及饱和度的属性；将亮度通道作为最优S曲线估计网络ExCNet的输入。
以下为通过RGB图像得到YIQ分量的转换方程：
(二)最优S曲线估计网络ExCNet估计输入图像的最优S曲线并校正亮度通道
ExCNet根据输入图像进行无监督训练，估计出其最优S曲线并得到校正后的亮度通道图像，实验中ExCNet网络结构设置如表格1所示：
表1 ExCNet网络结构
具体包括以下步骤：
(1)输入：将待校正图像亮度通道统一调整大小为128×128，作为ExCNet的输入Il；
(2)使用估计的S曲线对输入图像进行校正：
(2-1)卷积+池化：ExCNet对图像进行一系列卷积、池化等操作提取图像的色调等信息Conv5；
(2-2)全连接：使用全连接层将卷积提取的图像信息Conv5转化为S曲线的两个参数阴影区域调整量级φs和高亮区域调整量级φ#；
(2-3)使用S曲线参数化映射：
f(x:φs,φh)＝x+φs×fΔ(x)-φh×fΔ(1-x)
对输入图像Il进行校正得到校正后图像
其x为输入的亮度值Il，f(x:φs,φh)为输出的亮度值，上式中
其参数设置为：k1＝5，k2＝14，k3＝1.6；
(3)计算损失函数：
(3-1)平均值池化：利用均值池化层并行计算校正前图像Il和校正后图像
各区域块的平均亮度Ilb,
区域块大小设置为4×4，因此128×128的图像池化结果大小为32×32，对应32×32个区域各自的亮度均值；
(3-2)四个不可训练的卷积核构成的卷积层：利用如图4所示的四个卷积核，能够分别计算出校正前图像Ilb和校正后图像
各区域块与左、右、上、下方向的相邻区域的平均亮度差值
简写为
(3-3)计算与区域对比度负相关的损失项Edata：
根据损失函数定义中单个区域的可见度负相关表示的定义：
可知用(3-1)中计算出的各区域校正前后的区域平均亮度Ilb,
代替上式中的li和
再对结果矩阵进行所有元素的求和即可得出与整个图像区域对比度负相关的损失项Edata。
(3-4)计算区域间对比度校正前后差异的损失项Esmoot#：
根据损失函数定义中区域间对比度校正前后差异的定义：
可知用(3-2)中计算出的校正前图像Ilb和校正后图像
各区域块与左、右、上、下方向的相邻区域的平均亮度差值
down}}代替上式中的(lj-li)和
再对结果矩阵进行所有元素的求和即可得出与整个图像区域间对比度校正前后差异的损失项Esmoot#。
(3-5)计算总损失：
实验中设置为λ＝12；
(4)计算出损失函数之后，采用误差反向传播算法对模型权重进行更新，学习率；
(5)重复步骤(2-4)200次，步骤(2)得出的结果即为估计出的最优S曲线。
(三)使用估计出的最优S曲线，对待校正图像亮度通道进行校正：
将S曲线参数化映射：
f(x:φs,φh)＝x+φs×fΔ(x)-φh×fΔ(1-x)
对待校正图像亮度通道进行校正得到校正后图像亮度通道，其x为输入的亮度值，f(x:φs,φ#)为输出的亮度值，上式中
其中的参数k1＝5，k2＝14，k3＝1.6；
(四)用校正后的亮度通道除以校正前的亮度通道，得到表示每个像素点的校正比例的校正参数矩阵；
(五)对待校正图像的色彩通道，即I分量和Q分量，使用校正参数矩阵进行成比例校正；
(六)将校正后的亮度通道和色彩通道合并，并通过如下转换方程转换为RGB图像：
转换得到的RGB图像即为曝光度校正后的图像。
以下通过具体实验对本发明进一步说明:
实验数据集以及对比方法：本实验在图像曝光度数据集上进行，使用1512张在不同场景和光照条件下拍摄的照片，将这些照片大致分为3组，每组约500张：A组严重病态曝光，B组轻微病态曝光，C组曝光良好。本实验将本发明提出的ExCNet与其他8种代表性的曝光度自动校正的方法进行对比，对比的方法包括：[1]“J.C.Russ.The Image ProcessingHandbook.CRC Press,Inc.,7th edition,2015.”即“直方图均衡化”，[2]“K.Zuiderveld.Contrast limited adaptive histogram equalization.In GraphicsGems IV,pages 474–485.Academic Press Professional,Inc.,1994.”即“保持对比度的自适应直方图均衡化”，[3]“D.J.Jobson,Z.Rahman,and G.A.Woodell.A multiscaleretinex for bridging the gap between color images and the human observationof scenes.IEEE Trans.Image Processing,6(7):965–976,1997”即“一种多尺度视网膜，用于弥合彩色图像与人类观察场景之间的差距的方法”，[4]“Google.Picasa.http://picasa.google.com/.”即“谷歌的自动调整对比度算法”，[5]“Z.Farbman,R.Fattal,D.Lischinski,and R.Szeliski.Edge-preserving decompositions for multi-scaletone and detail manipulation.ACM Trans.Graph.,27(3):67,2008.”即“多尺度色调和细节操作的边缘保留分解”，[6]“S.Paris,S.W.Hasinoff,and J.Kautz.Local Laplacianfilters:Edge-aware image processing with a laplacian pyramid.926ACMTrans.Graph.,30(4):68,2011.”即“使用拉普拉斯金字塔进行边缘感知图像处理”，[7]“L.Yuan and J.Sun.Automatic exposure correction of consumer photographs.InEuropean Conference on Computer Vision,pages 771–785,2012.”即“照片的自动曝光校正”，[8]“Z.Li and X.Wu.Learning-based restoration of backlit images.IEEETrans.Image Processing,27(2):976–986,2018.”即“基于学习的背光图像恢复”。
实验1为用户偏好对比实验，将本发明的校正结果随机与其他8种方法的校正结果两两混合，即每组图片为2张校正结果，由10位评价人员(6位男性，4位女性)选择偏好，选项包括“左边校正效果更好”，“右边校正效果更好”，“没有明显偏好”。如图6所示的实验结果所示：用户对本发明提出的ExCNet有明显偏好。在A组和B组实验中，ExCNet无论对极度曝光水平不佳还是轻微曝光水平不佳的图片都有较好的校正效果；在C组的实验中，ExCNet对正常曝光水平的图片并不会使其在视觉效果上变差。
实验2为视觉质量对比，对同一张图片使用ExCNet以及其他8种方法得到的校正结果进行视觉上的对比，得出结论其他8种方法分别存在有色差，对曝光不足的区域没有修复能力，对正常曝光的图片有副作用，降低原图像对比度，引入光晕效果等问题。本发明提出的ExCNet对输入图片的鲁棒性较高，无论是极度曝光水平不佳的图像，还是正常图像，都能保证输出图像的视觉质量较高，符合实际应用的要求。
实验3为客观指标实验，使用两个客观指标对不同方法进行对比：对比度失真的图像质量评估CDIQA和亮度序数失真LOD。
实验结果如表2所示，ExCNet的CDIQA指标值最高，说明ExCNet的恢复细节能力最强，LOD值较低，说明ExCNet的校正结果与原图差距较小，即保真性较好。ExCNet的上述性质说明本发明能够在对图像进行效果显著的曝光度校正的同时，还注重图像增强的保真性，不会有过度矫正现象，因此校正后的图像视觉质量是对比的9种方法中最好的。
表2客观指标实验结果
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (12)
1.一种图像曝光度的无监督自动化校正方法，其特征在于，包括以下步骤：
(1)将曝光失真的图像的亮度通道作为最优S曲线估计网络ExCNet的输入；
(2)网络根据输入的图像进行无监督训练，得到输入图像的最优S曲线和校正后的图像亮度通道；
(3)对图像色彩通道进行成比例校正，与亮度通道进行合并得到校正后图像。
2.根据权利要求1所述的图像曝光度的无监督自动化校正方法，其特征在于，包括以下步骤：
(1)对待校正图像进行YIQ通道分离得到亮度通道和色彩通道，将亮度通道作为最优S曲线估计网络ExCNet的输入；
(2)ExCNet对图像进行一系列卷积、池化操作计算得出S曲线的分别控制阴影区域和高亮区域的光度调整程度的两个参数φs和φh；
(3)ExCNet根据计算得出的S曲线对输入图像进行调节；
(4)对调节后图像计算损失并且使用反向传播更新ExCNet权重；
(5)重复步骤2-4一定次数直到损失函数收敛至稳定值，收敛后步骤3调节后图像即为曝光度被校正的图像亮度通道；
(6)根据校正后和校正前的图像亮度通道计算出校正比例，对待校正图像的色彩通道进行校正；
(7)对校正后的亮度通道和色彩通道进行合并，得到校正后图像。
3.根据权利要求2所述的图像曝光度的无监督自动化校正方法，其特征在于，步骤(4)中损失包含两部分：
(4-1)图像内容可见度；
(4-2)校正前后的对比度改变量；
模型损失函数为：
其中Ei为单个区域内容可见度损失项，其值与校正后的单个区域内容可见度负相关，Eij为两个区域间的对比度在校正前后的改变量，Ω(i)表示与某一区域相邻的区域，λ为调节上述(4-1)和(4-2)两种效果权重的参数。
4.根据权利要求2所述的图像曝光度的无监督自动化校正方法，其特征在于：
步骤(1)中的亮度通道代指Y分量，代表图像的亮度信息，色彩通道代指I分量和Q分量，携带图像的颜色信息，描述图像色彩及饱和度的属性。
5.根据权利要求2所述的图像曝光度的无监督自动化校正方法，其特征在于：
使用S型非线性曲线对图像的阴影区域、中间调以及高亮区域图像质量进行调节，将原来不适宜的图像曝光水平映射到较好的曝光水平；
将S曲线参数化为步骤(2)的两个参数φs和φh，使其能通过神经网络进行估计得出；S曲线参数化的数学表达式为：
f(x:φs,φh)＝x+φs×fΔ(x)-φh×fΔ(1-x)
其x为输入的亮度值，f(x:φs,φh)为输出的亮度值；
上式中
其中参数设置为：k1＝5，k2＝14，k3＝1.6。
6.根据权利要求2所述的图像曝光度的无监督自动化校正方法，其特征在于：
ExCNet内部采用卷积神经网络估计S曲线参数：对输入图像进行卷积、池化操作提取图像色调信息，最后通过修改全连接层单元数使得输出为两个数值。
7.根据权利要求2所述的图像曝光度的无监督自动化校正方法，其特征在于：
为了使图像中每一个像素都足够明亮清晰，提高图像内容可见度，步骤(4)中Ei与校正后的单个区域内容可见度负相关，数学表达式如下：
其中li和
分别是校正前和校正后的区域平均亮度值；最小化Ei会使得
尽可能接近0.5，因此无论是曝光不足区域还是过曝区域都会向曝光良好的亮度值进行调整；
在最小化Ei过程中会使得亮度值更新前后与0.5的大小关系保持不变，即如果li大于0.5，
也会大于0.5；这种性质能够保证原图中较亮的区域在校正后图像中仍保持较亮，反之亦然。
8.根据权利要求2所述的图像曝光度的无监督自动化校正方法，其特征在于：
为了保持在校正图像中相邻区域间对比度尽可能与原图一致，步骤(4)中Eij为两个区域间的对比度在校正前后的改变量，数学表达式如下：
其中lj和li表示两个相邻区域的平均亮度，
和
表示校正后两个区域的平均亮度；最小化Ei会使得相邻区域之间的亮度之差尽可能保持不变。
9.根据权利要求8所述的图像曝光度的无监督自动化校正方法，其特征在于，
所需要的校正前后的区域平均亮度li和
是通过如下方法计算的：
对ExCNet的输入图像和S曲线校正后的图像分别进行4×4的平均池化操作，得到新的两个特征图中每个像素值就代表一个4×4的区域的平均亮度。
计算
项只需要将上述得到的两个特征图相减即可。
10.根据权利要求9所述的图像曝光度的无监督自动化校正方法，其特征在于，
计算其中所需要的校正前后的相邻区域之间的平均亮度之差是通过如下方法计算的：
在已经计算得出的每个区域平均亮度基础上，只需要再计算相邻区域之差即可；此处采用四种不同的卷积核对表示每个区域平均亮度的特征图进行卷积操作以实现；
四种卷积核分别对应上、下、左、右四个方向的相邻区域，其中用以计算上方向的相邻区域的卷积核的尺寸为3×1，值为(-1,1,0)，意为用中间区域的亮度值减去上方区域的亮度值；用以计算下方向的相邻区域的卷积核尺寸为3×1，值为(0,1,-1)，意为用中间区域的亮度值减去下方区域的亮度值；用以计算左方向的相邻区域的卷积核尺寸为1×3，值为(-1,1,0)，意为用中间区域的亮度值减去左方区域的亮度值；用以计算右方向的相邻区域的卷积核尺寸为1×3，值为(0,1,-1)，意为用中间区域的亮度值减去右方区域的亮度值。
11.根据权利要求2所述的图像曝光度校正方法，其特征在于：
步骤(6)中根据校正后和校正前的图像亮度通道计算出校正比例，是通过用校正后的亮度通道除以校正前的亮度通道，得到校正参数矩阵，再用这个矩阵分别乘以待校正图像的两个色彩通道，得到校正后的图像色彩通道。
12.根据权利要求2所述的图像曝光度校正方法，其特征在于：
步骤(7)中将校正后的亮度通道和色彩通道进行合并为校正后的YIQ通道图像，再将其转换为RGB图像得到校正后图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910157657.1A CN111640068A (zh) | 2019-03-01 | 2019-03-01 | 一种图像曝光度的无监督自动化校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910157657.1A CN111640068A (zh) | 2019-03-01 | 2019-03-01 | 一种图像曝光度的无监督自动化校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111640068A true CN111640068A (zh) | 2020-09-08 |
Family
ID=72330898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910157657.1A Pending CN111640068A (zh) | 2019-03-01 | 2019-03-01 | 一种图像曝光度的无监督自动化校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640068A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651887A (zh) * | 2020-11-25 | 2021-04-13 | 深圳龙岗智能视听研究院 | 过曝光图像修复方法、修复系统、数字相机、介质及应用 |
| CN113643214A (zh) * | 2021-10-12 | 2021-11-12 | 江苏维沛通信科技发展有限公司 | 一种基于人工智能的图像曝光校正方法及系统 |
-
2019
- 2019-03-01 CN CN201910157657.1A patent/CN111640068A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651887A (zh) * | 2020-11-25 | 2021-04-13 | 深圳龙岗智能视听研究院 | 过曝光图像修复方法、修复系统、数字相机、介质及应用 |
| CN112651887B (zh) * | 2020-11-25 | 2023-05-02 | 深圳龙岗智能视听研究院 | 过曝光图像修复方法、修复系统、数字相机、介质及应用 |
| CN113643214A (zh) * | 2021-10-12 | 2021-11-12 | 江苏维沛通信科技发展有限公司 | 一种基于人工智能的图像曝光校正方法及系统 |
| CN113643214B (zh) * | 2021-10-12 | 2022-02-11 | 江苏维沛通信科技发展有限公司 | 一种基于人工智能的图像曝光校正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
| US9852499B2 (en) | Automatic selection of optimum algorithms for high dynamic range image processing based on scene classification | |
| CN104899845B (zh) | 一种基于lαβ空间场景迁移的多曝光图像融合方法 | |
| CN109345491B (zh) | 一种融合梯度和灰度信息的遥感图像增强方法 | |
| CN109785240B (zh) | 一种低照度图像增强方法、装置及图像处理设备 | |
| CN112734650A (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
| CN107492075B (zh) | 一种基于细节增强的单张ldr图像曝光校正的方法 | |
| CN110570360A (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
| CN109343692B (zh) | 基于图像分割的移动设备显示器省电方法 | |
| CN111292257A (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
| CN115731146B (zh) | 基于色彩梯度直方图特征光流估计多曝光图像融合方法 | |
| CN109934787B (zh) | 一种基于高动态范围的图像拼接方法 | |
| CN114862698B (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
| CN111640068A (zh) | 一种图像曝光度的无监督自动化校正方法 | |
| CN114155173A (zh) | 一种图像去雾方法、设备及非易失性存储介质 | |
| Zhang et al. | Non-uniform illumination video enhancement based on zone system and fusion | |
| CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
| CN108833875B (zh) | 一种自动白平衡校正方法 | |
| CN110766622A (zh) | 基于亮度区分和Gamma平滑的水下图像增强方法 | |
| CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 | |
| CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
| CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
| CN116993616A (zh) | 一种单幅低照度场景图像增强方法及增强系统 | |
| CN116433657A (zh) | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 | |
| JP5327766B2 (ja) | デジタル画像における記憶色の修正 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |