简单介绍
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。
实现原理
依据对输入图像的亮度信息进行分析处理，进而获得该图片相应的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
图像切割
将输入图像缩放后。利用：graph-based segmentation方法进行图像切割。直接网上搜索该keyword，有相应的论文和直接的代码下载。代码做点小改动之后 能够直接opencv编译通过。 得到的结果例如以下： 缩放后图像 区域切割后图像
区域合并
首先将图像归一化。接着依据亮度0.0、0.1....1.0将图像分为11层。
然后将之前切割出来的区域块，依据亮度层进行合并。
得到的结果例如以下：
区域合并后图像
细节提取
将图像依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。依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。相应为：Ci;
相邻层直方图距离
得到每层相应的直方图，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
依据论文上公式：
依据公式算法。枚举全部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。如本文图片范例所看到的：最開始的区域层亮度为：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 亮度添加了不少。
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。例如以下图所看到的：
Qs由例如以下公式求得：
ei能够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。
接着便能够利用公式： 对原图像进行S曲线调整。
处理后的结果对照方下：
S曲线调整后结果对照
能够明显的看到。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，还须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。
接着使用例如以下公式进行处理：
处理后的结果对照方下：
能够看到右边图像细节部分，得到了增强。
色彩调整
前面能够看到，新图像亮度添加之后，饱和度会减少。所以。这里依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。 处理后的结果对照方下：
能够看到新图像的色彩饱和度已经起来了。
另外须要注意，该算法的大缺点：会放大噪声。
以上，图像调整完成。
结果显示
最后。看几组该算法的处理结果：
能够看到：该算法对弱光下拍摄的图像，暗处细节得到了明显的加强，同一时候对正常曝光的图像，也不会造成变坏的影响。
转载于:
简单介绍
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
依据对输入图像的亮度信息进行分析处理，进而获得该图片相应的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
图像切割
将输入图像缩放后。利用：graph-based segmentation方法进行图像切割。直接网上搜索该keyword，有相应的论文和直接的代码下载。代码做点小改动之后能够直接opencv编译通过。 得到的结果例如以下： 缩放后图像 区域切割后图像
区域合并
首先将图像归一化。接着依据亮度0.0、0.1....1.0将图像分为11层。
然后将之前切割出来的区域块，依据亮度层进行合并。
得到的结果例如以下：
区域合并后图像
细节提取
将图像依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。依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。相应为：Ci;
相邻层直方图距离
得到每层相应的直方图，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
依据论文上公式：
依据公式算法。枚举全部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。如本文图片范例所看到的：最開始的区域层亮度为：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，暗处区域层亮度添加了不少。
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。例如以下图所看到的：
Qs由例如以下公式求得：
ei能够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。
接着便能够利用公式： 对原图像进行S曲线调整。
处理后的结果对照方下：
S曲线调整后结果对照
能够明显的看到。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，还须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。
接着使用例如以下公式进行处理：
处理后的结果对照方下：
能够看到右边图像细节部分，得到了增强。
色彩调整
前面能够看到，新图像亮度添加之后，饱和度会减少。所以。这里依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。 处理后的结果对照方下：
能够看到新图像的色彩饱和度已经起来了。
另外须要注意，该算法的大缺点：会放大噪声。
以上，图像调整完成。
结果显示
最后。看几组该算法的处理结果：
能够看到：该算法对弱光下拍摄的图像，暗处细节得到了明显的加强，同一时候对正常曝光的图像，也不会造成变坏的影响。