CN111640068B 一种图像曝光度的无监督自动化校正方法 （同济大学）

包括以下步骤：(1)将待校正图像的亮度通道作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)对图像色彩通考的情况下对实地采集的真实图像进行曝光度2(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(5)重复步骤(2)-(4)一定次数直到损失函数收敛至稳定(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，Ei=sign(If-0.5)·(If-)其中li和If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3使用S型非线性曲线对图像的阴影区域以及高亮区域图像质量进行调节，将原来不适所需要的校正前后的区域平均亮度li和是通过如下方对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，得到新的计算If-li项只需要将上述得到的两个特征图相减即可。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，是通过用校正后的步骤(7)中将校正后的亮度通道和色彩通道进行合并为校4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 学习的算法。启发式代表算法包括：Tsai和Yeh在“Contrastcompensationbyfuzzyclassificationandimageilluminationanalysisforback-litandfront-lit方法中区域分割结果不可靠；Yuan和Sun在“Automaticexposurecorrectionofconsumerphotographs”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usingonlinephotocollections”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“Personalizationof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-basedrestorationofbacklitimages”中通过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。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，5[0008](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(Exposure[0012](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[0016]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[0026]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，[0029]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6[0031](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[0033]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[0035](2-3-4)重复步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[0037](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[0038](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[0040]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7[0054]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[0058]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[0063](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l；8[0066](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[0069]对输入图像Il进行校正得到校正后图像If,其x为输入的亮度值Il，f(x:φ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×均亮度差值简写为[0076]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(DiIrefleft,right,up,down},(D⃞Ire(left,right,up,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n9Handbook.CRCPress,Inc.,7thedition,2015.”即“直方图均衡化”，[2]“K.Zuiderveld.Contrastlimitedadaptivehistogramequalization.InGraphicsretinexforbridgingthegapbetweencolorimagesandthehumanobservation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://D.Lischinski,andR.Szeliski.Edge-preservingdecompositionsformulti-scalefilters:Edge-awareimageprocessingwithalaplacianpyramid.926ACM“L.YuanandJ.Sun.Automaticexposurecorrectionofconsumerphotographs.InEuropeanConferenceonComputerVision,pages771–785,2012.”即“照片的自动曝光常