动态范围调整(SEF算法实现)

一、背景介绍

继续在整理对比度调整相关算法,发现一篇单帧动态范围提升的算法:Simulated Exposure Fusion,论文表现看起来很秀,这里尝试对它进行了下效果复现。

二、实现流程

1、基本原理

整体来说,大致可以分为两步:

a、将单帧输入图像拆分为多帧图像,每帧图像相对输入来说,只保留部分区域信息,并对这部分区域进行了动态范围拓展。

b、对生成的多帧图像进行图像融合,得到最终结果图像,具体细节可以参考资料:杞朹:曝光融合(Exposure Fusion)

由于融合部分复用了之前讲过的算法,因此我们这里重点只关注如何生成帧。

在生成帧上,也分为两种情况:

a、外部直接指定生成帧数量。

b、算法内部自适应计算生成帧数量。

2、输入信息

a、单帧图像输入,并将输入图转换到HSV空间,对V通道处理。

b、三个输入参数:alpha, beta, lambda。

其中lambda参考论文,可以直接设置为0.125。

3.1、图像拆分帧数(外部指定)

beta可以控制生成帧数量:比如beta为0.25,那么设置生成帧数量M=1/beta=4。

3.2、图像拆分帧数(自适应生成)

a、利用直方图统计信息,计算出来图像中值,根据图像中值来反映当前图像的整理亮暗层度。

b、在后面帧序列生成上,我们可以知道,每个帧序列的有效像素范围为:

因此,我们可以根据公式:

找到序列帧之间,不存在有效像素公共区域的最大可拆帧数量,作为当前可生成帧的最大序列数量M。

对应的伪代码实现为:

4、帧序列生成

a、根据公式:

对生成序列每一帧都进行简单亮度调整,得到调整后图像f。

b、对生成序列每一帧,根据公式计算一个参数:

c、当图像f像素值范围在:

之间的时候,像素值保持不变。

否则像素值为:

通过这种方式保证当前序列帧只关注原图像

范围内的图像信息,并且保证和范围之外的像素信息过度平滑,避免出现明显截断。

d、生成帧演示:每一帧序列可以用如下一条曲线表示实际包含的原图像素信息:

部分实际序列帧效果:

三、效果对比

左边为输入图,右边为结果图像:

四、复现代码

相关的matlab代码,可以参考:IPOL Journal · Simulated Exposure Fusion

我这边做了简单的c++版本复现:

ImageQualityEnhancement/ltm/sef at master · yulinghan/ImageQualityEnhancement · GitHub

相关推荐
渲吧云渲染2 小时前
SaaS模式重构工业软件竞争规则,助力中小企业快速实现数字化转型
大数据·人工智能·sass
算家云2 小时前
DeepSeek-OCR本地部署教程:DeepSeek突破性开创上下文光学压缩,10倍效率重构文本处理范式
人工智能·计算机视觉·算家云·模型部署教程·镜像社区·deepseek-ocr
AgeClub2 小时前
1.2亿老人需助听器:本土品牌如何以AI破局,重构巨头垄断市场?
人工智能
PPIO派欧云3 小时前
PPIO上线Qwen-VL-8B/30B、GLM-4.5-Air等多款中小尺寸模型
人工智能
chenchihwen4 小时前
AI代码开发宝库系列:FAISS向量数据库
数据库·人工智能·python·faiss·1024程序员节
张登杰踩5 小时前
工业产品表面缺陷检测方法综述:从传统视觉到深度学习
人工智能·深度学习
sponge'5 小时前
opencv学习笔记6:SVM分类器
人工智能·机器学习·支持向量机·1024程序员节
I'm a winner5 小时前
基于YOLO算法的医疗应用专题:第一章 计算机视觉与深度学习概述
算法·yolo·计算机视觉
zandy10115 小时前
2025年AI IDE的深度评测与推荐:从单一功能效率转向生态壁垒
ide·人工智能