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
千宇宙航2 小时前
闲庭信步使用SV搭建图像测试平台:第三十一课——基于神经网络的手写数字识别
图像处理·人工智能·深度学习·神经网络·计算机视觉·fpga开发
onceco2 小时前
领域LLM九讲——第5讲 为什么选择OpenManus而不是QwenAgent(附LLM免费api邀请码)
人工智能·python·深度学习·语言模型·自然语言处理·自动化
天水幼麟3 小时前
动手学深度学习-学习笔记(总)
笔记·深度学习·学习
jndingxin5 小时前
OpenCV CUDA模块设备层-----高效地计算两个 uint 类型值的带权重平均值
人工智能·opencv·计算机视觉
天水幼麟5 小时前
动手学深度学习-学习笔记【二】(基础知识)
笔记·深度学习·学习
Sweet锦5 小时前
零基础保姆级本地化部署文心大模型4.5开源系列
人工智能·语言模型·文心一言
hie988946 小时前
MATLAB锂离子电池伪二维(P2D)模型实现
人工智能·算法·matlab
晨同学03276 小时前
opencv的颜色通道问题 & rgb & bgr
人工智能·opencv·计算机视觉
蓝婷儿6 小时前
Python 机器学习核心入门与实战进阶 Day 3 - 决策树 & 随机森林模型实战
人工智能·python·机器学习
大千AI助手6 小时前
PageRank:互联网的马尔可夫链平衡态
人工智能·机器学习·贝叶斯·mc·pagerank·条件概率·马尔科夫链