簡介

　　本篇主要是對論文：Automatic Exposure Correction of Consumer Photographs 的實現總結。
作用是為了讓影象曝光、細節更好。
    論文地址：點選開啟連結

實現原理

　　根據對輸入影象的亮度資訊進行分析處理，進而獲得該圖片對應的S型Gamma曲線。利用這條曲線對輸入影象進行處理，得到更好曝光和細節效果的影象。

演算法實現

影象分割

　　將輸入影象縮放後，利用：graph-based segmentation方法進行影象分割，直接網上搜索該關鍵字，有對應的論文和直接的程式碼下載，程式碼做點小修改之後
可以直接opencv編譯通過。
　　得到的結果如下：
           
               縮放後圖像                                區域分割後圖像

區域合併

　　首先將影象歸一化，接著根據亮度0.0、0.1....1.0將影象分為11層。然後將之前分割出來的區域塊，根據亮度層進行合併。
    得到的結果如下：
          
               區域合併後圖像

細節提取

　　將影象根據前面的分層和亮度中間值V為分界線，將影象分為暗區和兩區兩部分；，對影象分別用Gamma(2.2, 0.445)進行處理，得到欠曝和過曝影象。
接著對著三張影象進行canny 細節提取。針對之前得到的前面分層，根據每層亮度是否大於V，計算出該層的細節佔總細節的比例：Vb或者Vh。

區域尺寸比例

　　計算出每層區域的畫素佔整個影象畫素的比例，對應為：Ci;

相鄰層直方圖距離

　　得到每層對應的直方圖，計算兩兩相鄰層之間，直方圖重合區域最大時候移動的距離，記錄為Dij。

區域層亮度重對映

　　根據論文上公式：
  

　　根據公式演算法，列舉所有可能的的區域層亮度組合，算出每種組合的Z值，取Z值最小時候的組合，就是我們求得的新區域層亮度。
如本文圖片範例所示：最開始的區域層亮度為：0 1 2 3 4 7 8；演算法調整後為：2, 2, 2, 3, 5, 7, 8。亮處的區域層亮度沒有變化，暗處區域層
亮度增加了不少。

S曲線調整

　　前面得到的區域層亮度，就是用來求S曲線的Qs, Qh。如下圖所示：
  

　　Qs由如下公式求得：
  

　　ei可以理解為區域層亮度調整前的區域亮度與區域size的比值；e'i為區域層亮度調整後的區域亮度與區域size的比值。
Qh也是類似方式求得，本文範例影象上，亮處區域調整為0，所以Qh計算出來為0，Qs為正數。

　　接著便可以利用公式： 對原影象進行S曲線調整。
　　處理後的結果對比如下：
         
                                                       S曲線調整後結果對比

　　可以明顯的看到，暗處的亮度和細節已經起來了。

細節優化

　　前面的調整，提高暗處亮度，本質上會壓縮了中間區域的動態範圍，將會導致影象看起來有些朦朧模糊；因此在這基礎上，還需要
做些細節增強的處理。對原影象I做guided filter，到新影象F,用I - F得到用來增強細節的影象。
     接著使用如下公式進行處理：
                 

     處理後的結果對比如下：
        

     可以看到右邊影象細節部分，得到了增強。

色彩調整

　　前面可以看到，新影象亮度增加之後，飽和度會降低。所以，這裡根據原影象亮度和色彩的比值，以及新影象的亮度，
來從新調整新影象的色彩。
     處理後的結果對比如下：
        

　　可以看到新影象的色彩飽和度已經起來了。
    另外需要注意，該演算法的大缺點：會放大噪聲。

　　以上，影象調整完畢。

結果顯示

　　最後，看幾組該演算法的處理結果：
        

　　可以看到：該演算法對弱光下拍攝的影象，暗處細節得到了明顯的加強，同時對正常曝光的影象，也不會造成變壞的影響。