图像增强论文《High-Quality Exposure Correction of Underexposed Photos》

这篇ACM MM 2018的论文提出了一种基于感知双向相似性的欠曝光图像增强方法,旨在解决传统方法可能导致的视觉失真、色彩扭曲和细节损失等问题。作者应用Retinex理论,通过色彩空间一致性、纹理一致性和曝光度一致性约束,预测光照图像以实现高质量的曝光校正。优化过程采用相对全变分(RTV)和ADMM求解器,确保图像增强的同时保持视觉一致性。
摘要由CSDN通过智能技术生成

ACM MM 2018的论文,做的是欠曝光图像的增强。
本文认为,之前的进行暗光增强的方法会导致visual artifacts,比如色彩空间的扭曲、细节损失、曝光度一致性不够,云云。作者认为这些artifacts产生的原因是传统的变换方法打破了输入和输出的感知一致性(perceptually similarity)。
由Retinex理论,作者把问题暗光图像增强问题看做光照图像的预测问题,并且使用感知双向相似性(perceptually bidirectional similarity,PBS)来进行三个方面的约束,从而获得合适的曝光度、鲜艳的色彩以及清晰的纹理。

Retinex 理论
一张图像I可以被分解为反射图像R和光照图像S的乘积,即 I = S × R I=S\times R I=S×R。本文的目的是通过预测S,从而通过R=I/S来获得曝光度合适的图像。
在这里插入图片描述
感知性双向相似性(Perceptually Bidirectional Similarity)
作者认为,artifacts产生的原因是输入图像和输出图像中无法保证一致性(visual consistency),因此PBS可以被定义为下述两点:

  1. I中存在的色彩和纹理也应该存在于R中;I中连续的曝光度特征也应该在R中连续。
  2. R中不应该包含I中不存在的色彩、纹理和曝光度特征。

由此定义PBS的三个约束:色彩空间约束、纹理约束、曝光度约束。
色彩空间一致性约束
假设输入图像I被归一化到[0,1]之间,由于R=I/S可知,S越小,R的RGB值越大;S越大,R的RGB值越小。当S过小时,R会跳出[0,1]区间,导致色彩的不一致性。为了避免这一问题,我们将光照矩阵S的RGB值限制在I的全部RGB值中的最大值。即 m a x I p c = Γ ( S p m i n ) , c ∈ { r , g , b } max I_p^c = \Gamma(S_p^{min}),c\in\{r,g,b\} maxIpc=Γ(Spmin),c{ r,g,b}
其中 Γ \Gamma Γ是Gamma函数 Γ ( α ) = α γ \Gamma(\alpha)=\alpha^\gamma Γ(α)=αγ,其中 γ ∈ ( 0 , 1 ) \gamma\in(0,1) γ(0,1),因此, S p m i n = ( m a x I p c ) 1 / γ S_p^{min} =(maxI_p^c)^{1/\gamma} Spmin=(maxIpc)1/γ。色彩空间约束可被描述为 S p m i n ≤ S p ≤ 1 S_p^{min}\le S_p\le 1 SpminSp1
纹理一致性约束
假设I在像素p附近平滑,则R也应该是平滑的;假设I在像素p附近有edge,那么R就应该有更强的或者相同的edge。可被表示为
{ ∇ R p = 0 ∣ ∇ I p ∣ ≤ τ δ d R p / δ d I

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值