人臉光照調整之Gamma校正

http://www.cnblogs.com/ImageVision/archive/2012/04/16/2452671.html

人臉光照處理的理想狀態是，在不損失圖像內容的前提下，保持圖像在各種環境下的圖像光照一致。而像之前提到過的Gabor雖然能保持較好的光照統一性，但會造成一部分的低頻信息丟失，另外的DCT變換，不能很好適應環境光的變化。所以，在實際使用中，往往不能把光照處理的壓力都放在後期算法處理上，在攝像頭采集時就需要對環境光做一定的過濾。比如近紅外圖像，采集時去除大多可見光對圖像內容的影響，在此基礎上再進行軟件處理，往往能達到生產上的要求。

　　1 傳統Gamma校正及改進

　　傳統Gamma校正算法具有較好的光照調整效果，但是由於其容易造成校正過度的原因，因而使用范圍受到限制。正如圖1和2所示，Gamma函數容易對圖像灰度比較「正常」的區域也做了調整，會產生失真的想象。

                

                                圖1 傳統Gamma校正曲線       圖2 經傳統Gamma函數校正後的灰度分布

　　

　　傳統方法只是簡單的將低灰度區域調高，高灰度區域調低，調節方式過於簡單。

　　改進後的校正曲線和灰度分部曲線：

           圖3 Gamma曲線       圖4 Gamma函數校正後的灰度

　　校正效果：

              

　　　　圖5 原始圖像　　　　　　　　　　　　      圖6 校正後圖像

　　

　　2 人臉光照歸一化

　　上面效果雖然較好，但是應用到人臉識別當中，還需要做些調整。因為，人臉處在不同環境下，雖然有過濾片作用，但是還是會有較大差別。因此，可以采用階梯式處理方法，一步步將不同情況下的人臉光照調整一致。另外，改進後的Gamma曲線控制參數有較多個，這裡可以采用累積直方圖來判斷人臉光照強度，然後設計合適的參數進行調整。具體處理步驟如下：

 

1. 由於CMOS自身噪聲的影響，邊緣部分的灰度擾動較大，因此對原始圖像做一次3*3大小的均值濾波，增強後續處理的穩定性；
2. 將原始圖像的均值調為0，方差調為1；
3. 根據累計直方圖分布特點初步判斷當前人臉圖像屬於高光還是低光照類型，並根據相應類型做灰度的初步微調；
4. 最後根據累計直方圖的分布，確定Gamma校正的各個參數大小，對圖像做Gamma校正。

　　第三步中的微調一般分為兩類：光照過暗和光照過強。過暗時采用如下公式變換：

　　過強時可采用如下公式變換：

　　分別貼兩組圖顯示下「微調」效果：

        

圖7 亮度過暗圖像調整  

   

圖8 亮度過亮圖像調整

　　3 改進後的校正效果

　　我們對同一人臉在不同光照下分別采集，然後用改進的Gamma對其進行校正：

 

圖9 不同光照下的人臉及Gamma校正結果

　　提取圖像的梯度、亮度、標准差、對比度、熵等信息，綜合來對上述原始圖像和Gamma處理後的圖像進行質量評價，從結果上可以看出，Gamma校正後的圖像質量更好，而且質量基本趨於一致，也符合表1中所示的相同位置灰度差異很小的結果。

干擾光距頭模距離		20cm	30cm	35cm	無干擾光
圖像質量評價	Gamma	42.064	42.1036	40.1766	42.3888
	原始圖像	30.1077	30.298	18.3288	9.74179

表1 圖像質量評價比較

　　4 總結

　　從以上效果可以發現，改進後Gamma校正的難點是Gamma校正參數的確定，其優點是在采用相同參數的情況下，其校正的灰度變化是相等的。加入「微調」可以減小不同Gamma參數對結果的影響權重，從而使得人臉圖像的灰度更趨於穩定。作者采用OPENCV中的SURF方法（效果如圖10所示），分別在不同環境下的人臉相同位置取點的灰度，發現本系統的Gamma校正可以將這種灰度差異減小到6~10個灰度級以內，效果如圖11和圖12所示。

圖10 不同圖像之間的配准

圖11 各采樣點灰度分布圖（原始圖像）

 

圖12 各采樣點灰度分布圖（Gamma校正圖像）

 

　　參考文獻：　　

　　Yihua Shi,Jinfeng Yang. REDUCING ILLUMINATION BASED ON NONLINEAR GAMMA CORRECTION.IEEE 2007.