Globally Optimized Linear Windowed Tone-Mapping， aec

Globally Optimized Linear Windowed Tone-Mapping

code:
https://github.com/wangty537/TMS
https://github.com/cadik/TMS
https://github.com/sarwanpasha/HDR-Project/tree/99847dab76d8c9f2860b99f96b186d4e214fbd4a/HDR%20Project
http://shanqi.github.io/

1.如何调节对比度

利用一个线性变换, p控制对比度，q控制亮度。只要设置合适的p,q 可以达到较好的对比度调节效果，如下图：

如何得到p和q呢，设置为一个优化目标

2.优化目标

这里的c是guide map。guide map如何得到在后面详解。

3.为什么不直接用guide map 替换 p

1）因为按照上面的优化目标，对guide map的精度不会要求太高，只是一个对p的弱约束。

2）其次 线性变换是 局部patch， 这些patch 互相重叠对 p的平滑有一定约束，且有助于保持图像结构。

3）可以通过修改 guide map， 来达到不同的图像增强目的，而不是只用来tone mapping.

4.如何生成引导图

To preserve the visual information
in the tone-mapped image, we reduce the value of pi in
regions where the local contrast is large, and increase it when the local contrast is small.

局部对比度大的地方一定程度说明 纹理细节比较丰富。局部对比度小的地方可能存在过曝和过暗，需要增大p.

p控制动态范围的压缩， 为了保持压缩后图像的动态信息，策略是：
在对比度较大的区域 减少p值，在对比度较小的区域 增大p值

因此作者使用 inverse 方差图做引导，方差反映纹理变化。但是发现效果不好，因为对噪声敏感，不能反映图像亮度等原因。 最后引入 局部均值 和 图像信息一起构成引导图，效果不错。

下图 a 是 高动态原图， d是 亮度分量图， c是局部均值图， b是局部方差

只利用方差图引导效果如下图a，b, 改进后结果c, d。

一个完整的示例如下：

5.由中低动态范围图像构建的引导图在结构上应该比由HDR图像构建的更平坦。

更加平坦的意思就是 引导图变化没那么大，压缩也没那么大，看下上图的 e图， e越平坦，对 a的改变越小， 得到f。

下图验证了： 由中低动态范围图像构建的引导图在结构上应该比由HDR图像构建的更平坦，因为中低动态的图像不太需要太大的压缩。
也说明了作者提出的引导图算法 符合 预期。

6.parameter setting

6.1 3个beta的和越大，引导图越平坦，无穷大的时候就是 1/kappa

6.2 beta2越大， 对边的压缩越强，有助于提高细节

参考fig6的图d, 很亮的边， 在公式6中被求逆。
增大 对比度较低的 区域（如海面， 天空， 海岸）， 总的来说beta2 压缩边缘，提高非边缘 局部对比度。

如下图 ， 增加beta2确实提高文字区域的对比度：

下图同样是 beta2更大可以更好的保留细节：

6.3 beta分别设为 0.6， 0.2， 0.1的时候可以应付大部分HDR图像

7.应用

除了 tone mapping 作用外：

7.1 图像增强

扩展到对普通LDR图像的自动增强，以提高包含结构信息的暗区和重饱和区域的可见性：
default values β1 = 0.4, β1 = 0.2, and β3 = 0.05 work well for most examples.

这个很有用，类似于自动曝光校正一样，调整图像亮度，增强图像细节
效果图：

7.2 inverse tone mapping

利用该方法 从普通图像 生成 HDR图像