图像逆光度的估计方法

引言

       在用手机摄像头拍照的时候，往往需要判定当前拍摄的环境是否逆光环境，然后根据这个判断调整一些曝光参数或者做一些相应的图像后处理。因此如何快速有效地判断逆光环境、给出逆光度的估计，就变得很重要。

       我们可能想到的做法是从逆光图像的表象去判断，即计算明暗区域然后比较它们占的面积大小，然后根据这个明暗的对比值去判断逆光。这种方法很不靠谱，很多情况都容易混淆。要估计图像的逆光度，还需要从图像的本质上去探讨。

       考虑到明暗的对比，我们首先会想到图像的灰度直方图，因为从灰度直方可以明确地表示图像的明暗分布，并且其分布与图像的内容无关。下面我们先看看逆光图像和非逆光图像的灰度直方图的分布。

1 逆光场景的灰度直方图分布

图1，逆光场景    

图2，逆光场景的灰度直方图    

2 非逆光场景的灰度直方图分布

图3，非逆光场景    

图4，非逆光场景的灰度直方图    

3 逆光度的估计

       从上面的对比图可以看出，逆光场景和非逆光场景的灰度直方图分布是完全不同的。逆光场景的灰度直方图分布是极亮和极暗灰度级上的像素分布高，而非逆光场景的像素主要集中在中间的灰度级上。在我们实验的图像里，所有图像的灰度分布都符合上述规律。因此我们有理由认为，灰度直方图可以很大程度上反应图像的逆光情况。

       如果我们把灰度直方图归一化之后表示成一个256维的向量X，那么X可以视作图像灰度分布的特征向量。而该图像是否为逆光场景，可以用Y（Y∈{1,-1}）来表示，于是(X,Y)就可以看作一个样本。如果我们用相机对自然环境拍摄一幅图像，就可以得到一个采样的样本，所有这些样本合起来就是一个观察集合{(Xi,Yi)|i=1,2,…,n}。

       如果有足够多的逆光-非逆光图像的采样来构成这样一个样本集合，我们就可以用机器学习的办法，对灰度直方图特征X训练一个分类器，然后通过分类的方法就能判定当前图像是否是逆光图像。因此对于这个问题，我们可以利用后验概率的贝叶斯分类或者SVM等来解决。不过这样做会增加许多工作量。

       从实验图像可以看出，其实两类直方图的分布，即特征X，它们的差异是很大的，而且有良好的统计特性。从均值和方差来考虑，对于逆光图的直方图，其灰度级分布的方差σ很大；而对于非逆光图的直方图，其灰度级分布的σ却很小。因此，仅仅从方差σ就可以描述两类直方图的差异。正因为逆光环境的灰度直方图有这样良好的统计特性，所以比起机器学习的方法，用方差来判决就可以了，而且简单易行。

       假设图像I的归一化灰度直方图为X，
X = ( x 1 , x 2 , ⋯ &ThinSpace; , x 256 ) T X = (x_1,x_2,\cdots,x_{256})^T X=(x1​,x<