自动曝光算法原理介绍

最新推荐文章于 2025-02-06 17:34:59 发布

摆烂办不到

最新推荐文章于 2025-02-06 17:34:59 发布

阅读量9.5k

点赞数 10

分类专栏： DeepLearning 文章标签：算法计算机视觉图像处理

本文链接：https://blog.csdn.net/wuyanxue/article/details/122116126

版权

DeepLearning 专栏收录该内容

17 篇文章

订阅专栏

自动曝光算法原理与实现介绍

相机的自动曝光(AE)算法实际上是通过自动调整曝光时间，使得获取到的图像达到一个合理的灰度范围，比如 $140\pm 20$ 。典型的判断灰度是否合理的方法是计算图像的灰度均值是否在140附近。

图像像素均值计算

设图像宽高分别为 $W, H$ , $x, y$ 处的灰度大小为 $P_{x, y}$ 。图像左上角的点坐标为 $(x, y) = (0, 0)$

直接均值法
直接计算均值：
$\frac{1}{WH} \sum_x \sum_y P_{x,y}$
高斯加权均值 - 图像中心点附近的灰度值更接近140。
对图像位置进行加权，靠近中心处的像素拥有更高的权重，权值分布为二元高斯分布
$N(\mu_x, \mu_y, \sigma_x^2, \sigma_x^2)$
，其中 $\mu_1, \mu_2$ 为图像的中心点位置，如果图像为 $(W, H) = (1024, 1024)$ 大小，那么 $\mu_x = \mu_y = 512$ ，实验表明当 $\sigma_x = \sigma_y = 200$ 时，概率 $P (X > 1024) = P (X < 0) = P (Y > 1024) = P (Y < 0) = 0.0053$ 非常小。因此采用这组参数作为图像的像素位置权重。那么图像像素的加权均值为：
$\frac{\sum_x \sum_y P_{x,y} f(x,y)}{\sum_y \sum_y f(x, y)}$
其中 $\sim N$ 为概率密度函数，由于所有像素点的位置相加不等于1，因此需要除以此项。
垂直方向渐变加权 - 适用于地空图像，地面位于图像下方，拥有更高的权重，天空位于图像上方，拥有较少的权重
图像第 $y$ 行的权重为 $\log y, 1 \leq y \leq H$ ，那么图像的灰度均值为：
$\frac{1}{W \times \sum_y \log y} \sum_x \sum_y \log y P_{x,y}$

Binary Search

二分搜索算法的过程，令曝光时间为ET：

计算图像的灰度均值mP;
如果 $∣ m P - 140 ∣ < = 20$ ，则不调整ET；
如果 $m P - 140 > 20$ ，则ET更新为当前ET的一半；
如果 $m P - 140 < - 20$ 并且当前ET已达到最大ET，则ET调整为最大ET - 1；
如果 $m P - 140 < - 20$ 并当前ET未达到最大ET，则ET调整为当前ET + [0, 最大ET - 当前ET]中的一个正态分布的随机数。
核心代码如下：

uint BinarySearchAEStrategy::updateET(QImage *image, uint oldET)
{
    uint uET = oldET;
    uchar m_pix = __meanPixelStrategyFunc__(image);
    int diff = (int)m_pix - ett;
    if (abs(diff) <= ett_float_range)
        return uET;
    if (diff > ett_float_range) // 折半减小曝光
        uET >>= 1;
    else if(diff < -ett_float_range && uET > max_et - 1) // 限制曝光为最大曝光值-1
        uET = max_et - 1;
    else if (diff < -ett_float_range && uET < max_et - 1) // 曝光补足，且限制曝光最大值
        uET += (uint) min(max(0, norm_dist(random_engine) * (max_et - uET)), max_et - uET - 1);
    return uET;
}

Fast and Robust Camera’s Auto Exposure Control Using Convex or Concave Model

复现论文Fast and Robust Camera’s Auto Exposure Control Using Convex or Concave Model中关于曝光时间调整的计算方法。核心代码如下：

uint FRAEStrategy::updateET(QImage *image, uint oldET)
{
    uchar pix = __meanPixelStrategyFunc__(image);
    if (abs((int)pix - ett) <= ett_float_range)
        return oldET;
    if (oldET == max_et)
        oldET = max_et - 1;
    // According to equation (5) to update ET
    // f_t = ett = 140
    uint updateET = (256. - pix) * oldET * max_et /
            (((double)ett - pix) * oldET + (256. - ett) * max_et);
    return updateET;
}

下面介绍其原理：该文提出的自动曝光算法将亮度特征建模成关于曝光控制参数的凸/凹函数。该函数决定了针对一个预定义的亮度等级(比如平均灰度140)的控制参数计算方法。

以一个例子来说明该方法的过程：
请添加图片描述

设上图中横坐标 $X$ 为曝光速度(也就是曝光时间的倒数)，纵坐标 $F (X)$ 为灰度等级。我们不知道曝光速度和灰度等级之间的函数关系式，但显然， $F (X)$ 是一个单调递减函数，该文还假设 $F (X)$ 是一个凸/凹函数，但实际上不必做如此假设。假设 $X_t$ 是我们要求的的目标函数的根， $F(X_t)$ 是一个给定值，那么由数值分析方法可以迭代求解出 $X_t$ ，文中采用的是修正的正割法，即只需要当前曝光速度下的图像灰度值作为初始值即可，而不用原始正割法（原始正割法需要两个参数）。