基于模擬曝光融合的非均勻光照圖像增強

王若狀,臧景峰,張朋朋

(長春理工大學 電子信息工程學院,長春 130022)

Keywords: non-uniform illumination; adaptive Gamma correction; simulated exposure image; multi-exposure fusion; guided filtering

非均勻光照圖像通常指由于拍攝時光照不均或曝光不當等原因產生的低質量圖像,常見的如逆光、低光照、非均勻照明等場景,這些圖像普遍存在亮度不均、對比度低、圖像細節信息被掩蓋等問題.為改善這類圖像的視覺效果,復原圖像信息,許多研究者針對該問題提出了圖像增強方案.目前,關于非均勻光照的圖像增強主要包括以下幾類算法:

1) 基于直方圖均衡(histogram equalization,HE)的增強算法,基于圖像直方圖改變像素值的分布情況,擴寬圖像的動態范圍,從而達到照度增強的目的,該類方法較簡單,但其作用范圍是圖像全局,存在色彩失真、放大噪聲等問題;

2) 基于大氣散射模型(atmospheric dispersion model,ADM)的算法,該模型最初源于暗通道去霧模型[1],之后基于非均勻光照圖像取反后與霧天圖像在亮度分布上具有相似性理論,衍生出基于單通道和雙通道先驗的非均勻光照圖像增強算法,但該類方法的理論假設在物理上并不合理,因此增強后需要進行后處理強化[2];

3) 基于照度反射模型Retinex理論,認為圖像成像值可表示為場景光照分量和場景反射分量的乘積,傳統基于Retinex的增強方法通過去除光照分量并增強反射分量達到增強效果[3-4],但存在易出現過度增強及細節失真等問題;

4) 基于深度學習(deep learning,DL)的方法,該類方法需要設計合理的網絡模型,且依賴于非均勻光照圖像數據集資源和較強的計算能力,也是近年較熱……