[发明专利]一种图像曝光度的无监督自动化校正方法

说明书

一种图像曝光度的无监督自动化校正算法，包括以下步骤：(1)将待校正图像的亮度通道作为最优S曲线估计网络的输入；(2)网络根据输入图像进行无监督训练，得到输入图像的最优S曲线和校正后的图像亮度通道；(3)对图像色彩通道进行成比例校正，与亮度通道进行合并得到校正后图像。该方法对测试图像进行针对性训练，可较好地克服现有校正方法泛化能力弱的问题，满足实际应用对图像曝光度校正的要求，在无参考的情况下对实地采集的真实图像进行曝光度校正。

技术领域

本发明属于图像处理技术领域，涉及图像曝光度的校正。

背景技术

曝光是在摄影过程中允许落在摄影介质上的总通光量，但在诸如背光等不良照明条件下，曝光不当往往会降低采集图像的质量。虽然大多数现代成像传感器可以根据拍摄目标的照明条件自动调整相关的硬件参数，但在大多数背光照明下仍无法获得满意的效果。为了恢复现有的低质量背光图像，用户可以通过手动调整图片的色调曲线来对图片的阴影区域、中间调以及高亮区域进行调整。不过由于每张图片的最优调整曲线不尽相同，用户无法手动对曝光失真图像进行批处理。因此，在工业领域中需要一种对图像曝光度进行自动化校正的方法，例如：对于监控系统来说，当照明条件较差时，采集到的图像或视频中暗部细节能见度较低，为了恢复图像的细节，对其进行曝光度自动化校正是非常必要的。

传统的图像增强方法如直方图均衡化、基于Retinex理论的图像增强方法等，用在图像曝光度校正问题上，不仅没有针对性，而且易造成光晕效果或破坏图像色调的平滑度。

目前，针对图像曝光度校正问题，已有的探索包括一系列启发式算法和基于机器学习的算法。启发式代表算法包括：Tsai和Yeh在“Contrast compensation by fuzzyclassification and image illumination analysis for back-lit and front-litcolor face images”中采用分割图像高亮区域与背光区域的方法对图像进行调整，但以上方法中区域分割结果不可靠；Yuan和Sun在“Automatic exposure correction ofconsumer photographs”中将图像曝光度校正建模为无向图标签问题，通过暴力穷举求得最优解，解法费时费力。机器学习领域的代表算法包括：Dale等人在“Image restorationusing online photo collections”中建立了百万级别的图像数据集，在其中寻找最接近测试图像的图片作为校正参考，需要大量存储空间；Kang等人在“Personalization ofimage enhancement”通过人工交互校正建立数据集，通过匹配最接近的图像使用其校正参数来对测试图像进行校正，但是数据集规模太小造成对测试图片的鲁棒性较差；Li和Wu在“Learning-based restoration of backlit images”中通过语义分割划分高亮区域与背光区域再分别进行调整，但是分割准确性无法保证的情况下，可能会直接导致校正效果不佳。上述检测方法的准确率，极大地依赖于低级的视觉特征以及数据集的规模，易受到图像内容变化的影响。换言之，目前图像曝光度的自动校正方法研究难点在于设计一种具有场景一致性的算法。

发明内容

本发明的目的在于提供一种基于神经网络的图像曝光度无监督自动校正方法，其解决了机器学习领域的曝光度校正算法依赖于数据集的规模、易受图像内容影响的缺点，满足实际应用对图像曝光度自动校正的要求。

为达到上述目的，本发明的解决方案是：

一种图像曝光度的无监督自动化校正方法，包括以下步骤：

(1)将曝光失真的图像的亮度通道作为最优S曲线估计网络ExCNet(ExposureCorrection Network)的输入；

(2)网络根据输入的图像进行无监督训练，得到输入图像的最优S曲线和校正后的图像亮度通道；