ISP-不同的调光方法(ToneMapping)线性、直方图、限制自适应直方图

2024-03-15 15:36

本文主要是介绍ISP-不同的调光方法(ToneMapping)线性、直方图、限制自适应直方图,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

ISP-不同的调光方法(Tone Mapping)线性、直方图、限制自适应直方图

调光,更一般的称为Tone Mapping,用于将颜色从原始色调(通常是高动态范围,HDR)映射到目标色调(通常是低动态范围,LDR),映射的结果通过介质进行显示,在人眼的视觉特性的作用下,达到尽可能复原原始场景的效果。Tone mapping的效果取决于从原始色调到目标色调的映射关系,这一映射关系可以是简单的缩放或截断,也可以是对摄影中已有关系的逼近。
如果直接对数值进行截断,毫无疑问会丢失场景中明亮部分的细节,因为它们都被映射成为白色(或者其它处于范围上限的颜色)。简单的缩放,例如将场景中的所有颜色都除以场景中颜色的最大值。当场景中一小部分很亮,其它部分相对很暗时,简单的缩放会导致暗部的细节丢失。
简而言之调光\Tone Mapping在ISP的作用是将相机传感器捕捉到的14位的图像数据压缩到显示器能够呈现的8位
常见的调光方法有:
1、线性调光
2、直方图调光
3、限制自适应直方图调光
4、混合调光

1、线性调光

线性调光的思路很简单,就是将原始的像素区间线性的压缩至目标的像素区间,比如将14位0-16383的像素区间,压缩至0-256的像素区间,代码如下

def lineToMapping(y16, rate=0.1):y16_flatten = y16.flatten()y16_sorted = np.sort(y16_flatten)rate_num = int(len(y16_sorted) * rate)y16_max = y16_sorted[len(y16_sorted) - rate_num]y16_min = y16_sorted[rate_num]y16_rate = (y16 - y16_min) / (y16_max - y16_min)  #这里是源数据的动态范围的选择#y16_rate = y16  / 65535  // 如果确保源数据是0-65535并且线性映射0-255就采用这行代码y8 = np.clip(y16_rate * 255, 0, 255).astype(np.uint8)return y8

代码非常简单,rate就是抛点率,上下同时抛弃多少百分比的点。为什么要抛点呢?是因为防止14位数据中过亮或者过暗的点会占据较大的线性空间,调光后的图像过亮或者过暗对比度很差。线性调光虽然很简单,抛点也能解决部分对比度较低问题,但经线性调光后的图像的对比度往往较低,效果不是很理想。
如何使一幅图像的像素分布更加的均匀呢?对,直方图均衡。

2、直方图调光

直方图均衡常用语对比度不高的图像,目的是将一幅图像的直方图从一个分布尽量拉成均匀分布。那么在这个过程中,我们也可以将一个14位的图像空间,既映射到了8位空间,同时还使得像素的分布更加均衡增加了图像的对比度。代码如下

def HEToMapping(y16):y16 = y16.astype(int)y16_flatten = y16.flatten()hist_ = np.zeros((1, 16383))# 求直方图统计for i in range(len(y16_flatten)):a = y16_flatten[i]hist_[0, a] += 1hist_1 = hist_ / hist_.sum()CDF_hist = np.cumsum(hist_1)hist_new = CDF_hist * 255hist_new = hist_new.astype(np.uint8)y16 = hist_new[y16]return y16.astype(np.uint8)

上述代码就实现了利用直方图均衡化,将14bit的数据映射到8bit空间,同时与线性调光的纯线性映射不同,直方图调光会使得全局的对比度更大,细节更加的突出。
但是直方图调光也存在它的缺点,那就是局部的对比度还是不够好,那怎么样进一步提高局部对比度呢?有图像处理经验的同学应该可以想到,局部往往对应的就是分块,也就是接下来的方法。

3、限制自适应直方图调光

如果仅仅只是分块利用直方图调光再将调光后的分块图像拼接到一起,局部对比度是有提升但是块与块之间对比度不同就会有着明显的界线,图像会出现分块情况,为了防止这种情况,就需要限制每一块的对比度,同时每个像素都对应着自己的块,但是这样会使得计算量很大,所以一般的做法是将图像分成n×n的块,其余的像素采用插值的方法计算其映射后的值。代码如下

def CLAHEToMapping(y16, r=40, step_=8):y16 = y16.astype(int)width = y16.shape[1]height = y16.shape[0]width_block = width // step_  # 列height_block = height // step_  # 行   512行 640列total = width_block * height_block# 保留直方图hist_ = np.zeros((step_ * step_, 16383), dtype=np.float64)# 保留累积直方图CDF_hist = np.zeros((step_ * step_, 16383), dtype=np.float64)for i in range(step_):for j in range(step_):y16_block = y16[i * height_block:(i + 1) * height_block, j * width_block:(j + 1) * width_block]y16_block = y16_block.flatten()num = i * step_ + jfor ii in range(width_block * height_block):hist_[num, y16_block[ii]] += 1LIMIT = r * width_block * height_block // 16383sum = 0for ii in range(16383):if hist_[num, ii] >= LIMIT:sum += hist_[num, ii] - LIMIThist_[num, ii] = LIMITbonus = sum // 16383for ii in range(16383):hist_[num, ii] += bonus# 获得累积直方图for ii in range(16383):if ii == 0:CDF_hist[num, ii] = hist_[num, ii] / totalelse:CDF_hist[num, ii] = CDF_hist[num, ii - 1] + hist_[num, ii] / totalfor i in range(height):for j in range(width):# 四个角区域# 左上if (i <= height_block / 2) and (j <= width_block / 2):y16[i, j] = CDF_hist[0, y16[i, j]] * 255# 右上elif (i <= height_block / 2) and (j >= ((step_ - 1) * width_block + width_block / 2)):y16[i, j] = CDF_hist[step_ - 1, y16[i, j]] * 255# 左下elif (i >= ((step_ - 1) * height_block + height_block / 2)) and (j <= width_block / 2):y16[i, j] = CDF_hist[(step_ - 1) * step_, y16[i, j]] * 255# 右下elif (i >= ((step_ - 1) * height_block + height_block / 2)) and (j >= ((step_ - 1) * width_block + width_block / 2)):y16[i, j] = CDF_hist[step_ * step_ - 1, y16[i, j]] * 255# 四边区域 线性插值# 左elif (i >= height_block / 2) and (i <= (step_ - 1) * height_block + height_block / 2) and (j <= width_block / 2):num_j = 0num_i = (i - height_block / 2) // height_blocknum1 = num_i * step_ + num_jnum2 = num1 + step_num1 = int(num1)num2 = int(num2)p = (i - (num_i * height_block + height_block / 2)) / (1.0 * height_block)q = 1 - py16[i, j] = CDF_hist[num1, y16[i, j]] * 255 * q + CDF_hist[num2, y16[i, j]] * 255 * p# 右elif (i >= height_block / 2) and (i <= (step_ - 1) * height_block + height_block / 2) and (j >= (step_ - 1) * width_block + width_block / 2):num_j = step_ - 1num_i = (i - height_block / 2) // height_blocknum1 = num_i * step_ + num_jnum2 = num1 + step_num1 = int(num1)num2 = int(num2)p = (i - (num_i * height_block + height_block / 2)) / (1.0 * height_block)q = 1 - py16[i, j] = CDF_hist[num1, y16[i, j]] * 255 * q + CDF_hist[num2, y16[i, j]] * 255 * p# 上elif (i <= height_block / 2) and (j >= width_block / 2) and (j <= (step_ - 1) * width_block + width_block / 2):num_j = (j - width_block / 2) // width_blocknum_i = 0num1 = num_jnum2 = num1 + 1num1 = int(num1)num2 = int(num2)p = (j - (num_j * width_block+width_block/2)) / (1.0 * width_block)q = 1 - py16[i, j] = CDF_hist[num1, y16[i, j]] * 255 * q + CDF_hist[num2, y16[i, j]] * 255 * p# 下elif (i >= (step_ - 1) * height_block + height_block / 2) and (j >= width_block / 2) and (j <= (step_ - 1) * width_block + width_block / 2):num_i = step_ - 1num_j = (j - width_block / 2) // width_blocknum1 = num_i * step_ + num_jnum2 = num1 + 1num1 = int(num1)num2 = int(num2)p = (j - (num_j * width_block+width_block/2)) / (1.0 * width_block)q = 1 - py16[i, j] = CDF_hist[num1, y16[i, j]] * 255 * q + CDF_hist[num2, y16[i, j]] * 255 * pelse:# # 其余点 需要双线性插值num_i = (i - height_block / 2) // height_blocknum_j = (j - width_block / 2) // width_blocknum_i = int(num_i)num_j = int(num_j)num1 = num_i * step_ + num_jnum2 = num1 + 1num3 = num1 + step_num4 = num2 + step_u = (j - (num_j * width_block + width_block / 2)) / (1.0 * width_block)v = (i - (num_i * height_block + height_block / 2)) / (1.0 * height_block)y16[i, j] = ((1 - u) * (1 - v) * CDF_hist[num1, y16[i, j]] * 255 +  u * (1-v) * CDF_hist[num2, y16[i, j]] * 255 + v * (1-u) * CDF_hist[num3, y16[i, j]] * 255 + u * v * CDF_hist[num4, y16[i, j]] * 255)# # if y16[i, j] > 255:# #     y16[i, j] = 255# # elif y16[i, j] < 0:# #     y16[i, j] = 0y16[i, j] = y16[i, j] + (y16[i, j] << 8) + (y16[i, j] << 16)return y16.astype(np.uint8)

双线性插值原理见这里
限制自适应直方图调光可以很好的解决图像局部对比度的问题,但是可能会带来图像总体亮度偏暗,这时将线性调光的结果加权融合就可以很好的解决这个问题。

4、混合调光

如上所说就是将两种调光的y8按照加权的方式融合即可。

5、总结

1、上述的每种调光都有自己的优点,可以综合考虑。
2、还有一些更新的tone mapping的方法,可以看看相关的论文。

这篇关于ISP-不同的调光方法(ToneMapping)线性、直方图、限制自适应直方图的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/812435

相关文章

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

Spring 基于XML配置 bean管理 Bean-IOC的方法

《Spring基于XML配置bean管理Bean-IOC的方法》:本文主要介绍Spring基于XML配置bean管理Bean-IOC的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一... 目录一. spring学习的核心内容二. 基于 XML 配置 bean1. 通过类型来获取 bean2. 通过

Java使用SLF4J记录不同级别日志的示例详解

《Java使用SLF4J记录不同级别日志的示例详解》SLF4J是一个简单的日志门面,它允许在运行时选择不同的日志实现,这篇文章主要为大家详细介绍了如何使用SLF4J记录不同级别日志,感兴趣的可以了解下... 目录一、SLF4J简介二、添加依赖三、配置Logback四、记录不同级别的日志五、总结一、SLF4J

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4:

Python中判断对象是否为空的方法

《Python中判断对象是否为空的方法》在Python开发中,判断对象是否为“空”是高频操作,但看似简单的需求却暗藏玄机,从None到空容器,从零值到自定义对象的“假值”状态,不同场景下的“空”需要精... 目录一、python中的“空”值体系二、精准判定方法对比三、常见误区解析四、进阶处理技巧五、性能优化