基于細(xì)節(jié)的背光圖像檢測

鐘小蕓, 許少秋, 戴知圣

(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510006)

?

基于細(xì)節(jié)的背光圖像檢測

鐘小蕓, 許少秋, 戴知圣

(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510006)

針對傳統(tǒng)的背光圖像檢測算法低準(zhǔn)確率的問題，提出一種基于細(xì)節(jié)的背光圖像檢測算法.通過分析圖像在不同Gamma取值下細(xì)節(jié)數(shù)目的變化規(guī)律來確定輸入圖像是否是背光圖像.實驗結(jié)果顯示，該方法相對于傳統(tǒng)的亮度直方圖分析方法以及YCrCb直方圖分析方法具有更高準(zhǔn)確率.

背光檢測； 圖像細(xì)節(jié)； Gamma校正

隨著信息技術(shù)、多媒體技術(shù)、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，消費(fèi)者對照片質(zhì)量要求越來越高.現(xiàn)在大多數(shù)智能手機(jī)有很多自動調(diào)節(jié)的功能，比如，自動曝光[1]、自動聚焦[2]和自動白平衡[3].雖然這些功能能讓消費(fèi)者在各種拍攝條件下輕松拍出高質(zhì)量的照片，但是在某些特定的情況下，背光照片仍不可避免地會出現(xiàn)，所以很有必要檢測圖像是否背光.

根據(jù)采用的不同方法[4-8]，背光檢測方法可分為基于亮度直方圖的檢測方法和基于顏色直方圖的檢測方法.基于亮度直方圖的檢測方法[4-7]通過檢測圖像的亮度分布是否存在明暗兩個明顯分隔的區(qū)域來判斷圖像是否背光，由于其低復(fù)雜度特性成為最常用的背光圖像檢測方法，但有時正常光照圖像的亮度直方圖特征也具有背光圖像的亮度直方圖特征，從而造成誤檢測.基于顏色直方圖的檢測方法[8]通過分析圖像的顏色分布的集中程度來判斷圖像是否背光，由于顏色含豐富信息且便于提取，這種檢測方法也有較高的競爭力.但是，該方法無法正確檢測出圖像顏色種類比較少的正常光照圖像或顏色種類比較豐富的背光圖像.

提出一種基于細(xì)節(jié)的背光圖像檢測算法.通過分析Gamma校正[9]不同參數(shù)下圖像細(xì)節(jié)的變化規(guī)律，依據(jù)實驗確定出背光圖像檢測的細(xì)節(jié)變化閾值.結(jié)果顯示本文方法相對于基于傳統(tǒng)的亮度直方圖的檢測方法以及基于YCrCb顏色直方圖的檢測方法具有更高準(zhǔn)確率.

1 背光圖像檢測

1.1 背光圖像分析

當(dāng)光源位于圖像感興趣區(qū)域的后方時，由于圖像中的感興趣區(qū)域曝光不足，將導(dǎo)致背光圖像的產(chǎn)生.由于背光圖像的感興趣區(qū)域曝光不足，所以背光圖像具有以下幾個明顯的特征：前景區(qū)域即感興趣區(qū)域和背景區(qū)域之間的亮度差異很大；背光圖像的顏色分布比較集中；背光圖像的前景區(qū)域內(nèi)容不清晰[10].

圖1 (a)左圖是光照正常圖像，其他是背光圖像；(b)是圖像對應(yīng)的亮度直方圖；(c)是圖像的Cb、Cr直方圖；從圖1(a)可以看出，正常光照的圖像細(xì)節(jié)清晰，邊緣清楚，而背光圖像前景灰暗，細(xì)節(jié)顯示模糊.圖1(a)左圖正常光照圖像的Cb、Cr值比較集中，如使用依據(jù)顏色(YCbCr)直方圖背光檢測方法[8]會誤判為背光圖像；而第2張背光圖像的Cb、Cr比較分散，如使用依據(jù)顏色(YCbCr)直方圖背光檢測方法[5]則會誤判為正常光照圖像；第3張背光圖像的亮度直方圖不存在明暗兩個明顯分隔的區(qū)域，用依據(jù)亮度直方圖的背光檢測方法[6]則會誤判為正常光照圖像.

1.2 Gamma校正

背光圖像由于前景亮度較低而導(dǎo)致前景的可見細(xì)節(jié)少，因此可以提高背光圖像的亮度增加圖像的可見細(xì)節(jié).Gamma校正可用于調(diào)整圖像的亮度，它具有簡單且容易實現(xiàn)的優(yōu)點(diǎn).Gamma校正公式[11]為

g=Iγ，

(1)

其中I是原亮度(范圍0～1)[13]，γ是校正參數(shù)，可設(shè)置不同的γ值調(diào)整圖像的顯示效果.圖2是不同的γ值對應(yīng)的Gamma曲線.當(dāng)Gamma值等于1的時候，校正前后圖像的亮度相同；當(dāng)γ值小于1時，原圖像的高光部分被壓縮而暗調(diào)部分被擴(kuò)展；當(dāng)γ值大于1時，原圖像的高光部分被擴(kuò)展而暗調(diào)部分被壓縮.

圖3 是圖像采用不同γ值前后對比效果.圖3(a)和(b)分別是背光圖像與正常光照圖像當(dāng)γ值分別為1、0.5和1.5的校正結(jié)果(其中γ值為1即是原圖像).從圖3(a)可看出，當(dāng)原圖存在背光，降低γ值可補(bǔ)償暗區(qū)的亮度，從而改善顯示效果，圖像可見細(xì)節(jié)也隨之增加.而從圖3(b)可看出，當(dāng)正常光照圖像的γ值變化時，圖像可見細(xì)節(jié)變化不明顯.

圖3 Gamma校正前后效果對比

1.3 圖像細(xì)節(jié)分析

圖像的細(xì)節(jié)通常是指圖像中顏色的變化情況，包含了圖像的孤立點(diǎn)、細(xì)線、畫面突變等.本文通過下面過程檢測圖像的細(xì)節(jié).

假設(shè)一幅RGB彩色圖像，Jacobian矩陣J可表示為

(2)

其中x和y表示顏色通道在x和y方向的偏微分.令矩陣Q=JTJ，即

(3)

像素點(diǎn)的顏色變化幅度λ可定義為

(4)

對應(yīng)的顏色變化方向θ則為

(5)

當(dāng)顏色變化幅度大于預(yù)設(shè)的閾值，則認(rèn)為像素點(diǎn)存在顏色變化，可檢測到細(xì)節(jié).為了濾除干擾，本文通過采用非極大值抑制算法[12]來確定細(xì)節(jié)數(shù)目.

由于背光圖像的明顯特征是前景部分比較暗，背景部分比較亮，本文使用Liao 等人提出的多級閾值算法[14]找到兩個閾值Th0和Th1，所以背光圖像可以根據(jù)閾值Th0分為前景部分和背景部分，圖像中I

本文通過分析圖像Gamma校正前后前景細(xì)節(jié)的變化來判斷圖像是否是背光圖像.前后細(xì)節(jié)變化可定義為

(6)

其中，D和D′ 為圖像Gamma校正前后的細(xì)節(jié)數(shù)目.當(dāng)ΔD=0，表示前后圖像細(xì)節(jié)數(shù)量沒有變化；當(dāng)ΔD>0，表示校正后圖像細(xì)節(jié)增多；當(dāng)ΔD<0，表示校正后圖像細(xì)節(jié)減少.

圖4給出了正常光照圖像(500張)和背光圖像(500張)在Gamma校正前后細(xì)節(jié)變化情況的例子.可以看出，通過Gamma變換后(γ=0.5)背光圖像的可見細(xì)節(jié)數(shù)量明顯比變換前增多，而正常光照圖像通過Gamma變換(γ=0.5)的可見細(xì)節(jié)數(shù)量變化不大.因此，可根據(jù)Gamma變換前后的可見細(xì)節(jié)數(shù)目變化大小來判斷輸入圖像是否是背光圖像.

圖4 500張背光圖像和500張正常圖像Gamma(γ=0.5)變化后細(xì)節(jié)增加情況

1.4 實驗結(jié)果及分析

1.4.1 確定Gamma校正參數(shù)

為了選取合適的γ值用來分析圖像Gamma變換前后細(xì)節(jié)的變化，本文計算了500張背光圖像和500張正常光照圖像在設(shè)置不同的γ值時對應(yīng)的平均細(xì)節(jié)變化，結(jié)果如圖5所示.可以看出，當(dāng)γ值很小接近0時，圖像校正后會出現(xiàn)曝光過度從而引起細(xì)節(jié)數(shù)量減少.針對背光圖像來說，當(dāng)0.08≤γ≤1.22時校正后的細(xì)節(jié)增加，而且γ值為0.22時細(xì)節(jié)的增幅達(dá)到最大，當(dāng)γ≥1.22時背光圖像校正后的細(xì)節(jié)減少；而針對正常光照圖像來說，當(dāng)γ≥0.23時，校正前后的細(xì)節(jié)數(shù)量變化不大.因此，可以選取0.23作為執(zhí)行Gamma變換時的參數(shù)，然后計算變換前后的前景細(xì)節(jié)變化.

圖5 背光圖像和正常光照圖像在不同Gammar校正參數(shù)時的平均細(xì)節(jié)變化

1.4.2 確定細(xì)節(jié)變化閾值

由于不同圖像相同Gamma值變換后細(xì)節(jié)數(shù)目變化不是恒定的，因此需要確定一個合適的細(xì)節(jié)變化量ΔD來判斷圖像是否存在背光.圖6給出了500張背光圖像和500張正常光照圖像選取不同細(xì)節(jié)變化量ΔD時的背光圖像檢測準(zhǔn)確率統(tǒng)計曲線.可以看出，當(dāng)細(xì)節(jié)變化量ΔD為63%時，檢測的準(zhǔn)確率最高.因此，本文選擇63%作為Gamma校正前后細(xì)節(jié)的變化閾值，當(dāng)ΔD≥63%時則認(rèn)為輸入圖像是背光圖像，否則為正常光照圖像.

圖6 準(zhǔn)確率統(tǒng)計圖(γ=0.23)

1.4.3 算法比較

測試圖像由600張背光圖像和600張正常光照的圖像組成,這些圖像由日常生活中手機(jī)拍攝的照片和網(wǎng)絡(luò)上搜索的及其他背光圖像檢測論文的圖像組成.算法都是在Matlab平臺實現(xiàn).表1提供了3種背光圖像檢測算法的準(zhǔn)確率以及運(yùn)算時間.可以看出，本文提出的基于細(xì)節(jié)分析的背光圖像檢測算法的準(zhǔn)確率為94%，高于基于亮度直方圖的背光圖像檢測算法和基于YCbCr的顏色背光檢測算法(分別為84%和85.5%)；而所需的平均運(yùn)行時間為0.98 s，略大于基于YCbCr的顏色背光檢測算法(0.95 s).

表1 3種背光圖像檢測算法準(zhǔn)確率比較

2 結(jié) 論

本文提出一種基于細(xì)節(jié)的背光圖像檢測算法.通過分析圖像在不同Gamma校正參數(shù)下細(xì)節(jié)數(shù)目的變化規(guī)律來確定輸入圖像是否是背光圖像.實驗結(jié)果顯示本文方法準(zhǔn)確率(94%)高于基于亮度直方圖的檢測方法(84%)和基于YCrCb直方圖的檢測方法(85.5%)，平均運(yùn)行計算時間0.98 s，略大于基于YCbCr的顏色背光檢測算法(0.95 s).

[1] 楊海濤，常義林，王靜，等. 一種基于亮度直方圖的自動曝光控制方法[J]. 光學(xué)學(xué)報, 2007, 27(5):841-847. DOI:10.3321/j.issn:0253-2239.2007.05.016.

YANG H T, CHAN Y L, WANG J，et al. A new automatic exposure alogrithm for video cameras using luminance histogram[J]. Acta Optica Sinica, 2007, 27(5): 841-847. DOI: 10. 3321/j. issn: 0253-2239. 2007. 05. 016.

[2] 尤玉虎，劉通，劉佳文. 基于圖像處理的自動對焦技術(shù)綜述[J]. 激光與紅外, 2013, 43(2):132-136. DOI:10.3969/j.issn.1001-5078.2013.02.003.

YOU Y H, LIU T, LIU J W. Survey of the auto-focus methods based on image processing[J]. Laser & Infrared, 2013, 43(2): 132-136. DOI: 10. 3969/j. Issn. 1001-5078. 2013. 02. 003.

[3] 周榮政，何捷，洪志良. 自適應(yīng)的數(shù)碼相機(jī)自動白平衡算法[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2005, 17(3): 529-533.DOI:10.3321/j.issn:1003-9775. 2005. 03. 025.

ZHOU R Z，HE J，HONG Z L. Adaptive algorithm of auto white balance for digital camera[J]. Journal of Computer-aided Design and Computer Graphics, 2005, 17(3): 529-533. DOI: 10.3321/j. issn: 1003-9775. 2005. 03. 025.

[4] SHIMIZU S，KONDO T，KOHASHI T，et al. A new algorithm for exposure control based on fuzzy logic for video cameras[J]. IEEE Transactions on Consumer Electronics, 1992, 38(3): 617-623.

[5] MURAKAMI M，HONDA N. A Study on Noise Tolerance of the IDS Method in Regression[C]∥UNT Theses and Dissertations,[S. l.]: IEEE m, 1989: 2164-2170.

[6] CHIUNLI C, CHINTENG L. Detection and compensation algorithm for backlight images with fuzzy logic and adaptive compensation curve[J]. International Journal of Pattern Recognition & Artificial Intelligence, 2011, 19(8): 1041-1057.

[7] SU M C, YANG Y S, LEE J, et al. A Neuro-Fuzzy Approach for Compensating Color Backlight Images[J]. Neural Processing Letters, 2006, 23(3): 273-287.

[8] PARK H J, HAN S W. Detection of backlight images using chrominance[J]. Color Imaging XVII: Displaying, Processing, Hardcopy, and Applications, 2012, 8292: 172-179.

[9] 儲清翠，王華彬，陶亮. 圖像的局部自適應(yīng)Gamma校正[J]. 計算機(jī)工程與應(yīng)用, 2015， 51(7):189-193.

CHU Q C，WANG H B，TAO L. Local adaptive Gamma correction method[J]. CEA, 2015, 51(7): 189-193.

[10] 王慧博. 圖像與視頻背光補(bǔ)償技術(shù)研究與實現(xiàn)[D]. 西安：西安電子科技大學(xué)通信工程學(xué)院, 2009.

[11] 岡薩雷斯.數(shù)字圖像處理學(xué)[M].阮秋琦,譯.北京：電子工業(yè)出版社,2007.

[12] Forsyth D, Ponce J, Forsyth D, et al. Computer Vision: A Modern Approach Prentice Hall[M]. Upper Saddle River: Prentice Hall, 2002.

[13] 蔡建新，汪仁煌，黃穎怡，等. 亮度歸一化在圖像處理中的應(yīng)用[J]. 廣東工業(yè)大學(xué)學(xué)報, 2008,25(4): 65-68.

CAI J X, WANG R H, HUANG Y Y, et al. Application of brightness normalization in image processing[J]. Journal of Guangdong University of Technology, 2008, 25(4): 65-68.

[14] LIAO P S, CHEN T S, CHUNG P C. A fast algorithm for multilevel thresholding[J]. Journal of Information Science & Engineering, 2001, 17(5): 713-727.

Detail based Backlight Image Detection

Zhong Xiao-yun，Xu Shao-qiu，Dai Zhi-sheng

(School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China)

The previous backlight image detection algorithms such as intensity histogram-based method and the YCrCb histogram-based method are low in accuracy rate. A backlight image detection algorithm based on details is presented. The change of the number of details under various Gamma correction is analyzed for the determination of backlight images. The experimental results show that the proposed method outperforms the intensity histogram-based method and the YCrCb histogram-based method.

backlight detection; image details; Gamma correction

2015- 08- 10

國家自然科學(xué)基金資助項目(61201393，61202268)

鐘小蕓(1990-)，女，碩士研究生，主要研究方向為圖像處理.

10.3969/j.issn.1007- 7162.2016.06.013

TP317.4

A

1007-7162(2016)06- 0072- 05