曝光校正算法及其在短視頻中的應(yīng)用研究

帥姣妍 顧曉娟

1.北京電影學(xué)院中國電影高新技術(shù)研究院,北京 100088

2.北京電影學(xué)院影視技術(shù)系,北京 100088

1 前言

近幾年,隨著抖音、快手、火山、Tik Tok、Snapchat等短視頻平臺的普及和迅速發(fā)展,使得短視頻創(chuàng)作逐漸流行起來,越來越多用戶開始用手機、數(shù)碼相機等拍攝短視頻來記錄生活或進行短片創(chuàng)作,并將創(chuàng)作的短視頻發(fā)布到社交平臺上進行分享。根據(jù)CNNIC第49次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》顯示,截至2021年12月,我國短視頻用戶規(guī)模為9.34億人次[1],占網(wǎng)民整體的90%以上。

然而大部分短視頻用戶缺乏專業(yè)的拍攝知識和拍攝技能,或者受限于拍攝環(huán)境或拍攝設(shè)備,導(dǎo)致拍攝出的短視頻經(jīng)常出現(xiàn)對比度太低、畫面過曝、暗部缺乏細節(jié)等情況,而曝光校正 (Exposure Correction)方法能夠幫助用戶解決以上問題,調(diào)整視頻的亮度和對比度,使畫面達到較好的曝光水平。

曝光校正算法的主要目的是讓所獲得的數(shù)字視頻能達到一個合適亮度,顯示更豐富的細節(jié),提高觀眾的畫質(zhì)感受。若曝光過度,視頻畫面就會整體過亮,圖像細節(jié)信息損失嚴重。若曝光不足,則會導(dǎo)致視頻畫面過暗,同樣會對細節(jié)信息造成不可逆的損傷。目前常用的曝光算法有基于直方圖均衡化(Histogram Equalization)的算法[2-4]、基于Retinex理論 (The Retinex Theory)的算法[5-8],以及基于深度學(xué)習(xí)的方法[9-14]。

本文對已有的視頻曝光校正解決方案和不同類型的圖像曝光校正算法進行了詳細梳理,并對它們的曝光校正效果進行了對比,最后分析了這些解決方案和算法對短視頻處理的適用性。

2 曝光校正相關(guān)算法

2.1 基于直方圖均衡化的算法

直方圖可以體現(xiàn)各個亮度等級的像素數(shù)量和分布情況,若圖像亮度過暗或者過亮,則直方圖的分布較為集中,所包含的亮度信息較少,圖像細節(jié)較少,而直方圖均衡化則可以對單幀圖像亮度進行重新調(diào)整,是經(jīng)典的曝光校正方法。

2.1.1 直方圖均衡化(Histogram Equalization,HE)

直方圖均衡化是對單幀圖像的整體亮度范圍進行重新調(diào)整,將像素更加均勻地分布到直方圖上[2]。

假設(shè)一幅離散圖像的亮度值為 {x},ni表示亮度級別i出現(xiàn)的次數(shù),則亮度為i的像素的出現(xiàn)概率是:

其中L是圖像中所有的亮度值 (通常為256),n是圖像中所有的像素數(shù),Px(i)為像素值為i的圖像的直方圖,歸一化到[0,1]。

Px(i)的累積分布函數(shù) (Cumulative Distribution Function,CDF)為:

假設(shè)原圖像 {x}經(jīng)過亮度映射生成新圖像{y},即y=T (x),y 的累積分布函數(shù)就可以在所有值范圍內(nèi)進行線性化,轉(zhuǎn)換公式定義為:

對于常數(shù)K,CDF的性質(zhì)可以進行以下變換:

其中k∈[0,L)。T將不同的等級映射到 [0,1]域,由于對{x} 進行了歸一化,因此需要將值映射回最初域:

當單幀圖像的亮度范圍比較集中、直方圖峰值較窄,即圖像整體過暗或者過亮?xí)r,可以通過均衡化獲得更多的細節(jié),特別是在衛(wèi)星視頻圖像、X 射線等科學(xué)類圖像上較為適用。

2.1.2 自適應(yīng)直方圖均衡化 (Adaptive Histogram Equalization,AHE)

AHE與HE 的不同之處在于,AHE 適用于提高局部對比度[3]。AHE將圖像切割為相同大小的矩形塊,在每個矩形區(qū)域內(nèi)進行直方圖均衡,這樣可以對圖像的局部進行亮度調(diào)整,提高局部細節(jié)。當矩形塊的大小為8×8時,處理效果最佳[3]。

但是當矩形區(qū)域內(nèi)的亮度范圍較小,即局部直方圖出現(xiàn)較窄的峰值時,AHE 會將峰值分散映射到整個亮度范圍,會導(dǎo)致亮度范圍較小的區(qū)域在處理后產(chǎn)生明顯的噪聲。

2.1.3 限制對比度自適應(yīng)直方圖均衡化 (Contrast Limited Adaptive Histogram Equalization,CLAHE)

由于AHE 會出現(xiàn)局部噪聲過度放大的問題,因此Pizer 等人提出了CLAHE的方法對AHE進行改進[3]。在計算局部區(qū)域直方圖的CDF 之前,CLAHE會設(shè)定一個閾值對直方圖進行裁剪,裁剪掉的像素將均勻分布到直方圖的其他區(qū)域,如圖1所示。

圖1 CLAHE裁剪示意圖①

不論是AHE 還是CLAHE,由于對圖像進行了分塊操作,處理后的圖像會出現(xiàn)塊狀效應(yīng),并且分塊計算映射函數(shù)比較復(fù)雜,因此采用雙線性差值的方式計算映射函數(shù)[4],以此提高計算效率和抑制塊狀效應(yīng)(圖2)。

圖2 雙線性差值示意圖[4]

CLAHE可以對單幀圖像進行局部亮度調(diào)整,并且可以有效抑制處理后的噪聲問題,但是CLAHE處理后的圖像與原始圖像的亮度級并不是1∶1的對應(yīng)關(guān)系,因此該方法不適用于需要精確測量的科學(xué)圖像上。并且如果原始單幀圖像本身亮度變化較大,亮度梯度較大,則處理后的圖像會出現(xiàn)失真問題。

2.2 基于Retinex理論的算法

Edwin H.Land在做人類視覺實驗時首次提出Retinex 一詞[5],由Retina (視網(wǎng)膜)和Cortex(大腦皮層)組成,表示人類視覺系統(tǒng)在感受外界物體顏色時將同時受到眼睛和大腦的影響。Retinex理論認為物體的顏色由物體對紅綠藍三種光線的反射率決定,而不是由光照強度決定,即使光照不均勻,人類對物體的顏色感知也不會受到影響,即具有顏色恒常性(Color Constancy)。

Retinex理論將人眼所獲得的圖像S 看做入射光分量L 與物體反射光分量R 的乘積,可以表示為:

式(6)中(x,y)表示像素的二維坐標。

由于人眼視覺特性曲線在數(shù)學(xué)上符合對數(shù)形式,在公式兩邊同時對數(shù)運算可得:

在現(xiàn)實情況中,直接測量反射分量R 比較困難,因此一般先通過所獲得的圖像,估算出入射光分量L,以此算出物體的反射分量,即:

Retinex算法的基本流程如圖3所示。

圖3 Retinex算法的基本流程

Retinex算法主要用于低照度區(qū)域的光照補償,不適用于曝光過度的情況,并且需要一直優(yōu)化參數(shù)來達到較好的光照補償?shù)男Ч?/p>

2.2.1 單尺度Retinex算法 (Single Scale Retinex,SSR)

Jobson等人在Edwin H.Land的理論基礎(chǔ)上,提出了單尺度Retinex算法[6]。該算法認為用高斯環(huán)繞函數(shù)對原圖像進行卷積運算,處理后的圖像可以估算為入射光分量,這樣就可以用原圖像S與入射光分量L 計算出反射分量。因此由式 (8)可以轉(zhuǎn)換為:

式(9)中i為顏色通道,若為灰度圖像,則只有一個灰度通道,若為彩色圖像,則為RGB三個通道;*表示進行卷積操作,G 為高斯環(huán)繞函數(shù),表達式為:

其中K 需滿足:

式(10)中σ為高斯標準差,其取值會影響單幀圖像曝光調(diào)整的效果,若取值較小,則細節(jié)還原較好,但是色彩會出現(xiàn)失真情況;若取值較大,色彩還原較好,則細節(jié)信息會減少。

2.2.2 多尺度Retinex 算法 (Multi-scale Retinex,MSR)

由于SSR 在色彩還原和細節(jié)增強兩個方面無法同時改善,因此Jobson 等人對SSR 進行了改進,提出了多尺度Retinex算法[7]。MSR 采用多個不同參數(shù)的高斯函數(shù)進行SSR,然后再對多個SSR 結(jié)果進行加權(quán)平均處理,MSR 其表達式為:

式中N 為高斯函數(shù)的個數(shù),wn是不同參數(shù)n所占的權(quán)重,需滿足=1wn=1,Gn(x,y)表示不同參數(shù)n所對應(yīng)的高斯函數(shù),公式為式(10)。通常情況N取值為3時效果較好,w1=w2=w3=1/3。

2.2.3 帶色彩復(fù)原的多尺度Retinex 算法(Multi-scale Retinex with Color Restoration,MSRCR)

由于MSR 是對圖像的RGB 三個通道分別處理之后再合成新的圖像,這種處理方式很容易導(dǎo)致RGB三個顏色分量的比例關(guān)系發(fā)生變化,與原圖中RGB的顏色分量比例不同,從而導(dǎo)致顏色失真,因此Jobson等人引入了色彩復(fù)原因子C,提出了帶色彩復(fù)原的MSRCR[7],用以調(diào)整RGB三個通道的比例。

首先根據(jù)原圖求出色彩復(fù)原因子C:

式(13)中β為增益常數(shù),a為非線性調(diào)因子,I(x,y)為原圖像,i為第i個顏色通道,通常為RGB三個通道,則S=3。

計算出每個通道的C 后,加入MSR 的處理步驟中,則可以得到MSRCR 處理結(jié)果,即:

MSRCR 可以在調(diào)整對比度和曝光的同時,保持圖像的顏色恒常性,在處理低照度視頻圖像時效果較好,但其需要調(diào)整的參數(shù)較多,時間復(fù)雜度較高,且有時也會出現(xiàn)光暈、偽影等現(xiàn)象。

2.3 深度學(xué)習(xí)算法

近年來隨著人工智能和深度學(xué)習(xí)的迅速發(fā)展,各行各業(yè)都積極使用深度學(xué)習(xí)方法來解決特定領(lǐng)域的實際問題。目前國內(nèi)外學(xué)者提出了許多基于深度學(xué)習(xí)的曝光校正算法,尤其是在低照度圖像增強以及欠曝光圖像修飾方面都取得了不錯的成效。

2.3.1 常用的數(shù)據(jù)集

(1)MIT-Adobe FiveK 數(shù)據(jù)集

Bychkovsky等人[9]提供了第一個用于圖像修飾的數(shù)據(jù)集MIT-Adobe Five K (圖4)。此數(shù)據(jù)集包含了5000張單反拍攝的原始圖片,再由5位專業(yè)的攝影師對圖片進行亮度和色彩的調(diào)整,因此可以用原圖與某一位攝影師調(diào)整后的圖作為配對數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)。

圖4 MIT-Adobe Five K 數(shù)據(jù)集示例圖[9]

(2)DPED 數(shù)據(jù)集

Ignatov等人[12]通過學(xué)習(xí)手機圖像到單反圖像之間的映射關(guān)系,提出了一種新的提高手機圖像質(zhì)量的方法,并建立一個DPED (DSLR Photo Enhancement Dataset)數(shù)據(jù)集,包含三款手機以及一款單反拍攝同一場景的圖像對 (圖5)。作者用端到端的方式學(xué)習(xí)低質(zhì)量手機圖像到高質(zhì)量單反圖像的映射關(guān)系,實現(xiàn)手機圖像質(zhì)量的整體提升。

圖5 DPED數(shù)據(jù)集示例[12]

DPED 數(shù)據(jù)集均為實拍采集,數(shù)量較大,擁有超過6000張照片,且場景較為豐富,能將手機拍攝的照片提升至單反照片質(zhì)量,但是會放大噪聲,并且對不同手機設(shè)備需要重新進行訓(xùn)練。

(3)SID 數(shù)據(jù)集

陳晨等人[13]建立了一個SID (See-in-the-Dark)數(shù)據(jù)集,包含5094 張短曝光低照度圖像,以及對應(yīng)的長曝光參考圖像,并提出一種全卷積網(wǎng)絡(luò)結(jié)構(gòu) (Fully Convolutional Network,FCN),通過端到端的訓(xùn)練,實現(xiàn)了極暗圖像的快速恢復(fù)和去噪(圖6)。

圖6 Chen的SID處理效果[13]

傳統(tǒng)的圖像處理流程是由一系列模塊構(gòu)成,每個模塊進行單獨處理,例如白平衡、色彩轉(zhuǎn)換、去噪、銳化等,而論文采用端到端的學(xué)習(xí)方式,訓(xùn)練一個FCN 網(wǎng)絡(luò)對圖像原始數(shù)據(jù)進行整體處理,將所有處理模塊集成一起,提出了一種極端低亮度圖像的增強系統(tǒng)(圖7)。

圖7 Chen提出的模型[13]

SID 數(shù)據(jù)集包含的低光照圖像較為豐富,但是均為靜態(tài)的物品,訓(xùn)練的網(wǎng)絡(luò)對極暗圖像的恢復(fù)效果較好,但其為特定相機訓(xùn)練的網(wǎng)絡(luò),泛化能力有限,而且需要用戶自主設(shè)置放大系數(shù)來調(diào)整亮度。

2.3.2 LLNet網(wǎng)絡(luò)結(jié)構(gòu)

Lore等人[10]提出了暗光圖像增強網(wǎng)絡(luò)LLNet(The Low-light Net),利用深度自編碼器提取暗光圖像的特征,自適應(yīng)地提高圖像亮度并降低圖像噪聲。

Lore提出了兩種網(wǎng)絡(luò)結(jié)構(gòu):LLNet與S-LLNet(圖8)。LLNet將對比度增強與去噪合為一個模塊同時訓(xùn)練,而S-LLNet將對比度增強與去噪分成兩個模塊,分別進行訓(xùn)練。S-LLNet在訓(xùn)練中更具靈活性,但是會增加處理時間。

圖8 LLNet與S-LLNet網(wǎng)絡(luò)結(jié)構(gòu)[10]

LLNet是較早將深度學(xué)習(xí)用于圖像增強的網(wǎng)絡(luò),且在公開數(shù)據(jù)集里處理效果較好,但在實際的暗光圖像中,局部細節(jié)還原效果有限。

2.3.3 MSR-net網(wǎng)絡(luò)結(jié)構(gòu)

Shen等人[11]將卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Networks,CNN)與傳統(tǒng)的多尺度Retinex (MSR)算法結(jié)合起來,提出了MSR-net網(wǎng)絡(luò)結(jié)構(gòu),建立了低光照圖像到正常亮度圖像之間的映射,實現(xiàn)低光照圖像的亮度增強。

論文認為傳統(tǒng)的MSR 中心環(huán)繞函數(shù)等價于不同高斯卷積核的卷積層,可以表示為:

式(15)中n為不同尺度,c為高斯環(huán)繞函數(shù)的標準差,K 為卷積層數(shù)。

MSR-net模型由三部分組成:多尺度對數(shù)變換、卷積差分、色彩復(fù)原,如圖10所示。

圖10 MSR-net網(wǎng)絡(luò)結(jié)構(gòu)[11]

MSR-net將深度學(xué)習(xí)CNN 與傳統(tǒng)的圖像處理方法MSR 相結(jié)合起來,想法比較新穎,但是在色彩還原方面效果有待提升,當圖像出現(xiàn)大面積平滑區(qū)域時,會出現(xiàn)光暈現(xiàn)象(圖11)。

圖11 MSR-net處理效果圖[11]

2.3.4 DNN 網(wǎng)絡(luò)結(jié)構(gòu)

2021年Mahmoud等人[14]提出了一種由粗到精(Coarse-to-Fine)的深度神經(jīng)網(wǎng)絡(luò) (Deep Neural Network,DNN)模型,用一個網(wǎng)絡(luò)模型對欠曝光和過曝光圖像進行校正,首先對圖像的整體亮度和顏色進行校正,然后再對圖像細節(jié)進行恢復(fù)和增強,在兩種極端曝光錯誤的圖像處理上都能達到良好的效果(圖12)。

圖12 DNN 的處理效果[14]

網(wǎng)絡(luò)的總損失函數(shù)由重構(gòu)損失、金字塔損失、對抗損失三部分構(gòu)成(圖13):

圖13 DNN 網(wǎng)絡(luò)結(jié)構(gòu)[14]

DNN 網(wǎng)絡(luò)既可以處理暗圖像的增強,也可以實現(xiàn)過曝光圖像的恢復(fù),并且處理效果都比較好。但是在細節(jié)較少的區(qū)域,會出現(xiàn)噪點和偏色等現(xiàn)象。

3 曝光校正在短視頻制作中的應(yīng)用

3.1 后期軟件中的曝光校正

目前市場上可供選擇的視頻后期軟件比較多,不同軟件的功能和優(yōu)勢也存在明顯的差異,比較常用且擁有自動對比度、曝光校正設(shè)置選項的后期軟件有:Adobe Premiere Pro、Da Vinci Resolve和Final Cut Pro等。

Adobe Premiere Pro是國內(nèi)外常用的短視頻后期創(chuàng)作軟件,提供剪輯、調(diào)色、字幕等完整的后期流程,并且此軟件可以與Adobe公司推出的其他軟件相互協(xié)作,因此這款軟件應(yīng)用范圍較廣,Adobe Premiere Pro內(nèi)置自動對比度效果控件,可以適當改善視頻的亮度層次(圖14-15)。

圖14 Premiere低照度視頻曝光校正后的效果(左為原圖,右為處理后效果圖)

圖15 Premiere過曝視頻曝光校正后的效果(左為原圖,右為處理后效果圖)

DaVinci Resolve在2020 年推出一個可以實現(xiàn)曝光校正與色彩匹配的插件:Colourlab AI。用戶可以導(dǎo)入自己的視頻和一張參考圖片 (圖16),左邊預(yù)覽窗口為用戶自己的視頻,右邊預(yù)覽窗口為參考圖片。此插件可以根據(jù)參考圖片自動生成匹配模型(如圖16下方7個小圖所示),用戶從匹配模型中選擇一個進行匹配,插件會自動將參考圖片的亮度、對比度以及色彩遷移到用戶自己的視頻上,完成視頻自動亮度和色彩匹配。

圖16 Colourlab AI界面②

Colourlab AI在曝光校正與色彩匹配的處理上效果都比較好,但是此插件為付費插件,核心算法未對外公布。Colourlab AI實驗室購買了You Tube Suggestions 算法,并制作了上千個調(diào)色模型,給每一個模型提供了不同的調(diào)色方法,隨后又制作了另一個Teacher Bot模型,與調(diào)色師一起來評估每個調(diào)色模型的調(diào)色結(jié)果,利用深度學(xué)習(xí)的方式不斷進行學(xué)習(xí)與修正,訓(xùn)練出了可以實現(xiàn)亮度調(diào)整與色彩匹配的調(diào)色模型(圖17)。

圖17 Colourlab AI調(diào)色模型示意圖③

3.2 單幀圖像曝光校正算法效果對比

選擇四個存在曝光問題的短視頻,分別應(yīng)用HE、CLAHE、SSR、MSRCR、DNN 算法以及Premiere自動對比度進行處理,效果如圖18所示。從效果圖中可以看出,每種算法都能對短視頻中單幀圖像的曝光進行一定程度的改善,豐富亮度層次,但是每種算法都存在一定局限性。CLAHE 與HE相比,能更好地提高局部對比度,減少噪聲,但是由于CLAHE處理后的圖像與原始圖像的亮度級并不是1對1的對應(yīng)關(guān)系,因此處理后的圖像顏色與原圖有一定差異,容易出現(xiàn)顏色失真的問題;SSR與MSRCR 對于低照度圖像的處理效果較好,可以提高暗部細節(jié),但是在處理過曝光圖像時,很容易出現(xiàn)光暈和偽影等現(xiàn)象;DNN 對于過暗和過曝光圖像的校正都能達到較好的效果,但是在缺乏細節(jié)的區(qū)域,仍然會出現(xiàn)偏色和噪點等問題;Premiere自動對比度效果控件只能在有限的亮度范圍內(nèi)進行曝光校正,過曝光的圖像都需要手動校正才能達到良好的效果。

圖18 各種算法效果對比

通過實驗結(jié)果表明,利用基于直方圖均衡化的算法進行曝光校正,雖然校正質(zhì)量不高,但是操作簡單,這類算法中有些無需參數(shù)設(shè)置,有些參數(shù)設(shè)置簡單,當視頻整體過暗或者整體過亮?xí)r,都能取得較好的曝光校正效果,尤其是HE與AHE,只需要輸入用戶視頻,無需參數(shù)設(shè)置,即可進行處理,操作簡單快捷;CLAHE 相較于HE 而言,能進一步提高局部對比度,但是需要輸入一個裁剪閾值參數(shù),這個參數(shù)值與視頻內(nèi)容相關(guān)?；赗etinex 理論的算法需要輸入少量參數(shù),適用于低照度視頻的增強,對于過曝光區(qū)域容易出現(xiàn)光暈,其中SSR 需要輸入?yún)?shù)高斯標準差σ,若取值較小,細節(jié)還原較好,但是色彩會出現(xiàn)失真情況;若取值較大,色彩還原較好,但細節(jié)信息會減少,而 MSR 與MSRCR 需要輸入多個 (通常為3個)不同的高斯標準差σ進行加權(quán)處理,其中MSRCR 較為復(fù)雜,不僅需要輸入高斯標準差σ,還需要輸入控制色彩復(fù)原因子的參數(shù)a和β,雖然MSRCR 可以更好地保持視頻的顏色恒常性,但其需要調(diào)整的參數(shù)過多?；谏疃葘W(xué)習(xí)的算法種類較多,每種模型在特定的應(yīng)用場景和數(shù)據(jù)集中能取得較好的效果,但是深度學(xué)習(xí)方式處理時間較長,并且對數(shù)據(jù)集依賴性較大,很難獲取所有場景的數(shù)據(jù)集,如果用戶視頻與數(shù)據(jù)集特征差別較大,會導(dǎo)致曝光處理效果不理想。

大部分短視頻發(fā)布者一般缺乏專業(yè)的后期處理技能,因此需要在一定程度上提高短視頻畫面質(zhì)量的前提下,選擇簡單高效的曝光校正方案幫助他們處理短視頻。基于直方圖均衡的算法,例如HE 與AHE,能夠?qū)^暗和過亮的視頻進行整體曝光校正,改善視頻亮度和對比度,雖然處理效果有限,但易于操作,不需要任何先驗知識,用戶輸入自己的視頻即可獲得校正后的影像,適用于喜歡一鍵式處理的非專業(yè)用戶;CLAHE 算法可以進一步提高局部對比度,減少畫面噪聲,用戶僅需要設(shè)置一個參數(shù),進行視頻的曝光校正,這個參數(shù)設(shè)置可以通過在給定的取值范圍內(nèi)進行調(diào)整,根據(jù)不同參數(shù)值校正效果,選取一個較為滿意的輸出結(jié)果即可;SSR 算法與MSR 算法更適用于低亮度視頻的增強,參數(shù)數(shù)量可由用戶決定,但容易出現(xiàn)顏色失真的問題;MSRCR 與深度學(xué)習(xí)的算法可以更好地改善視頻曝光效果、復(fù)原畫面顏色,但是參數(shù)設(shè)置過于復(fù)雜,需要用戶對各個參數(shù)有一定了解,并且基于深度學(xué)習(xí)的算法處理時間較長、算法復(fù)雜度高,暫不建議非專業(yè)用戶使用此類方法。

4 結(jié)語

本文對不同類型的曝光校正算法進行了梳理和實驗對比,并結(jié)合短視頻的特點對各種算法進行探討與分析,每種算法都有各自的優(yōu)勢和局限性,其中部分算法能夠在一定程度上改善視頻質(zhì)量且操作簡單,適用于非專業(yè)短視頻用戶群體。

目前,基于深度學(xué)習(xí)的曝光校正算法,雖然能處理一些極端曝光的情況,但是由于訓(xùn)練集數(shù)據(jù)有限并且校正時復(fù)雜度高等問題,使得該類方法在短視頻曝光校正中使用受限。未來,隨著數(shù)據(jù)集的擴充和模型的迭代優(yōu)化,筆者相信基于深度學(xué)習(xí)的算法能夠更適用于短視頻的自動曝光校正,為短視頻創(chuàng)作者節(jié)省視頻校正時間,將更多精力投入到內(nèi)容創(chuàng)作本身。

注釋

①圖片來源:https://en.wikipedia.org/wiki/Adaptive_histogram_equalization。

②圖片來源:https://www.youtube.com/watch? v=Cdg KP9 Bwwy Y。

③圖片來源:https://www.youtube.com/watch? v=l AvDgxJ cvf A。