暗角圖像是一種在現(xiàn)實中較為常見的圖像，其主要特征就是在圖像四個角有較為顯著的亮度下降，比如下面兩幅圖。根據(jù)其形成的成因，主要有3種：natural vignetting, pixel vignetting, 以及mechanic?vignetting，當(dāng)然，不管他的成因如何，如果能夠把暗角消除或者局部消除，則就有很好的工程意義。

???　　

? ? ? 這方面的資料和論文也不是很多，我最早是在2014年看到Y. Zheng等人的論文《Single image vignetting correction》以及同樣有他們撰寫的論文《Single image vignetting correction using radial gradient symmetry》有講這方面的算法，不過其實現(xiàn)的復(fù)雜度較高，即使能編程實現(xiàn)，速度估計也很慢，其實用性就不高了。

? ? ? 前不久，偶爾的機會看到一篇名為《Single-Image Vignetting Correction by Constrained Minimization of log-Intensity Entropy》的論文，并且在github上找到了相關(guān)的一些參考代碼，雖然那個代碼寫的實在是惡心加無聊，但是對于我來說這并不重要，只要稍有參考，在結(jié)合論文那自己來實現(xiàn)就不是難事了。

? ? ?論文里的算法核心其實說起來也沒啥難的，我就我的理解來簡單的描述下：

? ? ?第一：去暗角可以說是陰影校正的一種特例，而將整副圖像的熵最小化也被證明為進行陰影校正的一種有效方法，但是普通的熵在優(yōu)化過程中會優(yōu)化到局部最優(yōu)的。因此論文中提出了一種對數(shù)熵的概念（Log-Intensity Entropy），論文中用數(shù)據(jù)做了說明，假設(shè)一副普通正常的圖像其直方圖是單峰分布，那么如果這幅圖像有暗角，其直方圖必然會存在另外一個低明度的分布，如下圖所示：

?

　　我們校正暗角的過程就是使低明度的分布向原來的正常明度靠近，由上圖第一行的數(shù)據(jù)可以看到，普通的熵計算直到兩個直方圖有部分重疊的時候熵才會下降，之前熵一直都是增加的，而對數(shù)熵則在沒有重疊前至少是保持不增的，因此能夠更好的獲取全局最優(yōu)解。

? ? ?那么論文提出的對數(shù)熵的計算公式為：

? ? ?首先先將亮度進行對數(shù)映射，映射公式為： ? ??

? ? ? ? ? ? ? ? ? ? ??

　　也就是將[0,255]內(nèi)的像素值映射到[0, N-1]內(nèi)，但不是線性映射，而是基于對數(shù)關(guān)系的映射，通常N就是取256，這樣映射后的像素范圍還是[0,255]，但是注意這里的i(L)已經(jīng)是浮點數(shù)了。我們繪制出N等于256時上式的曲線：

? ? ? ? ? ? ? ? ? ??

　　可見，這種操作實際上把圖像整體調(diào)亮了。

　　由于映射后的色階已經(jīng)是浮點數(shù)了，因此，直方圖信息的統(tǒng)計就必須換種方式了，論文給出的公式為：

? ? ? ? ? ? ?

? ? ? 公式很復(fù)雜， 其實就是有點類似線性插值那種意思，不認(rèn)識了那兩個數(shù)學(xué)符號了，就是向上取整和向下取整。

? ? ? 這樣的對數(shù)熵直方圖信息會由于巨大的色階調(diào)整，導(dǎo)致很多色階是沒有直方圖信息的，一般可以對這個直方圖信息進行下高斯平滑的，得到新的直方圖。

　　最后圖像的對數(shù)熵，計算方法如下：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

　　其中：? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? ?第二：論文根據(jù)資料《Radiometric alignment and vignetting calibration》提出了一個暗角圖像亮度下降的關(guān)系式，而我去看《Radiometric alignment and vignetting calibration》這篇論文時，他的公式又是從《Vignette and exposure calibration and compensation》中獲取的，所以這個論文的作者寫得文章還不夠嚴(yán)謹(jǐn)。這個公式是一個擁有五個未知參數(shù)的算式，如下所示：

? ? ? ? ? ? ? ? ???

　　其中：

? ? ? ? ? ? ??

? ? ?其中，x和y是圖像每一點的坐標(biāo)，而則表示暗角的中心位置，他們和a、b、c均為未知量。

　 ?我們可以看到，當(dāng)r=0時，校正系數(shù)為1，即無需校正。當(dāng)r=1時，校正系數(shù)為1+a+b+c。

? ? ?那么經(jīng)過暗角校正后的圖像就為：

? ? ? ? ? ? ?

　　按照我們的常識，暗角圖像從暗角的中心點想四周應(yīng)該是逐漸變暗的，根據(jù)上式函數(shù)g應(yīng)該是隨著r單調(diào)遞增的（因為我們是校正暗角圖像，所以越靠近邊緣上式的乘法中g(shù)值也就應(yīng)該越大)，因此函數(shù)g的一階導(dǎo)數(shù)應(yīng)該大于0，即：

? ? ? ? ? ? ?

? ? ?同時，我們注意到參數(shù)r的范圍很明顯應(yīng)該在[0,1]之間，這樣上式則可以轉(zhuǎn)換為：

? ? ? ? ? ? ? ??

　　如果令，則上式變?yōu)?#xff1a;

? ? ? ? ? ?

　　根據(jù)二次不等式相關(guān)知識，令：

? ? ? ? ?

? ? ?則論文總結(jié)了滿足下述關(guān)系式的a,b,c就能滿足上述要求了：

? ? ? ??

　　這個我也沒有去驗證了。

? ? ??第三:?上面描述了校正暗角圖像的公式（帶參數(shù)）以及評價一副圖像是否有暗角的指標(biāo)，那么最后一步就是用這個指標(biāo)來確定公式的參數(shù)。我們未知的參數(shù)有5個，即a、b、c以及暗角的中心點。解這種受限的最優(yōu)問題是有專門的算法的，也是非常計算耗時的。因此，作者提出了一種快速的算法：Hill climbing with rejection of invalid solutions.

? ? ? 我稍微看了下這個算法，確實是個不錯的想法，不過我并沒有去實踐，我采用了另外一種粗略的優(yōu)化方式。

? ? ? 首先，很明顯，為了計算這些最優(yōu)參數(shù)，我們沒有必要直接在原圖大小上直接計算，這點在原論文也有說明，我們即使把他們的寬高分別縮小到原圖的1/5甚至1/10計算出來的結(jié)果也不會有太大的差異，而這些參數(shù)的差異對最終的的結(jié)果影響也不大，但是計算量就能減少到原來的1/25和1/100。

? ? ?接著，我們觀察到a、b以及c的最優(yōu)結(jié)果范圍一般都在-2和2之間，并且從g的計算公式中知道，由于r是屬于0和1之間的正數(shù)，r^2, r^4, r^6在數(shù)值遞減的非常快，比如r=0.8,則三者對應(yīng)的結(jié)果就分別為0.64、0.4096、0.2621，因此，a和b及c在公式中的對最后結(jié)果的影響也依次越來越小。

? ? ?那么，我們可以參考以前的對比度保留之彩色圖像去色算法---基礎(chǔ)算法也可以上檔次一文中的優(yōu)化方式，把a, b ,c 三個參數(shù)分別在[-2,2]之間離散化，考慮到參數(shù)稍微差異不會對結(jié)果有太大的影響，以及a、b、c的重要性，我們可以設(shè)置a、b、c三者的離散間隔分別為0.2、0.3、0.4，然后綜合上述判斷a、b、c是否為合理組合的函數(shù)，離散取樣的計算量組合大概有300種可能，對小圖計算著300種可能性的耗時是完全可以接受的，甚至考慮極端一點，把c的計算放到循環(huán)外側(cè)，即C取固定值0，然后計算出優(yōu)選的a和b值后，在計算C值。

? ? ? 上述計算過程并未考慮暗角中心點的范圍，我們是固定把暗角的中心點放置在圖像的正中心位置的，即 (Width/2, Height /2)，實際上，對于大部分拍攝的圖來說，暗角就是位于中心位置的，因此這種假設(shè)也無可厚非，因為暗角中心計算的增加必然會嚴(yán)重增加計算量， 為了求出暗角中心的合理位置，我們在計算出上述a、b、c后，在小圖中以一定步長按照公式計算出粗略的中心位置，再放大到原圖中去。

? ? ? 計算出上述a、b、c以及中心點后，就可以再次按照校正公式來進行校正了，注意暗角的影響對每個通道都是等同的，因此，每個通道都應(yīng)該乘以相同的值。

　　下面貼出一些用論文中的算法處理的結(jié)果圖：

? ? ??? ?

? ? ??? ?

? ? ??? ?

?

? ? ??? ?

? ? ??? ?

? ? ?注意到上面最后一副圖的結(jié)果，那個女的婚紗以及衣服那些地方已經(jīng)嚴(yán)重的過曝了，我不清楚理論上造成整個原因的是什么，但是如果把計算i(L)的公式中的N修改為小一點的值，比如64，則可以避免這個結(jié)果。

? ? ?github上的那個代碼則對這個對數(shù)熵的過程做了一點改造，這個改造相當(dāng)暴力，就是什么呢，他把原來的[0，255]直接量化為8個等級，量化的依據(jù)是整形LOG2函數(shù)，即0->0,[1, 2]->1，[3, 4]->3,[5,8]->4,[9,16]->5,[17,32]->6,[33,64]->7,[65,128]->8,[129,255]->9, 原來的一條曲線映射函數(shù)變成了階躍函數(shù)了。這樣直方圖實際上只有9個值了，那么也不需要什么直方圖插值和高斯模糊了，直方圖則可以用整形表示，相對來說速度也能有很大的提升，并且也能克服上述最后一張圖片出現(xiàn)的那個瑕疵，其結(jié)果如下:

? ????

? ? ? 最后我們貼一些代碼對上述過程予以解釋：

　　 第一個是判斷a、b、c是否為合理值的函數(shù)：

// 按論文中公式18得條件判斷是否是合理的參數(shù) bool IsValidABC_Original(float A, float B, float C) {const int MAX_BRIGHTNESS_MULTIPLICATION = 3;if ((1 + A + B + C) > MAX_BRIGHTNESS_MULTIPLICATION) return false; // 當(dāng)r==1時，出現(xiàn)最大的亮度調(diào)整if (C == 0){if (A <= 0 || (A + 2 * B <= 0)) // 如果C==0，則根據(jù)公式(15)知，當(dāng)r==0時，A必須大于0，而當(dāng)r==1時，A+2B必須大于0return false;}else{float D = 4 * B * B - 12 * A * C;float qMins = (-2 * B - sqrtf(D)) / (6 * C); // 公式(17)float qPlus = (-2 * B + sqrtf(D)) / (6 * C);if (C < 0){if (D >= 0){if (qMins > 0 || qPlus < 1)return false;}elsereturn false;}else{if (D >= 0){if (!((qMins <= 0 && qPlus <= 0) || (qMins >= 1 && qPlus >= 1)))return false;}}}return true; }

　　可見除了文中公式的一些限制，我們還增加了幾個額外的小限制，比如最大亮度調(diào)節(jié)比例為3等等。

??　 第二個是計算指定參數(shù)下計算對數(shù)熵的過程：

// 計算不同參數(shù)修復(fù)后的圖像的整體對數(shù)熵 float CalculateEntropyFromImage(unsigned char *Src, int Width, int Height, float A, float B, float C, int CenterX, int CenterY) {float Histgram[256] = { 0 };float Invert = 1.0f / (CenterX * CenterX + CenterY * CenterY + 1);float Mul_Factor = 256.f / log(256.0f);for (int Y = 0; Y < Height; Y++){unsigned char *LinePS = Src + Y * Width * 4;int SquareY = (Y - CenterY) * (Y - CenterY);for (int X = 0; X < Width; X++){int Intensity = (LinePS[0] + (LinePS[1] << 1) + LinePS[2]) >> 2; // 公式(2)int RadiusSqua2 = (X - CenterX) * (X - CenterX) + SquareY;float R = RadiusSqua2 * Invert; // 公式(12)float Gain = 1 + (R * (A + R * (B + R * C))); // gain = 1 + a * r^2 + b * r^4 + c * r^6 ，公式(11)float Correction = Gain * Intensity; // 直接校正后的結(jié)果值if (Correction >= 255){Correction = 255; // It is possible that, due to local intensity increases applied by devignetting, the corrected image intensity range exceeds 255. Histgram[255]++; // In this case the algorithm simply adds histogram bins at the upper end without rescaling the distribution, }else{float Pos = Mul_Factor * log(Correction + 1); // 公式(6)int Int = int(Pos);Histgram[Int] += 1 - (Pos - Int); // 公式(7)Histgram[Int + 1] += Pos - Int;}LinePS += 4;}}float TempHist[256 + 2 * 4]; // SmoothRadius = 4TempHist[0] = Histgram[4]; TempHist[1] = Histgram[3]; TempHist[2] = Histgram[2]; TempHist[3] = Histgram[1];TempHist[260] = Histgram[254]; TempHist[261] = Histgram[253];TempHist[262] = Histgram[252]; TempHist[263] = Histgram[251];memcpy(TempHist + 4, Histgram, 256 * sizeof(float));for (int X = 0; X < 256; X++) // 公式(8),進行一個平滑操作Histgram[X] = (TempHist[X] + 2 * TempHist[X + 1] + 3 * TempHist[X + 2] + 4 * TempHist[X + 3] + 5 * TempHist[X + 4] + 4 * TempHist[X + 5] + 3 * TempHist[X + 6] + 2 * TempHist[X + 7]) + TempHist[X + 8] / 25.0f;return CalculateEntropyFromHistgram_Original(Histgram, 256); }

　　其中計算熵的函數(shù)為：

// 從直方圖中計算熵值,原論文中直方圖肯定是浮點數(shù) float CalculateEntropyFromHistgram_Original(float Histgram[], int Length) {float Sum = 0;for (int X = 0; X < Length; X++){Sum += Histgram[X];}float Entropy = 0;for (int X = 0; X < Length; X++){if (Histgram[X] == 0) continue;float p = (float)Histgram[X] / Sum;Entropy += p * logf(p);}return -Entropy; }

　　其中

int Int = int(Pos);Histgram[Int] += 1 - (Pos - Int); // 公式(7)Histgram[Int + 1] += Pos - Int;

　　就是公式7所描述的過程的實現(xiàn)。

　　論文中的高斯模糊，我這里只是借助了一個簡單的線性模糊來代替，這個不會對結(jié)果造成本質(zhì)的區(qū)別。

? ? ?最后圖像的校正代碼大概如下：

int Devignetting_Original(unsigned char *Src, unsigned char *Dest, int Width, int Height) {if ((Src == NULL) || (Dest == NULL)) return STATUS_NULLREFRENCE;if ((Width <= 0) || (Height <= 0)) return STATUS_INVALIDPARAMETER;const float Step = 0.2f; //` 粗選A\B\C三個變量的步長float SmallestEntropy = 1000000000000.0f;float A = 0, B = 0, C = 0; int CenterX = Width / 2, CenterY = Height / 2; // 中心就默認(rèn)為圖片中心for (int X = -10; X <= 10; X++) // 多次測試，表面最優(yōu)的A\B\C的范圍均在[-2,2]之間 {for (int Y = -10; Y <= 10; Y++){for (int Z = -10; Z <= 10; Z++){if (IsValidABC_Original(X * Step, Y * Step, Z * Step) == true) // 判斷這個組合時候有效 {float Entropy = CalculateEntropyFromImage(Src, Width, Height, X * Step, Y * Step, Z * Step, CenterX, CenterY);if (Entropy < SmallestEntropy) // 取熵值最小的 {A = X * Step;B = Y * Step;C = Z * Step;SmallestEntropy = Entropy;}}}}}float Invert = 1.0 / (CenterX * CenterX + CenterY * CenterY + 1);for (int Y = 0; Y < Height; Y++){byte *LinePS = Src + Y * Width * 4;byte *LinePD = Dest + Y * Width * 4;int SquareY = (Y - CenterY) * (Y - CenterY);for (int X = 0; X < Width; X++){int RadiusSqua2 = (X - CenterX) * (X - CenterX) + SquareY;float R2 = RadiusSqua2 * Invert; // 公式12float Gain = 1 + (R2 * (A + R2 * (B + R2 * C))); // 公式11 LinePD[0] = ClampToByte(LinePS[0] * Gain); // 增益LinePD[1] = ClampToByte(LinePS[1] * Gain);LinePD[2] = ClampToByte(LinePS[2] * Gain);LinePD += 4;LinePS += 4;}}return STATUS_OK; }

　 ?上面的代碼是未經(jīng)特別的優(yōu)化的，只是表達了大概的意思，并且把暗角的中心點默認(rèn)為圖像的中心點，如果暗角的中心點不是圖像中心，要注意計算r時可能會出現(xiàn)r>1的情況，這個時候一定要注意重置r=1，否則結(jié)果就會完全不對了。

? ??經(jīng)過測試，對于沒有暗角的圖像，一般來說該算法不會對圖片產(chǎn)生很大的影響，很多圖片基本是無變換的，有些可能會有點區(qū)別，也就是整體變亮一點而已，因此，還是有比較好的普適性的。

? ? ?由于論文中的暗角強度減弱公式是根據(jù)一些光學(xué)原理獲得的，其可能并不符合一些軟件自己添加的暗角的規(guī)律，所以如果你用這中測試圖去測試算法，可能不會獲得非常滿意的結(jié)果，

? ? ?算法速度上，經(jīng)過我上面的描述的優(yōu)化后的算法，對于800*600的彩色圖，一般能在15ms左右處理完成，而未優(yōu)化的上述代碼可能要10000ms。?基本上算法的核心代碼為已經(jīng)貼出，這里不共享我優(yōu)化后的快速實現(xiàn)，有能力的朋友自然能快速搞定他們，共享一個測試工程吧。

總結(jié)

以上是生活随笔為你收集整理的图像自动去暗角算法(vegnetting的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。