阅读论文《A New Image Contrast Enhancement Algorithm Using Exposure Fusion Framework》

   一篇传统方法使用多曝光融合做图像增强的论文，感觉很硬核，简要说一下步骤。
   论文注意到不同曝光度的图像可以互相参考，对于低曝光区域，其应当增强，而较好曝光的区域应当被保留。将不同曝光的图像进行融合，可以解决这个问题。曝光基本公式如下:

$$R^c = \Sigma_{i=1}^N W_i \cdot P_i^c$$

其中W是权重，和为1，P是不同的曝光度图像。不同曝光度的图像通过亮度转换函数g改变曝光比例k来生成，这里只将输入图和另一个其调整曝光度的图像做融合，表示如下:

$$R^c = W \cdot P^c +(1-W) \cdot g(P^c,k)$$

   这里对权重进行设置，对高曝光区域的权重要大，对于低曝光区域的权重要小。因为高曝光区域其很可能对比度也比较好，所以权重大一点，这样权重表示为:

$$W = T^{\mu}$$

   其中T是光照图，原始的光照图表示如下:

$$L(x) = \max_{R,G,B} P_c(x)$$

   T应当保持图像的结构信息，同时去除纹理边缘，所以T通过以下方式解出:

$$\min_{T}||T-L||^2_2+\lambda ||M \cdot \triangledown T ||_1$$

解的过程很繁琐，这里不赘述，M是一个窗口函数权重确保内部的纹理值比边缘值要大，具体不表。对于生成另一曝光图像的转换函数g表示如下:

$$g(P,k) = \beta P^{\gamma} = e^{b(1-k^a)}P^{k^a}$$

这里a/b的值是给定的，所以只需要估计k就行了，使得另一个图像在原来图像曝光度不是很好的区域达到不错的曝光度。首先排除曝光度较好的像素值，获得低曝度区域Q，然后获得亮度分量B,其是三个通道分量的几何平均:

$$B = 3\sqrt{Q_r \cdot Q_g \cdot Q_b}$$

   这样其在三个分量上也有相同的转换关系，最佳的k应当提供最大的信息量，即信息熵最大，表示为:

$$H(B) = -\Sigma_{i=1}^N p_i \cdot log_2 p_i$$

   $p_i$是B的第i个bin，N是bin的综述，则k通过最大化信息熵$H(g(B,k))$得到，其他具体见论文。