专利名称：图像阴影和高光的自动局部调整的制作方法
图像阴影和高光的自动局部调整
背景技术：
众所周知，人眼同时感知明亮和昏暗的区域的细节的能力与传统的图像捕捉设备不匹配。结果，摄影师通过肉眼可以感知到一个场景在明亮的和昏暗的区域都有细节，但是，当摄影的时候，所得到的该同样场景的照片可能包含“溢出的”、缺乏细节的明亮的区域，并可能包含类似太暗的、并且同样缺乏细节的黑暗的区域。专业的摄影师很清楚这个缺陷并通过可在捕捉图像之前实施的各种手段来预防这一点。反之，业余摄影师往往并不清楚他们的图像捕捉设备的这些局限性，结果，捕捉到的图像缺乏细节。随着数字图像捕捉和数字图像处理技术的到来，在图像被捕捉之后可应用各种机制来改进图像的明亮或者昏暗区域的细节的缺失。典型地这些机制被称作“高光和阴影”处理。在多数数字图像编辑软件应用程序中可找到手动的高光和阴影处理功能。然而，由于这些程序提供的高光和阴影处理是由用户手动调节的，改进给定图像的能力直接取决于该 用户熟练地有见识地使用这些功能的能力。不幸的是，起初不很了解如何避免照出这种照片的用户事后同样不大可能熟练运用高光和阴影处理来修复这些照片。认识到此二分性，ー些数字图像编辑软件应用程序提供自动的高光和阴影处理，通常称作“自动曝光”。然而，这种自动处理对整个数字图像运用同样的修正。这些自动处理没有尝试区分数字图像的哪些区域代表高光、哪些区域代表阴影，并区分对待这些区域，或对这些不同的区域运用不同的修正。相反，这种自动的高光和阴影处理笼统地基于整个图像来决定要运用的数字修正，并将这些修正运用到整个图像中。
发明内容
在一个实施例中，自动高光和阴影处理在数字图像上局部地实施，这样该数字图像的各个区域可对其运用不同的高光和阴影处理。在另ー个实施例中，生成一个模片(mask)来识别代表数字图像的高光区域的那些数字图像部分以及识别代表数字图像的阴影区域的那些数字图像部分。这个模片可通过对被处理的数字图像运用高斯模糊来生成，从而将微小细节用与其环境同样的方式来分类。此外，高斯模糊的结果可与原始图像混合以保留识别为高光的区域和识别为阴影的区域之间的锐利转变。在进ー步的实施例中，自动运用的高光和阴影处理可以基于可以从ー个或多个光度直方图中导出的目标集合，所述光度直方图包括针对整个数字图像的光度直方图和分别表示阴影区域和高光区域的各自的光度直方图。光度直方图的平均值、方差值和其它矩值可被用来生成目标矩值，包括目标平均值和目标方差值。之后高光和阴影区域可被自动地处理直至至少有ー个矩值达到了目标矩值。在又一实施例中，从光度直方图的已有的矩值中导出目标矩值的机制可从数字图像的參考集合中获得。数字图像的參考集合可以被手动调整，以优化这些数字图像的高光和阴影区域的细节的显示。包括各自代表阴影区域和単独代表高光区域的直方图的原始图像的光度直方图可与手动修正过的图像的光度直方图进行比较。从这种比较中，能够获得从原始矩值导出目标矩值的机制。提供本发明内容部分以简化的形式介绍概念的选择，在下面具体实施方式
中其将被进ー步描述。本发明内容并不g在识别所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。其它特征和优点将通过下面通过參考附图进行的具体描述而变得清楚。
结合附图，下述具体描述可以被最好地理解，其中
图I是图像的阴影和高光区域的示例性自动和局部调整的框图； 图2是用于自动识别图像的高光和阴影区域的模片的示例生成的框图； 图3是对图像的闻光和阴影区域的不例加权的不意 图4是以局部的方式自动调整图像的阴影和高光区域的示例机制的框 图5是生成原始图像的直方图矩和目标直方图矩之间的函数关系的示例机制的流程
图6是以局部的方式自动调整图像的阴影和高光区域的示例机制的流程图；及 图7是示例计算设备的框图。
具体实施例方式下述说明涉及以局部的方式自动调整图像的阴影和高光区域的机制。可生成自动将数字图像的局部区域识别为高光区域或阴影区域的模片。随后，不同的处理可自动地分别运用到高光区域和阴影区域。可对整个图像、以及分别在高光区域和阴影区域的那些数字图像部分获取光度直方图。包括例如均值和方差的那些直方图的矩可与目标矩进行比较，并且可继续分别对高光区域和阴影区域运用处理，直至达到ー个或多个目标矩。可以基于图像參考集合的先期手动优化生成的关系从原始图像直方图的原始矩中生成目标矩。为了举例，此处所述的技术參考単一静态数字图像。然而，这些參考的确是示例性的，而非g在将所描述的机制限定到静态数字图像的处理。事实上，所描述的技术同样可适用于任何ー个或多个数字图像或数字图像的序列，包括数字电影和其它动态数字图像内容中发现的那些。此外，此处所描述的技术也同样可适用于数字图像，而不管这些数字图像是以何种方式捕捉到的，包括通过数字摄像机捕获的数字图像、模拟图像的数字扫描及生成的数字图像。虽然并不要求，以下描述将在由计算设备执行的比如程序模块的计算机可执行指令的常规背景中进行。更具体来说，除非另作说明，所述描述将參考由ー个或多个计算设备或外围设备实施的动作或操作的符号表示。同样地，要理解的是，有时被称为是计算机执行的这些动作和操作包括以结构化形式表示数据的电子信号的处理单元进行的处理。这种处理对数据进行转换或将其保存在存储器中某处，它以本领域技术人员周知的方式重新配置或其他方式改变计算设备或外围设备的操作。保存数据所用的这些数据结构是具有由数据格式定义的特定属性的物理位置。通常，程序模块包括实施特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。此外，本领域技术人员将理解所述计算设备无需局限于传统的个人计算机，它包括其它计算配置，包括手持设备、多处理器系统、基于微处理器的或可编程的消费电子产品、网络PC、小型计算机、大型机等。类似地，所述计算设备无需局限于独立的计算设备，因为所述机制也可以在分布计算环境中实践，在分布计算环境中，任务由通过通信网络连接的远程处理设备执行。在分布计算环境中，程序模块可以置于本地和远程记忆储存设备这两者中。翻到图1，展示了系统100，其包括示例性的数字图像110和示例性的自动校正的数字图像130。通过对图像110和130的视觉比较可以看出，自动校正的图像130改善了例如原始图像110中看上去昏暗的、缺乏细节的那些区域的阴影区域的细节呈现。运用到原始图像110的调整可以按动作120所示的自动的方式来运用。在一个实施例中，运用到原始图像110的由动作120所表示的自动校正可以以局部的方式运用，从而实施到原始图像110的比如由椭圆116和118大致勾画的区域的阴影区域的调整可以使得这些区域的细节能被显现，比如自动校正的图像130中所显示的那样，而同时在原始图像110的比如由椭圆112和114大致勾画的区域的高光区域仅运用最小的调整，从而保留原始图像110中的那些区域中已经显示的细节。本领域技术人员将认识到，如果没有运用这种局部调整，而是 动作120所表示的对原始图像110的调整被全局地运用到整个图像，那么得到的图像要么会保留基本缺乏细节的阴影区域，要么会导致高光区域太亮且失去这些区域中原本存在的细节。翻到图2，系统200说明了一个示例性的机制，用于识别数字图像中的哪些像素或其它量要被当作图像的具体的、局部的区域或方面的部分，例如，哪些像素要被当作图像的高光区域或阴影区域的部分。系统200參考包括高光区域211和阴影区域216的简化的、示例性的图像210说明了一个这样的示例性机制。此外，为了说明这ー个示例性机制，该简化的、示例性的图像210包括高光区域211中的细节212和213，及阴影区域216中的细节217和218。本领域技术人员将认识到，为了确定哪些像素要接收特定于高光的调整，高光区域211中的细节212和213的像素应被当作高光区域211的一部分，即使这些像素可能在光度上比该高光区域211中的其它像素要暗得多。类似地，为了确定哪些像素要接收特定于阴影的调整，阴影区域216中的细节217和218的像素同样应被当作阴影区域216的一部分，即使这些像素可能在光度上比该阴影区域216中的其它像素要亮得多。因此，从图像210中导出模片，它能够用于将图像210中的每个像素分配作为高光区像素、阴影区像素或其某种组合，细节212和213及周围区域211之间的光度差异、以及细节217和218及周围区域216之间的差异可被減少。在一个实施例中，为了减少这种光度上的差异，可以在图像210中运用高斯模糊，如动作220所示。本领域技术人员将认识到，比如动作220所示的高斯模糊的运用通俗地说能够使各种细节212、213、217和218分别“淡入”到它们的周围区域211和216中。因此，如图2的系统200所示，通过将比如动作220所示的高斯模糊运用到示例性的图像210中可以得到的示例性的图像230，可包括对应于示例性图像210的高光区域211的高光区域231和对应于示例性图像210的阴影区域216的阴影区域236。在高光区域231中，对应于示例性图像210中的细节212和213的细节232和233在得到的图像230中可以更加扩散，致使细节区域232和233更大，这些区域的每ー个在它们与周围高光区域231之间的光度上的区别更小。类似地，在阴影区域236中，对应于示例性图像210中的细节217和218的细节237和238在得到的图像230中可以同样更加扩散，也致使细节区域237和238更大，这些区域的每ー个在它们与周围阴影区域236之间的光度上的区别更小。细节区域，比如细节区域232、233、237、238，与其周边区域(比如高光区域231和阴影区域236)各自的光度之间差别的减少可以使得得到的图像230作为模片来使用，该模片可用于识别属于高光区域的那些像素和属于阴影区域的那些像素，包括识别更大的高光区域和阴影区域内的细节区域的像素，这将在下面进ー步详述。本领域技术人员将认识到，比如动作220所示的高斯模糊的运用典型地要求指定所运用的高斯模糊的半径。在一个实施例中，动作220运用的高斯模糊可以具有介于被运用高斯模糊的图像210的尺寸的2%到10%之间的半径。经验测试显示高斯模糊的半径为被运用高斯模糊的图像的最小尺寸的4%时效果好。本领域技术人员将认识到，这里用到的术语“半径”意为用作高斯滤波器核心的高斯分布的标准偏差。在图2的系统200所示的特定例子中，示例性图像210形状是长方形的，因此其高度尺寸比宽度尺寸要长。因此，在这个特定的例子中，动作220运用的高斯模糊可以具有是示例性图像210的宽度的4%的半径。在一个实施例中，为了优化性能，可以利用三或四个继发方形模糊有效地近似大核心高 斯模糊。比如图2的示例系统200所示，示例性图像210包括在高光区域211和阴影区域216之间的精确的轮廓215。不幸的是，动作220所示的高斯模糊的运用不仅能够以上面详细描述的方式模糊细节区域，也可造成图像230的高光区域231和阴影区域236之间的扩散的或模糊的过渡235。在细节区域的情况下可能期望这些区域的模糊以及这些区域和它们周边区域之间的光強度差别的減少，与细节区域的情况不同，在过渡235的情况下，可能更期望保留精确的轮廓，比如轮廓215，而不是模糊的轮廓235。例如，本领域技术人员将认识到，过渡235的模糊可能导致对高光区域侧上的像素运用以阴影为中心的处理，以及类似地，对阴影区域侧上的像素运用以高光为中心的处理。发生这一事件的视觉影响可能是过渡235附近区域中的“光晕”或其它类似的视觉伪像。在一个实施例中，为了消除在高光区域和阴影区域之间恰当过渡的区域中的这种模糊(而不仅仅在高光区域或阴影区域内的细节)，可以运用混合，使得可以从示例性图像210中保留锐利轮廓215，同时得到的图像230的其它区域中存在的模糊因上述有益的理由而另外被保留。因此，如图2的示例系统200的混合动作240所示，可生成混合图像250，其包括光強度上模糊而较不清晰的来自结果图像230的细节区域232、233、237和238，同时也保留了来自示例性图像210的锐利轮廓215。一个实施混合动作240的示例性机制可以是简单保留得到的图像230中除了动作220所运用的高斯模糊的梯度接近其理论最大值处的区域之外的区域。在这些区域中，可以转而使用示例性图像210的对应部分。例如，混合图像250可表达为示例性图像210和对示例性图像210运用动作220的高斯模糊后所得到的结果图像230的数学組合。这ー表达的形式可以是混合图像=高斯图像+ (原始图像一高斯图像)X
白おま值。本领域技术人员将认识到，在上面的表达式中称作“高斯图像”的得到的图像230中梯度量值很小或接近于零的区域中，比如高光区域231和阴影区域236的大部分中，上述表达式变成混合图像=高斯图像+ (原始图像一高斯图像)X 襟^·畺夏’
其简化为混合图像=高斯图像+ O =高斯图像。反之，在得到的图像230的梯度量值接近其理论最大值的区域，比如在过渡区域235，上述表达式变成混合图像=高斯图像+ (原始
图像一高斯图像)X g自^,其简化为混合图像=高斯图像十(原始图像一高斯图
像)Xl =原始图像。因此，如混合图像250所示，高光区域251和阴影区域256之间的过渡255可几乎等同于示例性图像210中的过渡215，而细节252、253、257和258，以及高光区域251和阴影区域256几乎可以分别等同于来自得到的图像230的细节232、233、237和238，以及高光区域231和阴影区域236。如前面指出的，图2的示例性系统200所示的动作的目的是生成可用于识别像素是属于高光区域、阴影区域或其某种组合的模片。在一个实施例中，混合图像250的光強度可被用作模片，并由此实施将每个像素分配作为高光区域像素、阴影区域像素或其某种组 合。例如，如果图像250的光度是基于范围从O到I的标准尺度考虑的，其中零值代表没有光度，或绝对的黑，值一代表可能的最高光度，或绝对的白，像素的光度值可被认为是像素分配到高光区域的指示，反之，一减去该像素的光度值所得到的值可被认为是该像素分配到阴影区域的指示。例如，区域252中可以具有高光度值但还不是光度值I的例如光度值O. 75的像素，可被认为75%分配到高光区域，或75%是高光区域的一部分，及25%分配到阴影区域，或25%是阴影区域的一部分。如下面将进ー步详细描述的，这ー确定可以使得运用到高光区域的修正仅有75%能运用到上述示例性像素中，并进一歩使得运用到阴影区域的修正仅有25%能运用到上述示例性像素。当图像250的光強度可以被直接用作将每个像素量化为高光区域像素、阴影区域像素或其某种组合的模片，在另ー个实施例中，像素属于高光区域、阴影区域或其某种组合的加权可以略微修改以产生高光和阴影区域的更具视觉吸引力的自动增强和调整。例如，如图3所示的曲线图300示出了存在于比如混合图像250中的光度值与分配给具有这些光度值的像素的得到的阴影和高光加权之间的一个示例性的非线性转换。通过示例，虚线311和321代表上述的直接的加权。例如上述示例性像素在曲线图300的光度轴320上的位置337处有ー个光度，如图3所示。如前面所指出的，这ー示例性像素可被分配为25%属于阴影区域，如直接的、线性阴影加权函数341上的点366所示，并可被分配为75%属于高光区域，如直接的、线性高光加权函数351上的点365所示。另ー个实施例考虑采用分段的、非线性的加权函数，比如曲线图300中所示的加权函数340和350，而不是从上述比如加权函数341和351所示的直接的、线性加权中生成加权(通过该加权特定像素被考虑作为阴影区域、高光区域或其某种组合的一部分)。更确切地说，为了改善视觉外观，可以选择建立黒点光度332，使得光度低于该黑点光度332的像素被加权为100%属于阴影区域。类似地，同样为改善视觉外观，也可以选择建立白点光度338，使得光度高于该白点光度338的像素被加权为100%属于高光区域。因此，如曲线图300所示，阴影加权函数340可以是分段的函数，其可导致光度值低于黒点光度值332的所有像素被分配100%属于该阴影区域的加权。类似地，同样如曲线图300所示，高光加权函数350同样可以是分段的函数，其可导致光度值高于白点光度值338的所有像素被分配100%属于该高光区域的加权。黒点光度值332和白点光度值338可以独立地建立。例如，在一个实施例中，黒点光度值332可以简单地设为光度值零。在另ー个实施例中，黒点光度值332可被设置为与原始图像110 (如图I所示)暗电流均值相等。类似地，在一个实施例中，白点光度值338可以简单地设为光度值一。在另ー个实施例中，白点光度值338可设为与原始图像110(如图I所不)光度范围中的最闻值相等。在一个实施例中，分段的高光加权函数350可以从高光限制光度值336线性地向前面所述的白点光度值338前进。该高光限制光度值336可以与阴影限制光度值334 —起设立，使得只要高光限制光度值336大于阴影限制光度值334，就不会有像素被加权成同时属于阴影区域和高光区域。然而在其它实施例中，高光限制光度值336可被设置为小于阴影限制光度值334。事实上，如下面将进ー步描述的，这些实施例可以提供视觉上更好的结果。如图3的曲线图300所示，高光限制光度值336可以是这样选择的光度值其使得具有大于高光限制光度值336的光度值的所有像素至少在某种程度上被加权为属于高光区域。 更通俗地说，高光限制光度值336可以是像素所能具有的、且尚未被加权为(即使部分地被加权为)属于高光区域的最高光度值。结果，分段的高光加权函数350可以对光度小于或等于高光限制光度336的所有像素运用零高光加权，然后线性地增加运用到具有介于高光限制光度值336和白点光度值338之间的光度值的那些像素的高光加权，然后将100 %的高光加权运用到具有大于或等于白点光度值338的光度值的所有像素。在数学上，将像素加权
f/ / -Sr _ - -^jAge ill \ XsI
为属于高光区域可被表达为=Min卜Μ χ|湯·)J 。按照类似方式，阴影加权函数340可以是分段函数，它可以对具有大于或等于阴影限制光度值334的光度的所有像素运用零阴影权值，并且可以将100%的阴影加权运用到具有小于或等于黑点光度值332的光度的所有像素。因此，通俗地说，像高光限制光度336 一祥，阴影限制光度334可以被认为是像素所能具有的、且尚未被加权为(即使部分地被加权为)属于阴影区域的最低光度值。如下面将进一歩指出的，虽然阴影限制光度334被显示为低于高光限制光度336，从而使得没有像素被加权为(或至少部分地被加权为)属于阴影区域和高光区域这两者，但阴影限制光度334可以独立于高光限制光度336而设置，并可设置为高于高光限制光度336。回到阴影加权函数340，阴影加权函数340并非以线性的方式从黑点光度值332降低到阴影限制光度值334，而是可以以非线性的方式降低，比如曲线图300中所示那样。例如，阴影加权函数340可以以与光度值的平方成反比的方式降低，使得运用到光度值在黑点光度值332和阴影限制光度值334之间的像素的阴影加权以曲线图300所示的方式从100%降到0%。从数学上，将像素加权为属于阴影区域可表达为
Γ f f亮度一高光眼制Min I’ Max O, .g:尸..；か..,画- ο如所示，经验证据表明运用到给
\— J
定像素的阴影加权的这样ー个抛物线下降可以产生视觉上更吸引人的結果。在一个实施例中，阴影限制光度值334可以被设置为低于高光限制光度值336的光度，比如例如图3的示例性曲线图300所示。在这样ー个实施例中，如前面所指出的，将没有像素被加权为属于高光区域和阴影区域这两者。事实上，光度值高于阴影限制光度值334且低于高光限制光度值336的像素将不会被加权为属于阴影区域或高光区域。然而在另ー个实施例中，阴影限制光度值334可以独立于高光限制光度值336而设置，使得阴影限制光度值334可以高于高光限制光度值336。本领域的技术人员将认识到，在这样ー个实施例中，光度值高于高光限制光度值336但低于阴影限制光度值334的那些像素将至少部分地被加权为属于高光区域和阴影区域这两者。例如，高光限制光度值336可以被设置为等于黒点光度值332，从而提供可以类似于直接的、线性高光加权函数351的高光加权函数350，例外的是对于光度值小于黒点光度值332 (仍可以加权为不属于高光区域)的像素和光度值大于白点光度值338 (仍可被加权为整体属于高光区域)的像素来说，高光权值函数350仍然可以是分段的。作为另ー 个例子，阴影限制光度值334可以被设置为当利用规则的阈值算法时判定是高光区域像素的那些像素的平均光強度值。在一个实施例中，该阈值算法可以是最小化高光类或阴影类的类内方差同时最大化高光和阴影类之间的类间方差的阈值算法。图300描述了ー个从比如上述的模片来识别应该对其运用加权的特定于高光的调整的那些像素、应该对其运用加权的特定于阴影的调整的那些像素和应该对其运用其某种加权组合的那些像素的示例性机制。本领域技术人员将认识到，能够被运用的一类调整可以由给定输入条件定义输出结果的色调曲线来描述。因此，一个色调曲线可以描述运用到阴影区域的调整，而另ー个独立确定的色调曲线可以描述运用到高光区域的调整。通过这种方式，运用到原始图像110 (如图I所示)的调整可以以局部的方式来运用，其中运用到阴影区域的调整与运用到高光区域的调整不同。如前所述，运用到比如原始图像110 (如图I所示)的图像的调整的目的是改善太暗的阴影区域中细节的显示和太亮的高光区域中细节的显示，例如由经验不足的摄影者拍摄的照片中发现的高光区域和阴影区域。以上描述示出了可以将原始图像中的特定像素识别为至少部分地属于高光区域和至少部分地属于阴影区域的几种机制，以允许运用到这些区域中每ー个区域的不同调整，从而允许局部调整。下面详述的调整在像素的“亮度”和能对该亮度作出的变更的上下文中描述。本领域的技术人员将知道，确定像素在红、緑、蓝(“RGB”)色彩空间中的亮度值的一个传统机制可被表达为亮度=O. 299XR + 0. 587XG +O. 114XB，其中变量“R”、“G”、“B”分别代表红、绿、蓝色值。然而，同样将被本领域技术人认识到的是，也可利用替代的亮度确定公式。例如，在另ー个实施例中，亮度值可简单地为红、绿或蓝色值的最大值。为改善高光区域和阴影区域中的细节显示，作为高光区域或阴影区域的部分背景的像素的亮度值以及包含试图使其更加可见的高光区域或阴影区域细节的像素的亮度值之间的差别可以被増大。可以提供过于简化的例子，说明将阴影区域像素的亮度值増加比如増益因子为2的简单增益的效果。在这样ー个过于简化的例子中，构成昏暗背景的、例如亮度值约为O. I的像素将被调整増益因子，以具有约为O. 2的亮度值，而构成阴影区域的细节的、亮度值例如介于约为O. 15到O. 2之间的像素将被调整増益因子，以具有约为O. 3到O. 4的亮度值。结果，可以从这个过于简化的例子中看出，如果构成昏暗背景的那些像素和构成细节的那些像素之间的原始光度值的差仅为O. 05，将很难将构成细节的像素与构成背景的像素进行很好地区分。然而，在这个过于简化的例子中运用增益因子之后，构成昏暗背景的那些像素和构成细节的那些像素之间的最終光度值的差不再只是O. 05，而是至少差为O. I或高达O. 2,从而使得细节能被容易地感知到。为改善高光区域的细节显示，包括明亮背景的像素的亮度值和包括细节的像素的亮度值之间的差同样可以増加，例外的是，与其中亮度差的这种增加可通过增加包括细节的像素的亮度来实现的阴影区域的情况不同，在高光区域，这种亮度差的増加可通过减少包括细节的像素的亮度同时保持或以较小的比率減少包括背景的像素的亮度来实现。总的来说，像素亮度的调整，或者事实上对像素的任何视觉调整可以通过比如可将输入亮度映射到修正的输出亮度的色调曲线的形式来表示。本领域技术人员将认识到，这种色调曲线的形状可被弯曲，使得増大包括背景的像素亮度和包括细节的像素亮度之间的差。例如，可以运用到阴影区域的色调曲线可以被弯曲，使得可改变阴影区域内包括较明亮的细节的像素的亮度，从而这些像素相比于该阴影区域内包括较昏暗背景的像素亮度来说更加突出。类似地，可以运用到高光区域的色调曲线可以被弯曲，使得改变高光区域内包括较明亮的背景的像素的亮度，从而该高光区域内包括较昏暗的细节的像素亮度相比于较明亮的背景来说能够更加突出。在一个实施例中，色调曲线可以局部地运用到阴影区域来调整该区域内的
#月影区域中的増强畺+1)X亮度
权利要求
1.ー种通过以局部的方式自动调整数字图像(110)来生成改善的图像的方法，所述方法包含步骤 生成模片，其将数字图像(110)的高光区域区别于所述数字图像的阴影区域勾画出来； 生成所述数字图像(I 10)的ー个或多个直方图(480)； 从所述数字图像(I 10)的ー个或多个直方图(480)中生成ー个或多个矩(490)； 从ー个或多个矩(490)中生成ー个或多个目标矩(495)； 对所述数字图像(110)中由所述模片勾画的区域运用调整以获取调整的图像(130)；对应于从所述数字图像(110)中生成的所述ー个或多个直方图(480)的至少ー些，生成所述调整的图像的一个或多个调整的直方图； 从所述一个或多个调整的直方图中生成一个或多个调整的矩；所述ー个或多个调整的矩对应于从所述ー个或多个直方图(480)中生成的矩(490)中的至少ー些；及 如果所述调整的矩没有一个等于对应的目标矩(495)，则在调整比先前运用的调整更大的情况下重复所述运用调整、所述生成所述ー个或多个调整的直方图、及所述生成所述一个或多个调整的矩。
2.根据权利要求I所述的方法，其中所述生成模片包括对所述数字图像运用高斯模糊，并从所述高斯模糊和所述数字图像的混合生成所述模片，所述混合在高斯模糊的数字图像上的、高斯模糊的梯度接近于其理论最大值的区域中強化所述数字图像。
3.根据权利要求I所述的方法，其中所述生成ー个或多个直方图包括生成仅针对所述数字图像的高光区域的高光区域直方图以及仅针对所述数字图像的阴影区域的阴影区域直方图。
4.根据权利要求I所述的方法，其中所述生成ー个或多个矩包括生成所述ー个或多个直方图的个体的均值及所述ー个或多个直方图的个体的方差。
5.根据权利要求I所述的方法，进ー步包括步骤如果所述调整的矩的至少ー个等于对应的目标矩，则在区域与先前调整所运用的先前区域不同的情况下重复所述运用调整、所述生成所述ー个或多个调整的直方图及所述生成所述ー个或多个调整的矩。
6.根据权利要求I所述的方法，其中所述重复是对高光区域和阴影区域交替实施的。
7.根据权利要求I所述的方法，进ー步包括步骤即使所述调整的矩的至少ー个等于对应的目标矩，也在调整比先前运用的调整更大的情况下重复所述运用调整、所述生成所述ー个或多个调整的直方图及所述生成所述ー个或多个调整的矩，以确定是否所述重复将导致更多的调整的矩等于对应的目标矩。
8.根据权利要求I所述的方法，其中所述生成所述ー个或多个目标矩包括 针对參考图像集合中的每个參考图像生成模片，所生成的模片将參考图像的高光区域区别于所述參考图像的阴影区域勾画出来； 针对所述參考图像集合中的每个參考图像生成ー个或多个參考图像直方图； 针对所述參考图像集合中的每个參考图像从所述一个或多个參考图像直方图中生成一个或多个參考图像矩； 手动优化所述參考图像集合中的每个參考图像的视觉外观以增强所述高光区域和所述阴影区域的细节；针对所述參考图像集合中的每个手动优化的參考图像生成一个或多个优化的直方图； 针对所述參考图像集合中的每个參考图像从所述一个或多个优化的直方图中生成一个或多个优化的矩； 生成所述ー个或多个矩的个体与所述ー个或多个优化的矩的对应个体之间的函数关系；及 利用所生成的函数关系从所述ー个或多个矩中生成所述ー个或多个目标矩。
9.一种或多种计算机可读媒介，包含用于实现权利要求I的步骤的计算机可执行指令。
10.ー种生成原始直方图矩和目标直方图矩之间的函数关系(470)的方法，所述方法包括步骤 针对參考图像集合(410)的每个參考图像生成模片，所生成的模片将參考图像的高光区域区别于參考图像的阴影区域勾画出来； 针对所述參考图像集合(410)的每个參考图像生成ー个或多个直方图(420)； 针对所述參考图像集合(410)的每个參考图像从所述ー个或多个直方图(420)中生成ー个或多个矩(430)； 手动优化所述參考图像集合(410)中的每个參考图像的视觉外观以增强所述高光区域和所述阴影区域的细节； 针对所述參考图像集合中的每个手动优化的參考图像生成一个或多个优化的直方图(450)； 针对所述參考图像集合中的每个參考图像从所述一个或多个优化的直方图(450)中生成ー个或多个优化的矩(460);及 生成所述ー个或多个矩(430)的个体与所述ー个或多个优化的矩(460)的对应个体之间的函数关系(470)。
全文摘要
图像的阴影和高光区域可以以局部的方式被自动地优化。可以生成模片，它可以自动地将数字图像的局部区域识别为高光区域或阴影区域。随后对高光区域和阴影区域可分别自动地运用不同的处理。可以获得针对整个数字图像的亮度直方图、以及数字图像中分别位于高光区域和阴影区域的那些部分的亮度直方图。这些直方图的矩，包括均值和方差，可以与目标矩进行比较，可以继续分别对高光区域和阴影区域进行处理直到实现一个或多个目标矩。目标矩可以基于先前对图像的参考集合进行手动优化而生成的关系从原始图像直方图的原始矩生成。
文档编号G06T5/40GK102693532SQ201210045349
公开日2012年9月26日 申请日期2012年2月27日 优先权日2011年2月25日
发明者D.德曼多尔克斯 申请人:微软公司