问题场景

已有影像和其对应Mask（像素级标记主体区域），在已有 几何因子（夹角、距离/分辨率）、完整性因子（大尺寸平面无法被单张影像覆盖）的前提下，尝试在影像质量评价函数中加入 影像本身质量相关的评价因子，特别是对于曝光和离焦的判断，避免使用欠/过曝或者对焦不准的模糊影像进行纹理映射。

我们希望曝光评价因子尽可能 与图像内容无关，即不对图像灰度直方图的形状加以约束。
仅使用图像熵函数，无法正确反映同一色阶曲线左右平移带来的欠/过曝。因此需要增加能反映亮度值本身的物理量。
不同视角下图像内容的变化 会对亮度分布、熵和梯度造成影响。
特别是当角度刁钻时，未建模的物体拉花严重，在图像上占据更多的面积，导致熵/梯度快速增大，是一种伪信息。（待验证：梯度会比熵更加敏感？）
熵可以部分程度反映图像清晰度。
这加入了另一个考虑因素：模糊度评价。理论上，我们想要找到曝光正确、对焦清晰的图像，这可以转换为寻找熵大+NRSS大的图像。经过实验我们发现，对于尺度变换 NRSS会比熵更不稳定。
对于NRSS，当主体在图像中占比较小即单个像素空间分辨率较大时，NRSS会比应有值更小，误认为图像很清晰。这可能是因为NRSS在生成参考影像的过程中，空间分辨率较大的影像高斯滤波前后变化更小，相似度更高。对于熵，空间分辨率大的影像意味着可能合并了相邻灰度级，会导致熵减，恰恰和我们尽可能选择分辨率较小的清晰图像的目标一致。

数字图像处理

基本统计量

灰度均值方差
梯度均值方差
梯度幅值
直方图
图像熵p·log(p)
SSIM / NRSS

色彩空间变换

RGB
转单通道灰度图像
mean = 225.7 stddev = 47.5mean = 158.5 stddev = 33.2
转灰度梯度域
gradMean = -0.0008297 / -0.000157461
gradVar = 9.94899 / 5.40874
HSV 分离色相
YCrCb 分离亮度
opencv中cv::COLOR_BGR2GRAY coeffs = { 0.299f, 0.587f, 0.114f } 正是BGR2YCrCb中luma(Y)的计算方法，即灰度通道为亮度通道

亮度变换函数

校正欠 / 过曝光

1×1
对数变换 log(1+x) 压缩动态范围
对比度拉伸函数 1/(1+(thre/x)^e) 压缩thre两侧（低/高频）

直方图均衡化（变换后为的概率密度函数是均匀的，变换函数为概率累积分布函数）但是处理离散灰度级时，会出现 均衡后直方图非均匀 的情况，特别是当灰度十分集中在一个区域时

直方图匹配（很难预先指定直方图）
1×n n×n
高斯/拉普拉斯滤波

白平衡

处理偏色（色温）寻找图像中的纯白

基于灰度世界
动态阈值

考虑欠/过曝的图像质量评价指标

自动曝光算法

传统自动曝光系统
将 整幅图像的亮度均值 与预设参考值比较来进行曝光控制
当对象主体与背景反差过大时不适用（背光/正面强光）
可对图像预先分区统计亮度值，但无法灵活处理目标实际位置
基于直方图统计
利用多阈值区分主体和背景并进行相应的曝光补偿
或者由直方图分布设计亮度统计量
基于图像熵
认为在正常光照下的熵最大，欠/过曝光时图像信息都会有所损失
基于梯度
机器学习
与各种典型场景的亮度值对应
部分结合人脸识别技术，能对人脸部分准确自动曝光