当前位置: 首页 > news >正文

直方图靠右曝光


一、直方图靠右曝光说明
1.尽量通过直方图来指导向右曝光
2.并且保证亮部不溢出的前提下进行向右曝光,以获得更高的信噪比图像
3.指导“向右曝光”即在亮部不溢出的前提下让直方图尽量靠右分布,以获得更高信噪比的图像信息
4.相机记录光线时,传感器接收的光子越多,信号就越强,而噪声(如散粒噪声、读取噪声)相对更小,因此信噪比更高。
5.通过增加曝光使直方图整体向右移动(画面更亮),只要最右边的高光部分不超出边界(不溢出),后期再拉暗,就能保留更多暗部细节和更少噪点。也就是“在保证亮部有细节的前提下,尽可能多地曝光”

二、指导“向右曝光”,获得更高信噪比
1.在保证高光(最亮的部分)不溢出的前提下,故意让直方图的形状整体尽量往右靠。也就是说,把画面拍得比正常亮度看起来更亮一些,但绝不允许右边“撞墙”(溢出)。
2.信号:就是正常的光线信息
3.噪声:就是画面中那些颗粒状的噪点,尤其是暗部更明显
4.传感器接收到的光线越充足,信号就越强,相比之下噪声就显得非常微弱。所以,曝光越充足,画面越干净。
5.“向右曝光”就是给传感器“喂”更多的光。拍出来的原片会很亮,甚至看起来有点过亮,但因为右边没溢出,所有高光细节都还在。后期时你再把整体亮度压暗到正常水平,这时候你会发现:暗部的噪点比正常曝光要少得多,画质更纯净。
6.向右曝光通过让传感器接收尽可能多但不溢出的光子,把整个画面,尤其是暗部,强制纳入高信号的物理优势区,从根本上压制了光的散粒噪声并淹没了电路的读出噪声,在拍摄环节就锁定了一个极高的信噪比。后期再线性压暗,只是同步压缩信号和已被压制的噪声,最终呈现出暗部细节极其干净、纯净的图像。

三、为什么曝光更加充足能够提高信噪比
1.噪声的来源
主要是光子散粒噪声和读出噪声
光子散粒噪声(光的量子特性,与信号平方根成正比,信噪比=信号/√信号 = √信号,信号越强信噪比越高);读噪声(传感器和电路产生的固定噪声,与信号强度无关);还有暗电流等

http://www.cnnetsun.cn/news/3174567.html

相关文章:

  • AI大模型学习指南:从Transformer到RAG与LoRA的体系化入门
  • ASP.NET 首页性能的十大做法
  • 企业级知识库搭建全流程:从数据清洗、向量化存储到RAG问答系统落地
  • 构建Apple Music级动态歌词体验:从架构设计到性能优化的完整技术指南
  • 《智人之上》第四章「错误:绝对正确是一种幻想 」读后总结
  • 实战指南:如何用OBS RTSP服务器插件构建专业级流媒体分发系统
  • Windows XP Mode for Windows 7
  • 没有详细的统计过大家的解法
  • 昭通高口碑黄金回收白银回收
  • 明日方舟自动化助手终极指南:5个智能技巧彻底改变你的游戏体验
  • 亲测工业制造GEO优化效果真的值吗?
  • NumPy基础:科学计算入门
  • 知识加工模块与博客工厂模块的状态重新定义
  • C# GeneratedRegex:面向对象语言的“底层性能突围
  • Codex Windows Sandbox 启动失败:CreateProcessAsUserW failed: 2 的原因与修复
  • SnapClick 1.1.1 更新速递:右键秒开 / 多编辑器打开 / 录屏 HUD / 毛玻璃透明度
  • 2-1注释,数据类型,与input的使用方法
  • 新闻项目---项目结构
  • 卡梅德生物技术快报|构建噬菌体肽库:全质粒 PCR 克隆优化、NGS 序列偏倚分析与淘选数据定量解析
  • Windows C++编译 Paddle Inference 3.5.0 GPU 版本完整指南
  • Win10 家庭版启用组策略 gpedit.msc:3步解决本地安全策略缺失问题
  • SQL Server 2022 嵌套查询实战:3类子查询与连接查询性能对比分析
  • MySQL 8.0 连接查询深度解析:5种JOIN执行过程与适用场景图解
  • OTB-2015 与 VOT2023 数据集对比:从 100 个序列到 60 个挑战的 10 年演进分析
  • AI 时代,学会R之后,很多人后悔了
  • Unity AssetBundle 2022.3 内存泄漏排查:3种 Unload 误用场景与 Profiler 取证
  • PointNet++ 与 PointNet 性能对比:3类任务、5个指标下的模型效率与精度分析
  • 构建本地化翻译知识库:使用 Llama 3.1 8B 微调专属教材翻译模型的 5 个步骤
  • Linux Audio 驱动调试:ACDB 文件加载失败 4 种常见原因与排查方法
  • StatefulSet vs Deployment 深度对比:5个关键差异与3个典型选型场景