Katrin Shier于1988年出生于耶拿，在卡尔斯鲁厄理工学院（KIT）学习电气和信息工程。她于2014年获得硕士学位，主修光学技术。2015年，她加入海拉，担任图像处理算法的开发专家，用于前照灯生产中的全自动调整过程和质量控制。2020年初，她在汽车照明和机电一体化实验室（L-LAB）开始了她的博士项目，主题是前照灯配光中的亮度不均匀性评估。自 2023 年 3 月起，她被聘为人类感知的预开发专家。
Katrin在大会结束时获得了Wolfgang Hunh颁发的最佳演讲奖，该荣誉由指导委员会和观众评出。因为这次讲座是在ISAL的同期会议上进行的，而且引起了观众极大的兴趣，所以我们邀请Katrin为本期快讯撰写一篇综合报告。我们也提出了一些简短的问题。
以下是演讲摘要。
演讲 – 增强对比度阈值预测
通过实现双树复小波变换建模
亮度分布的均匀性与发光器件的质量感知直接相关。对于受路面反射的前照灯光斑以及尾灯或发光装饰元素，情况均是如此。对于大型发光表面，不均匀性尤其重要。过去曾有几项关于测量和量化这种现象的建议，以实现可重复和客观的质量控制。但是，这些评估非常依赖于应用程序。其中一个原因是人类对比度和亮度感知的复杂性。刺激的周围如何严重影响亮度感知的示例如图1所示。左图显示了由具有亮度分布的连接钻石组成的图案。对于观察者来说，图案的右侧比图案的左侧更暗。然而，对于图案中的所有钻石，测量的亮度分布完全相同。如果只保留中间一排钻石，而去除其余的钻石，这种效果就会突然消失。
感知因而与测量的亮度更相关。这个例子清楚地表明，亮度曲线的评估不应用于评估光分布的不均匀性，因为它们并不总是与感知的亮度相对应。我们最近发表了一个模型，模拟人类对比视觉的第一个处理步骤来克服这个问题[1]。模型的概述如图 2 所示。它将空间分辨亮度测量作为输入，由三个以串行方式连接的子模块组成：首先，用沃森[2]提出的光调制传递函数计算眼睛光学的影响。然后模拟神经对比处理。最后一个子模块是对比度阈值预测模型 [3]。通过仅保留超过对比度阈值的元素来重建图像。
神经模型使用Peli [4]提出的方法来计算带限对比度。对于这种各向同性，对数余弦滤波器在傅里叶域中通过乘法与图像信号进行卷积，以将其分成单独的空间频率通道。对于中视环境的亮度分布，重建的图像显示出很大的失真。造成这些失真的原因是，在中视环境中，人类观察者看不到高空间频率。因此，它们被模型局部移除，取决于局部适应。然而，实现的傅里叶变换使用无限长的函数近似信号。因此，空间频率不能在图像中定位。当取出部分信号时，会产生可见的失真。因此，必须找到解决这个问题的方法。
在查看信号处理工具箱时，我们发现离散小波变换是定位空间频率的解决方案。变换使用空间定位函数来近似信号。图3a显示了Mallat [5]提出的众所周知的快速离散小波变换算法提出的离散小波变换原理图。对于每个分解电平，信号首先使用高通和低通滤波器对行进行卷积，然后针对列进行复杂处理。每次卷积操作后，结果向下采样两倍。分解导致每个过滤级别有三个方向。然后，低通残差（LL，在两个方向上用低通滤波）用作下一级的输入。离散小波变换不是平移不变的。这可能导致小波域中的能量偏移，导致在空间上仅将图像移动几个像素时，带限对比度计算错误。因此，此变换不能用于计算带限对比度。这将导致对对比度的错误评估。为了克服这个问题，Kingsbury引入了双树复小波变换（DT-CWT）[6]。引入后，快速离散小波变换算法通过添加并行的第二棵树来扩展（参见图3b，黄色阴影部分）。这第二棵树被认为携带信号的虚部。如果仔细设计树一和树二的小波，则可以通过此变换近似分析信号。如果树二的小波近似于树一的小波的希尔伯特变换，则给出这一点。变换将信号分成带宽为一个倍频程的空间频率通道和六个方向（每棵树三个）。DT-CWT过滤器的脉冲响应类似于初级视觉皮层简单细胞的感受野。因此，除了空间频率的定位之外，与以前使用的对数余弦滤波器相比，通过模拟人类视觉系统的更高处理阶段来增强模型。
为了评估计算的对比度值如何随着滤镜的更换而变化，必须对使用两种滤光片类型计算的对比度进行与基本事实迈克尔逊对比度的比较。对于包含单个空间频率的迈克尔逊对比度为cM = 0.1的正弦测试光栅，进行了仿真。对于每个空间频率（0.5 周期/度 （cpd） 至 16 cpd，以倍频程步长），使用两种滤波方法进行了 100 次对比度测量。结果表明，对于较大的空间频率，使用双树复小波变换计算的对比度会降低。但是，偏差不超过地面实况对比度的 5%。对于对比视觉来说，这是一个可接受的值，因为人类观察者测量的对比敏感度的个体间差异很大。当比较方波光栅的计算对比度时，使用对数余弦滤波器计算的对比度显示对数余弦滤波器在亮暗之间的过渡处出现过冲。小波滤波器的情况并非如此（见图4）。因此，在这种情况下，DT-CWT可以显著改善对比度计算。
图5显示了两个滤波器的重建图像的模型结果的视觉比较。由于亮度图像包含低亮度，因此包含高空间频率的信号部分将从信号中移除。视觉比较显示重建图像中的伪影数量显着减少。
因此，上面显示的评估验证了DT-CWT显着增强了模型，特别是在亮度不连续的情况下，同时显示出亮度周期性单频变化的可忽略偏差。
Paul-Henri Matha：您研究这个课题的起因如何？
Katrin Shier ：作为自动化在线测试图像处理方法的开发专家，不均匀性评估始终是我和我的团队必须解决的主题。将人类无需付出巨大努力即可完成的任务转换为图像处理算法并没有作为一种通用方法取得成功。评价是针对特定产品的，因此必须针对特定产品重新开发。这让我很好奇为什么这项任务如此困难，并激发了解决这个问题的雄心壮志。此外，我相信人类视觉系统真的很迷人，选择这个主题作为博士论文让我有机会更深入地挖掘细节。
Paul-Henri：在此次研究结果之后，下一步如何计划？
Katrin：模型并不完整，因为视觉非常复杂。缺少一些模型目前无法模拟的特征。我的目标是在不久的将来解决这些问题，因此该算法可以用于评估。此外，我们需要对我们的产品进行过度测试，并将结果与人类观察者进行比较，以验证和证明该方法确实可以推广到不同的产品系列。
Paul-Henri：是否将此次研究结果用于改进贵司的模拟工具？当今的渲染软件包还不足以模拟这种同质性吗？
Katrin ：一旦经过验证，该模型应该会在开发的早期阶段帮助我们。因此，在我们的仿真软件中将该模型用作附加工具是目标之一。如果我们有一个渲染的亮度图像作为软件工具的输出，我们可以查看图像并以主观方式评估不均匀性，但结果无法量化。因此，评估结果在观察者之间会有所不同，甚至对于 2 个观察者来说也会有所不同，具体取决于该人在评估前直接查看的图像。因此，测量人类视觉表现的研究总是随机化他们显示图像的顺序，以避免测量这些偏倚的影响。此外，结果将与用于查看结果的监视器不同。在我看来，目视检查是对第一步的良好评估。然而，在开发过程中，以可重现的方式量化均匀性非常重要。因此，该模型可以被视为一个附加组件，可用于增强对渲染图像的评估。
Paul-Henri ： 基于您的研究结果，OEM能否定义一个以往难以定义的均匀性标准规范？特别是当表面不均匀时？
Katrin：一旦经过验证，该工具将帮助我们理解和预测关键的不均匀性。我坚信我们可以用它来定义可以实施到规范中的质量措施。在这一点上，对于广泛的应用，有必要与利益相关者进行进一步的讨论。这不是一件容易的事，短时间无法完成。但结果是有希望的，我希望与汽车照明界进一步讨论。
Paul-Henri：是否可以用您的研究结果改进生产线末端相机的测量，以控制灯具在交付给客户之前是否符合规格要求？
Katrin ：目前创建的软件仍然非常复杂且计算昂贵。有了我之前提到的所有扩展，它不会变得更容易。因此，今天软件不能简单地实施到生产线末端测试中。较短的循环时间对于这些机器至关重要。一旦算法得到充分验证，我们将开始努力简化它并使其更快。这将是一项艰巨的任务，但我坚信这是可能的。但是，我们不应将EOL测试与用于鉴定我们产品的机器混淆。它是一种用于生产的工具，以确保监控生产过程的稳定性。如果我们能够确保我们正在构建的产品满足客户的需求，并且我们能够确保完全稳定的生产过程，我们将不必进行开发和批准阶段必不可少的所有复杂评估。
