Bir kullanıcı bir akıllı telefon veya kamera alır ve “otomatik modda” hızlı bir şekilde çekim yapar, mükemmel bir şekilde açık, renk hassas ve keskin odaklı bir fotoğraf anında oluşturulur. 3A, Auto Exposure (AE), Auto White Balance (AWB) ve Auto Focus (AF) anlamına gelir.Bu üç özellik, sürekli değişen çekim senaryolarına uyum sağlamak için birlikte çalışan, kameranın entegre profesyonel fotoğrafçıları gibi hareket eder. 3A algorithms Görüntü mühendisleri için, 3A algoritmalarının kalitesi doğrudan kullanıcının çekim deneyimini belirler. iyi bir 3A sistemi, kullanıcıların kompozisyon ve duygusal ifadeye odaklanmasına izin verir; aksine, olgun olmayan 3A, maruz kalma hatalarına, garip renklere veya sık sık odaklanmadan çekimlere yol açabilir. 1. AE (Auto Exposure): ışık tam olarak nasıl ölçülür? Auto Exposure (AE)'in ana görevi, görüntü parlaklığını kontrol etmektir, çerçeveyi aşırı veya düşük parlaklıkta tutmamaktir. anahtar, sahnenin ışık yoğunluğunu değerlendirmek ve otomatik olarak açıyı, kapanış hızı veya ISO'yu buna göre ayarlamak içerir. Ölçüm Modellerinin Prensipleri ve Sorunları Fotoğraf makinesinin ölçüm sistemi temel bir varsayım üzerine kurulmuştur: tüm nesnelerin yüzde 18'lik bir yansımasına sahip olduğunu varsayar, "ortalama gri". Genel sahne parlaklığı bu standartla eşleştiğinde, AE doğru maruz kalma parametrelerini sağlayabilir. Ancak, gerçek dünya istisnalarla dolu. kar çekiminde (yüksek yansımaları), kamera yanlışlıkla maruz kalmayı azaltarak beyaz karın griye dönüştürebilir; siyah bir kedi çekiminde (düşük yansımaları), maruz kalmayı arttırabilir, siyah kedi gri görünmesini sağlayabilir. Karmaşık sahneleri ele almak için, mühendisler çeşitli ölçüm modları geliştirdiler: 
 
 
 
 Matrix/Evaluative Metering: Bu en akıllı ve yaygın olarak kullanılan moddur. Çerçeveyi çoklu bölgelere ayırır, her bölgenin parlaklığını, rengini ve hatta odak noktasını bağımsız olarak analiz eder ve daha sonra geniş bir iç görüntü veritabanı ve karmaşık algoritmaları kullanarak dengeli bir maruziyet değerini hesaplar. Merkez ağırlıklı ölçüm: Bu mod, çerçeve merkezindeki ölçümleri öncelikli olarak belirler (yaklaşık %20-30), aynı zamanda ağırlıklı ortalama çevresel parlaklığı da dikkate alır. Spot ölçüm: Spot ölçüm, çerçevenin çok küçük bir merkezi alanında (yaklaşık %1-5) ışık ölçer ve diğer bölgeleri tamamen göz ardı eder. Mühendislerin meydan okuması: Yüksek kontrast sahneleri Görüntü ürün geliştirme alanında en büyük zorluklardan biri, arka ışık gibi yüksek kontrastlı sahneleri ya da gün batımını / gün batımını ele almak. İyi AE algoritmaları bu durumlarda daha sofistike stratejiler kullanır, örneğin: 
 
 
 
 Sahne Tanıma: Sahneyi “backklit portrait” veya “sunset” olarak tanımlamak ve özel bir maruz kalma eğriliği uygulamak için AI kullanın. Face Priority AE: Bir yüz tespit edildiğinde, arka plan hafifçe aşırı maruz kalsa bile, yüz için doğru maruz kalmayı önceliklendirin. HDR (High Dynamic Range) Fusion: Çoklu pozlar otomatik olarak yakalanır ve hem yükseklikte hem de gölgelerde net ayrıntılarla tek bir görüntüye birleştirilir. AWB (Auto White Balance): Kamera ışığın rengini nasıl tahmin eder? Auto White Balance (AWB)'nin amacı, beyaz nesnelerin herhangi bir aydınlatmada beyaz görünmesini sağlayan farklı ışık kaynağı renk sıcaklıklarının neden olduğu renk döküntüleri düzeltmektir. “Gray World Assumption” ile Makine Öğrenimi AWB’nin zorluklarını anlamak için, önce görüntü oluşumunun fiziksel modelini ele almalıyız. sensör tarafından yakalanan “Görülen Renk”, çevresel “Illuminant Spectrum”, nesnenin “Surface Reflectance” ve sensörün kendi “Sensor Response” eğiminin ürünü: Observed Color = Illuminant Spectrum × Surface Reflectance × Sensor Response Kamera sadece “Görülen Renk”i ölçebiliyor ve AWB’nin amacı, düzeltmek için “Illuminant Spectrum”i tahmin etmektir. Bununla birlikte, “Surface Reflectance” bilinmeyen bir şey olduğu için, bu klasik bir “ill-posed problem” oluşturuyor – doğrudan çözülemeyen çok sayıda bilinmeyen bir denge. Bu nedenle, geleneksel AWB algoritmaları çoğunlukla istatistiksel varsayımlara dayanmaktadır: 
 
 
 Gri dünya varsayımı: Bu en klasik teorilerden biridir, renk zengin bir görüntüde, tüm renklerin ortalaması nötr griye doğru eğileceğini varsayar. algoritma çerçeve genel R, G, B ortalamasını hesaplar; ortalama griye, örneğin, sarı renkte ise, sistem mavi kanal kazanımı telafi etmek için artırır. Perfect Reflector/White Patch Assumption: Bu varsayım, görüntünün en parlak noktasının beyaz olması gerektiğini belirtir. Bununla birlikte, bu basit varsayımlar genellikle başarısız olur. örneğin, büyük bir yeşil çimlerde, gri dünya varsayımı, kırmızıyı “neutralize etmek” için yanlışlıkla ekleyebilir, bu da purpura yol açar. karışık aydınlatmada (örneğin, hem gündüz ışığı hem de fluoresan ışığı olan bir pencere yakınında bir ofis), geleneksel algoritmalar genellikle etkisizdir. Mühendislerin meydan okuması: Karmaşık Aydınlatma Altında Düzenleme Yukarıda bahsettiğimiz fiziksel modelin sınırlamaları nedeniyle, AWB ayarlaması görüntü mühendisliğinin en zor yönlerinden biridir. Ofis fluoresan ışıkları, ev lamba ışıkları veya gün batımı ışıkları gibi çeşitli karmaşık ışık kaynaklarıyla başa çıkmak için, mühendisler ışık kaynaklarının geniş bir veritabanını oluşturmalıdır.Modern AWB algoritmaları uzun zamandır basit istatistiksel varsayımları aştı, daha karmaşık makine öğrenme modellerine dönüştü: 
 
 
 Işık Kaynağı Tahmini: Algoritma, sahnenin renk dağılımı özelliklerini analiz eder ve bunları veritabanında bulunan binlerce ışık kaynağı modeli ile karşılaştırır (örneğin, D65 gündüz ışığı, A kaynağı aydınlatma ışığı) mevcut çevre ışığını tahmin etmek için.  Since applying independent white balance correction to different regions of the image (i.e., regional white balance) carries a very high perceptual risk, easily leading to color artifacts or unnatural transitions, actual implementations often adopt the following strategies:
 
 Mixed Lighting Processing: 
 
 
  The algorithm estimates multiple potential light sources in the scene and calculates a "compromise gain" that balances color across all parts of the image. This method aims to maintain overall color continuity and naturalness, avoiding visual flaws caused by local corrections. Global Optimal Solution:  Utilizing AI scene recognition technology, the algorithm can identify key areas in the image, such as faces, skin tones, or specific objects. When calculating the global white balance gain, higher weights are given to these visual focal points to ensure the accuracy of the main subject's colors. Simultaneously, background areas may retain some ambient light atmosphere to achieve visual balance and naturalness. Semantic Weighting: İyi bir AWB sistemi sadece yaygın ışık kaynakları altında doğru bir şekilde performans göstermekle kalmaz, aynı zamanda karışık aydınlatma ve tek renkli sahnelerde istikrarlı kalır ve sahne değişikliğinde renk değişikliği önlenir. AF (Auto Focus): Hız ve Hız Arasındaki Değişim Auto Focus (AF), objektifin keskin olmasını sağlamak için objektifin ayarlanmasından sorumludur.Erken " Avcılık" otofokusundan bugünün "parça ve atış" hassasiyetine kadar, AF teknolojisi önemli bir evrim geçirmiştir. Kontrast algılama AF'den faz algılama AF'ye (PDAF) 
 
 
 Kontrast algılama AF: Parlaklık noktasındaki kontrast, görüntü en keskin olduğunda en yüksek olduğu ilkesidir. Kamera, maksimum kontrastı bulana kadar lensyi sürekli düzeltir. Avantajı yüksek hassasiyet, ancak dezavantajı daha yavaş hızdır. Phase Detection AF (PDAF): Sensörde özel piksel yapıları (mikrolens aralığı veya maskeli pikseller gibi) kullanarak, objektifin farklı bölgelerinden gelen ışığı (örneğin, sol ve sağ) ayırır ve iki bağımsız görüntü oluşturur. Bu iki ayrı görüntü arasındaki nispeten yer değiştirme (örneğin, görüntü faz farkı) karşılaştırarak, algoritma, objektifin önünde veya arkasında bir odak olup olmadığını ve objektifin odaklanmak için ne kadar uzakta hareket etmesi gerektiğini tam olarak belirleyebilir. Mühendislerin meydan okuması: odak hızı ve doğruluğu dengelemek AF lens sürücüleri geliştirirken, mühendisler için temel zorluk hız ve doğruluk arasındaki dengeyi bulmaktır. PDAF inanılmaz derecede hızlı olsa da, ışık ve nesnenin kontrastı için belirli gereksinimler vardır ve geleneksel DSLR lensler odak değişimi sorunlarından muzdarip olabilir. Kontrast algılama AF, daha yavaş olsa da, kesinlikle odak doğruluğunu sağlayan ana sensörden doğrudan bilgi kullanır. Bu nedenle, modern kameralar çoğunlukla her ikisini birleştiren "Hybrid Auto Focus" kullanır: 
 
 
 İlk Adım (Aşırı Düzenleme): Lensin hızlı bir şekilde odak noktasına yaklaşması için PDAF kullanın. İkinci Adım (Fine Adjustment): Doğru odak doğrulaması için kontrast algılama AF'ye geçiş, optimum keskinliği sağlar. Sonuç: 3A’nın Ortak Çalışması – Millisekundelik Bir Ekip Çabası Son olarak, AE, AWB ve AF'nin bağımsız modüller olmadığını vurgulamak gerekir. Profesyonel bir fotoğrafçılık ekibini hayal edin: kapak basıldığında, gaffer (AE), colorist (AWB) ve kamera asistanı (AF) mükemmel bir fotoğraf çekmek için millisekundaki kesin iletişim ve koordinasyon yapmalıdır. Tightly Coupled Closed-loop Control System Gerçek bir ISP'de, 3A modülleri bu kadar verimli bir ekip olarak çalışır: her çerçeve için istatistiksel sonuçlar AE, AWB ve AF modülleri tarafından aynı anda kullanılır ve bu da bir sonraki çerçeve için kararları etkiler. Toplam görüntü kalitesinin optimizasyonunu, tek bir parametrenin aşırılığını değil, toplu olarak takip ediyorlar. Multi-variable Optimization Problem Bu yüksek düzeyde bağlantılı doğa aynı zamanda mühendislik zorlukları getirir. Kullanıcıların karanlık aydınlatılmış bir iç ortamdan parlak güneşli bir dış ortamda hareket etme senaryosunu düşünün. Kamera çok kısa bir süre içinde drastik çevresel değişikliklere uyum sağlamalıdır. AF ilk olarak nesneye kilitlenirse, ancak AE çok yavaş ayarlanırsa, görüntü anında aşırı maruz kalabilir; AWB renk sıcaklığını düzeltmeye çalışırsa ancak AE'nin parlaklık yargısı ile çelişirse, renk dalgalanmasına veya doğal olmayanlara yol açabilir. herhangi bir modülden istikrarsızlık veya aşırı agresif tepkiler şunlara neden olabilir: 
 
 
 Sistem Osilasyonu: Düzenleme sırasında tüm görüntüleme sistemi dalgalanır, örneğin, parlaklık veya renk çerçevede sürekli atlama, kararlı bir şekilde çıkış yapamıyor. Yavaş Konvergence: Modüller arasındaki bağımlılıklar nedeniyle, iyi koordine edilmiş bir mekanizma olmadan, sistem optimum maruz kalma, beyaz dengesi ve odaklanma elde etmek için daha uzun sürebilir, kullanıcı deneyimini ciddi şekilde etkileyebilir. Bu nedenle, üst düzey bir 3A sistemi sadece her modülün hassasiyetini ve verimliliğini sağlamakla kalmaz, aynı zamanda etkileşimlerini iyi eğitilmiş bir fotoğrafçılık ekibi gibi hafifçe dengelemek zorundadır. AF, ana konuyu kilitler, AE, aydınlatmayı konuya ve çevreye göre ayarlar ve AWB, sahne için en doğru renkleri verir. Son yıllarda, üreticiler, 3A algoritmalarının fotoğrafçının niyetini daha doğru bir şekilde "bilmesini" ve hatta çevresel değişiklikleri tahmin etmesini sağlamak için derin öğrenme kullanarak, AI teknolojisini de entegre etmeye başladı. Önceki Önceki yazı: ISP ve görüntü kalitesine derinlemesine bakın Bu makalede, 3A algoritmalarının fotoğraf makinesinin “karar verme zekası” olarak nasıl hizmet ettiğini inceledik ve görüntüleme, beyazlık dengesi ve odak noktasında önemli bir rol oynadık. Bununla birlikte, sensör tarafından yakalanan ham verilerden, önümüzde sunulan şık fotoğraflara kadar, resim sinyal işlemci (ISP) tarafından düzenlenmiş olan karmaşık ve hassas işleme adımlarının bir dizi vardır. Bir sonraki makalede, ISP’nin gizemlerini ortaya koyacağız ve fotoğraf makinesinin benzersiz “ resim tarzını” şekillendirmek için bu yönleri nasıl dengeleyeceğiz ve optimize edeceğiz.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Bu ses hikayenin orijinal dilinde üretilmiştir!

Bir Görüntü Mühendisinin Notları, Bölüm 3: Kamera’nın 3A’sının İçinde

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

Floki'den Valhalla Hindistan'ın Sri Lanka Turuna Yardımcı Sponsor Olarak Katıldı

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

State of the Noonion: Building, Selling and Storytelling @ HackerNoon

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

Floki'den Valhalla Hindistan'ın Sri Lanka Turuna Yardımcı Sponsor Olarak Katıldı

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

State of the Noonion: Building, Selling and Storytelling @ HackerNoon

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps