3 月
本篇文章節選自文稿「ContrastDetection Probability – Implementation and use cases」，由博世和IE在車載攝像頭電子成像會議中共同提出，想要深入研究 CDP 的朋友可以查看原文文章，原文還含有 SNR 與 CDP 的計算論述，點擊文末的”閱讀原文”即可查看。
摘要
汽車行業發起了 IEEE-P2020 倡議，共同研究(KPI)關鍵性能指標，該指標可用於預測攝像頭系統與拍攝對象的匹配程度。
車載相機的一個非常基本的應用是檢測對象對比度以進行對象識別或立體視覺對象匹配。
該小組正在研究的最重要的 KPI 是對比度檢測概率 (CDP)，一個描述組件和系統性能的指標，獨立於任何關於相機模型或其他屬性的假設。
而CDP背後的理論已經建立，我們提出了實際的測量結果和相機測試的實施。我們還展示了CDP如何被用來改善低光靈敏度和動態範圍測量。
介紹
對比檢測概率 (CDP) 的概念最早由 Geese[Robert Bosch GmbH, Leonberg, Germany]等人2018年提出。它源於需要有一個獨立於被測系統並且獨立於一些組件被測試的 KPI。因此，應使用相同的 KPI來描述擋風玻璃或相機鏡片的性能。
如圖 1 中的示例所示，對比度損失的原因可能是多方面的，並且不僅與相機系統本身有關。CDP 旨在描述相機系統再現對比度的性能，這是機器視覺中高級算法所需的核心功能。
汽車成像的另一個重要方面是高動態範圍和對系統性能的影響。如IEEE-P2020 白皮書 [2] 中所述並如圖 2 所示，HDR 渲染過程可能導致所謂的 SNR Drop。
這是結合例如一幅圖像的暗部分與另一幅圖像的亮部分（多重曝光融合）。生成的 SNR 曲線將顯示介於最大和最小光強度之間的下降。圖 3 顯示了一個示例。可以在 SNR 曲線中觀察到 SNR Drop，該曲線是 SNR 與光強度的關係圖。
但是，SNR Drop對系統性能到底有多大影響？儘管 SNR 值是一個完善的指標，但很難從 SNR 值中得出精確的系統性能預測。CDP值具有這種可能性，因為它與系統性能直接相關。
Concept of Contrast Detection Probability(CDP)
對比度檢測概率CDP的概念
單個 CDP 值描述了兩個系統輸出（例如兩個數字值）從兩個系統輸入（例如兩個亮度輸入）創建對比度的概率。它是根據兩個隨機變量（此處為 A 和 B）計算得出的。
這些隨機變量是已知亮度圖像中發光區域（例如圖3中隨機兩點）數字值的分布。一個無噪聲的系統會有一個分布，其中測量區域（ROI）中的所有數字值等於平均值。
一個真實的系統將顯示，根據噪聲和信號處理的分布值。從兩個隨機變量A和B計算出一個新的隨機變量K，它定義了對比度。K也有一個概率密度，它代表測量或檢測到某一對比度的概率。CDP的值為PDF下的區域，受一個定義的置信區間的限制。
CDP的值不是一個絕對值，它有一些參數，可以根據實際情況進行調整。所以不同的用例需要不同的計算步驟，會導致不同的CDP值。
需要定義的一個方面是如何計算概率密度函數K。在我們的實現中，我們選擇了一種隨機配對方法，其他方法也是可能的。
隨機配對意味著使用變量A中的隨機像素和變量B中的隨機像素計算K。如果存在簡單差異，則從B中的隨機像素中減去A中隨機像素的像素值。對所有像素執行此操作將獲得PDF K。
為了獲得一個穩定的PDF K，需要大量的隨機配對。選取測試場景的多幀，不僅在一幀內對兩個ROI進行配對，而且在多幀內對多個ROI進行配對，將增加配對總數，增加穩定性。
從 B 中減去像素值 A 將描述兩個色塊之間的絕對差異，用例將是找出被測系統是否可以在 A 和 B 之間產生差異。
另一種選擇是為 A 和 B 中的每個像素組合計算對比度值。不同的選項例如Michelson邁克爾遜對比或Weber韋伯對比。因此，A 和 B 之間的每一對像素都將用於計算對比度值，這將生成 K。
其用例是檢查被測系統在絕對意義上再現對象對比度的能力和限制範圍。所以如果一個系統會增加或減少物體的對比度，它會導致出現較低的 CDP 值。
如果一個系統為了被調試成根據對象的對比度來分類對象，或者發現HDR渲染對對象對比度的影響有多大，那麼就需要這樣做。
需要從用例和需求分析過程中導出的另一個方面是定義計算CDP所需的置信區間。通常，這些是用例仍然可以接受的邊緣情況。間隔越小，CDP值越低，測量結果落入置信區間的可能性就越小。
圖5顯示了不同方法計算K和置信區間差異的例子。
CDP的每次測量都是許多變量的函數，例如：對比度和亮度。亮度是 A 和 B 的亮度的平均值，對比度是由A 和 B 的亮度產生的對比度。
強烈建議測量大量對比度和亮度組合的CDP。由於我們有兩個變量，我們可以以不同的方式顯示和繪制 CDP。一個簡單且先前已呈現的形式是 2D 繪圖，如圖 9 所示。這裡每條繪圖線代表不同的對比度。
呈現數據的一種新方法是將亮度、對比度和 CDP 繪制在與 3D 數據相同的圖中，而 CDP 要麼是高度，要麼由不同的顏色編碼表示。選擇此表示以顯示圖 10 中的測量數據。
測量方案
我們選擇如圖 6 所示的測試設備。被測設備必須重現六個測試目標，每個目標顯示36個灰階色塊（參見圖 7）。
每個圖卡都使用可調光的平面光源進行背光照明。可以生成的總對比度為120dB，每個單獨的圖卡具有 10:1 的對比度。
測試目的為一張圖像生成 216 個灰階色塊測量位置。此外，透射式光源強度的動態變化也是可能的，並增加了測量點的總數（參見圖 8）。
通過隨著時間的推移收集圖像數據，我們可以將每個測量step的每個光源的亮度增加 1%，從而名義上將最小可用對比度步驟減少到 1%。
在此過程中，具有最高亮度的目標保持不變，以確保絕對參考點。可用亮度的數量與得到的測量點之間存在平方相關。更多的測量點增加了在測量中發現局部偽影的可能性。
測試了幾種不同的設備，由於保密承諾，只有極少數設備可以發佈。圖 9 和 10 所示的結果是從具有 HDR 模式的汽車攝像頭獲得的。它們以不同的表示形式顯示相同的數據。
我們可以清楚地識別SNR Drop，同時我們現在可以得出信息，這實際上對最終用例中的潛在對比度檢測有多大影響。因此，我們獲得了比僅使用 SNR 曲線更有用的結果。
將 CDP 聯繫到 SNR
在本文的附件中（點擊文末”閱讀原文”跳轉），我們利用幾個假設推導了CDP和SNR之間的理論聯繫。
請再次注意，只有當概率分布的假設有效，且被測系統允許進行有意義的SNR測量時，才可能根據SNR計算CDP值。
這裡，我們給出了基於等式63和等式44的純泊松和純高斯系統的理論推導結果。
圖11顯示了噪聲泊松系統的這種導出連接，我們可以觀察到，CDP和SNR之間的連接，正如預期的那樣，是高度非線性的。要達到單次測量檢測概率（例如CDP>10%），需要SNRdB>10。當然，CDP還可以應用於預濾波信號，例如應用於3×3鄰域的平均值，以提高檢測概率。
圖12顯示了CDP和SNR之間的相同聯繫，考慮到概率密度的高斯近似。結果在高強度區域相似，但在弱光區域有所不同。這表明，對於泊松佔優系統，基於純高斯噪聲假設的CDP估計將導致顯著差異。尤其是在光線較暗的情況下，這種假設可能會導致對系統性能的錯誤判斷。
最後，在圖 13 中分析了噪聲系統的比較。未描述的是 SNRdB > 30 和 CDP > 0.35，因為 CDP 和 SNR 在此範圍內收斂到上面已經討論過的非線性連接。然而，在光線不足的情況下，SNR和CDP似乎不是兼容的度量。
即使對 SNR 進行了噪聲補償，10%- 20% 之間的 CDP 也會產生各種可能的 SNR 測量值，例如SNRdB ∈ {0, 5}，取決於信號中的噪聲。
由於在該域中執行典型的低光靈敏度測試，因此 SNR 值似乎無法正確預測系統的 CDP 行為。必須考慮連接噪聲過程的概率密度分布的完整形狀來衡量正確的 CDP 性能。
未來工作
來自圖 3 的 3D CDP 可視化的新表示。圖 10 可以輕鬆地可視化 CDP 測量如何也可用於從 CDP 測量中獲取有關動態範圍或靈敏度的信息。以往這些測量來自 SNR 測量，但由於SNR的確切含義值得懷疑，因此也應該審查派生指標的有用性。
考慮到系統的動態範圍，這樣的 KPI 應描述被測系統可以再現的場景亮度範圍。如果某物比測量的最大和最小亮度更暗或更亮，我們就會丟失信息。使用新的 HDR 渲染算法和已經解釋的問題，純動態範圍描述將排除所謂的 SNR 下降。我們建議使用 CDP 來衡量與動態範圍相關的 KPI。
基於 CDP 的動態範圍需要定義一個可接受的最小CDP，然後將此最小值應用於 CDP 圖，如圖 10 所示。如果我們將所有大於最小值的測量點設置為 1，並將所有低於所需最小值的測量點設置為0，我們實際上有一個區域，它定義了在什麼條件下可以從系統中獲得有用的數據。
描述系統靈敏度的典型方法是 SNR10值。這是導致 SNR 值為10的亮度。正如我們現在所瞭解的，SNR 值的含義是有限的，我們還應該考慮不使用 SNR 作為度量並定義其他測量。
結論
CDP 測量是一種新的 KPI，它直接與被測系統的應用程序和用例相關聯。
SNR 和 CDP 之間的關係是非線性的，取決於噪聲影響。只有給出進一步的假設，CDP 才能直接從 SNR 數計算。
CDP 可用於使用相同的度量來描述成像鏈中不同組件的性能。
CDP 需要定義良好的需求設計。用例將定義所需的 K 計算，檢測算法的靈敏度和訓練系統的魯棒性將定義用於計算 CDP 的置信區間。
當使用 CDP 進行標準化時，工作組需要提供一個框架，使計算 CDP 的假設報告成為強制性的，並提出 CDP 的典型參數化。
感謝 Image Engineering GmbH & Co KG iQ-Lab 團隊執行所需的測試。
該文章由德國博世和 Image Engineering 共同參與：
Uwe Artmann, Image Engineering GmbH &Co KG; Kerpen, Germany Marc Geese, Robert Bosch GmbH, Leonberg, Germany
Max Ga¨ de, Image Engineering GmbH & CoKG; Kerpen, Germany
原文下載網址（在瀏覽器中打開），也可點擊”閱讀原文”直接查看：
https://www.image-engineering.de/library/conference-papers/1045-contrast-detection-probability-implementation-and-use-cases?highlight=WyJjZHAiXQ==