CN103702116A - 一种图像的宽动态压缩方法和装置 - Google Patents

Abstract

本发明提供一种图像宽动态压缩方法，该方法包括：对基础层图像数据和原图像数据进行基于局部对比度保持的压缩处理；对压缩处理后的图像数据和细节层图像数据进行融合处理得到宽动态压缩的图像数据。本发明方案对宽动态图像压缩时，在保持局部画面对比度的前提下，能有效地提升低亮和高亮处细节的可视程度，使画面层次更加丰富，接近人眼视觉效果。

Description

一种图像的宽动态压缩方法和装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像的宽动态压缩方法和装置。

背景技术

目前广泛应用的传统数字图像所能表示的动态范围是非常有限的，这使得场景中的亮度区域由于曝光过度丢失了细节，而黑暗区域由于曝光不足，细节信息也有丢失。高动态范围图像可以表示真实世界场景中高动态范围的亮度信息，其所能表现的层次更加丰富，场景中的高亮度区和低亮度区的细节信息都能很好的保留下来，可以得到更符合人视觉系统的效果，在视频监控领域具有巨大的应用价值。但是，目前多大多数常规显示设备都只支持较低动态范围的显示输出，而高动态范围图像很难在常规显示设备上显示出来，若直接显示会导致图像亮度信息丢失，人眼视觉感受差，图像细节丢失。为了将真实场景的亮度映射到常规显示设备上得到最优化的显示结果，再现高动态范围图像丰富的颜色以及细节信息，需要通过宽动态压缩（DRC，也称色阶映射Tone Mapping）的方法对图像亮度进行压缩，在动态压缩的基础上同时尽量保持图像的细节、颜色以及整体良好的人眼视觉效果。为了达到良好的视觉效果，既要注意细节信息的保持也要关注局部对比度的保持以及整体的感觉。

目前在图像处理领域最常用的宽动态压缩方案是直方图均衡化的宽动态压缩方案。该方案通过将图像的动态范围进行分割，在同一段内的高动态范围图像的像素点对应于低动态范围图像上的同一个值。该方案是基于人眼对图像亮度的相对变化敏感而对亮度值本身不敏感的这样一个假设前提的。因此在该方案中只考虑将亮区域显示得较亮，而暗的区域显示得较暗就可以了，该方案并未考虑确切的亮度的绝对强度值。该方案利用调整直方图的方式，使图像中的灰度级重新分布，模拟而不是最大化图像的可视性。该方案无法通过参数调整来控制显示图像的对比度，有时得到的是一个不理想的低对比度的结果。而且，由于该算法采用了直方图区段分区固定缩放因子，导致结果中极高和极低亮度被固定，整个图像依然损失了一些可见性信息。

发明内容

有鉴于此，本发明提供一种宽动态压缩装置和方法。

本发明提供的图像宽动态压缩装置，包括：压缩模块，用于对基础层图像数据和原图像数据进行基于局部对比度保持的压缩处理；融合模块，用于对压缩处理后的图像数据和细节层图像数据进行融合处理得到宽动态压缩的图像数据。

优选地，该原图像数据为该原图像中每个象素点（x,y）的亮度值L_in(x，y)；

该基础层图像数据F_L(x，y)为对原图像数据经过双边滤波处理得到的图像数据，计算公式为：

$F_L(x,y)=\frac{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)L_{\mathrm{in}}(i,j)}{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)};$

该压缩模块按照如下公式对基础层图像数据和原图像数据进行压缩处理得到L_out(x，y)：

$L_{\mathrm{out}}(x,y)=\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)$

其中，

表示原图像象素点的亮度值最大值； $m(x,y)=L_{\mathrm{in}}^{\mathrm{avg}}(x,y)s+m_{\min };$ $L_{\mathrm{in}}^{\mathrm{avg}}(x,y)=L_{\mathrm{in}}(x,y)\⊗F_L(x,y);$ $s=\frac{L_{\mathrm{in}}^{\max }}{(m_{\max }-m_{\min })};$ m_min，m_max为两个非零的正数且满足0＜m_min＜m_max；ε为防止分母为零的正数。

优选地，该装置还包括残差模块；该残差模块用于将原图像数据和所述基础层图像数据进行残差处理得到所述细节层图像数据，该基础层图像数据为对原图像数据经过双边滤波处理得到；或者，

该残差模块用于将原图像数据和另一基础层图像数据进行残差处理得到的所述细节层图像数据，该另一基础层图像数据为对原图数据经过三边滤波处理得到的。

本发明的图像宽动态压缩方法，包括：

对基础层图像数据和原图像数据进行基于局部对比度保持的压缩处理；

对压缩处理后的图像数据和细节层图像数据进行融合处理得到宽动态压缩的图像数据。

优选地，该原图像数据为该原图像中每个象素点（x,y）的亮度值L_in(x，y)；

该基础层图像数据F_L(x，y)为对原图像数据经过双边滤波处理得到的图像数据，计算公式为：

$F_L(x,y)=\frac{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)L_{\mathrm{in}}(i,j)}{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)};$

对基础层图像数据和原图像数据进行压缩处理得到压缩处理后的图像数据L_out(x，y)具体为：

$L_{\mathrm{out}}(x,y)=\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)$

其中，

表示原图像象素点的亮度值最大值； $m(x,y)=L_{\mathrm{in}}^{\mathrm{avg}}(x,y)s+m_{\min };$ $L_{\mathrm{in}}^{\mathrm{avg}}(x,y)=L_{\mathrm{in}}(x,y)\⊗F_L(x,y);$ $s=\frac{L_{\mathrm{in}}^{\max }}{(m_{\max }-m_{\min })};$ m_min，m_max为两个非零的正数且满足0＜m_min＜m_max；ε为防止分母为零的正数。

优选地，该细节层图像数据为将原图像数据和所述基础层图像数据进行残差处理得到，该基础层图像数据为对原图像数据经过双边滤波处理得到；或者，

该细节层图像数据为将原图像数据和另一基础层图像数据进行残差处理得到，该另一基础层图像数据为对原图数据经过三边滤波处理得到的。

相较于现有技术，本发明方案在对宽动态图像压缩时，在保持局部画面对比度的前提下，能有效地提升低亮和高亮处细节的可视程度，使画面层次更加丰富，接近人眼视觉效果。

附图说明

图1是本发明的一种宽动态压缩处理流程图。

图2是本发明的另一种宽动态压缩处理流程图。

图3是在第一组常数m_min，m_max下的压缩曲线图。

图4是在第二组常数m_min，m_max下的压缩曲线图。

图5是本发明装置逻辑结构图。

具体实施方式

本发明提出一种基于局部对比度保持的图像宽动态压缩方案。该方案对宽动态图像压缩时，在保持局部画面对比度的前提下，能有效地提升低亮和高亮处细节的可视程度，使画面层次更加丰富，接近人眼视觉效果。

本发明实施例的图像宽动态压缩装置，请参图5，从逻辑上该装置可以包括：残差模块、压缩模块和融合模块。残差模块用于获取细节层图像数据；压缩模块用于对基础层图像数据和原图像数据进行基于局部对比度保持的压缩处理；融合模块用于对压缩处理后的图像数据和细节层图像数据进行融合处理得到宽动态压缩的图像数据。

下文将通过两个具体的实施例来阐述本发明方案。图1给出了实施例一的流程图。

步骤11、残差模块将原图像数据输入三边滤波器进行滤波处理后的一基础层图像数据与原图像数据进行残差处理得到细节层图像数据。

在图像宽动态压缩算法中，为了提高最后结果图的可见性，我们一般希望尽可能完整地保留住图像的边缘细节信息。现有的图像分层处理可以采用很多方式。图1采用了基于亮度分层的三边滤波器来实现图像分层。三边滤波器将一幅高动态范围图像分成基础层和细节层，其中图像经三边滤波器滤波后的结果作为基础层，原图像与基础层的差作为细节层；图像的边缘细节都保留在细节层。三边滤波器除了空间位置和亮度外，还引入了图像的梯度信息，具有“梯度保持”特性，因此能够精确的区分基础层和细节层，且能一定程度上降低一般图像分层算子（如低通滤波器）带来的“halo效应”等失真效应，但相应的代价是比较耗时。其主要包括两步：第一步为梯度滤波，利用前向差分计算图像的梯度，对图像的梯度进行双边滤波（一个高斯核是基于像素点之间的梯度值，另一个高斯核是基于像素点之间的欧氏距离）得到较平滑的梯度；第二步为细节滤波，对得到的较平滑的梯度值再次利用双边滤波器（一个高斯核是基于像素点之间的局部细节值（亮度值之差），另一个高斯核是基于像素点之间的欧氏距离）进行滤波。

步骤12、原图像数据输入双边滤波器进行滤波处理后得到的另一基础层图像数据，该另一基础层图像数据与原图像数据一并输入压缩模块，由压缩模块进行基于局部对比度保持的压缩处理。

用普通的高斯低通滤波器来获取图像局部均值

值时在图像的边缘处会产生光晕现象。而局部算子是针对图像的每个像素点所在不同的区域进行不同的变换。在调整图像中每个像素点的灰度值时，将该点的空间位置也要考虑在内。因此有可能出现在同一幅图像中由于位置不同，照度值相同的两个像素点映射后得到不同的新的值，或者是照度不同的两个像素点映射后得到相同的新的值。这类算法的优点是通过局部映射曲线处理后能产生效果更好的图像。其缺点就是计算量大，容易产生“光晕(halo)”效应。而双边滤波能够在一定程度上降低光晕现象的产生。这是因为其是一种非线性的平滑滤波器。其在对图像做平滑处理的时候，如果像素点的差异越大，那么其平滑系数则越小。这样图像在做平滑处理的时候，边缘处的像素点就不会产生较大的变化，那么计算得到的局部平均值就不会跳变，而是一个自然的过度，因此双边滤波算法能很好的缓解halo效应，不会有很强的边缘阶跃感。

$L_{\mathrm{in}}^{\mathrm{avg}}(x,y)=L_{\mathrm{in}}(x,y)\⊗F_L(x,y)---\left(1\right)$

$F_L(x,y)=\frac{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)L_{\mathrm{in}}(i,j)}{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)}---\left(2\right)$

其中， $w_d(i,j;x,y)=e^{-\frac{{|i-x|}^2+{|j-y|}^2}{2{\mathrm{\δ}}_d^2}},$ $w_r(i,j;x,y)=e^{-\frac{{|L_{\mathrm{in}}(i,j)-L_{\mathrm{in}}(x,y)|}^2}{2{\mathrm{\δ}}_r^2}},$ (i，j)∈S(x，y)表示像素点(x，y)的邻域系统S(x，y)中的每个像素点，L_in(i，j)为对应像素点的亮度值。w_d表示距离高斯核函数，描述像素点之间的距离差异，δ_d为其方差。w_r表示相似性高斯核函数，描述像素点之间的亮度差异，δ_r为其方差，

为卷积符号。

对比度对视觉效果的影响非常关键，一般来说对比度越大，图像越清晰醒目，色彩也越鲜明艳丽；而对比度小，则会让整个画面都灰蒙蒙的。对比度在不同的实际应用场景会采用各种不同的方式来描述，本文方案的局部对比度保持的定义如下：

$\frac{L_{\mathrm{out}}(x,y)}{L_{\mathrm{out}}^{\mathrm{avg}}(x,y)}=\frac{L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)}---\left(3\right)$

其中，L_out(x，y)和

分别表示每个像素点的亮度输出值以及对应的局部平均亮度输出值；L_in(x，y)和

分别表示每个像素点的亮度输入值以及对应的局部平均亮度输入值。且的值我们可以通过上文提到的双边滤波器(即利用公式(1)和(2）)得到。因此，通过式(3)我们就可以求出每个像素点的亮度输出值，但是我们首先得求出

根据亮度局部对比度进行自适应曲线映射的方法有很多，本文方案利用一种自适应的双曲正切亮度强度转移函数来计算

$L_{\mathrm{out}}^{\mathrm{avg}}(x,y)=N(x,y)\tanh \left(\frac{L_{\mathrm{in}}(x,y)}{m(x,y)}\right)---\left(4\right)$

其中，为归一化因子，

表示图像的输入亮度值L_in的最大值。局部算子一般是一个可调的非线性函数，tanh双曲正切函数是一个连续可导的函数，即该函数的输入与输出能保持非线性单调上升或者下降的关系，而对于任意给定的正数的输入，其输出是有界渐近于0和1的，因而tanh双曲正切函数就满足可调非线性函数的特性，因此本文方案的局部算子就是以tan双曲正切函数为例的。m(x，y)是用来控制双曲正切亮度强度转移函数的曲率，其值是基于图像的局部平局值

计算得到的。

$m(x,y)=L_{\mathrm{in}}^{\mathrm{avg}}(x,y)s+m_{\min }---\left(5\right)$

其中，

为一个常数，m_min，m_max为两个非零的正数满足0＜m_min＜m_max。上式(5)的目标是将m(x，y)的值限制在m_min和m_max之间。即通过设置m_min和m_max的值，就可以达到控制双曲正切亮度强度转移函数的曲率的目的，进而决定了宽动态压缩的能力。从图3以及图4我们，就可以看出通过调整m_min和m_max的值，我们可以调整暗区细节提升能力的强弱、亮区的亮度值的保留和亮区对比度的保持。解决全局算子带来的亮区的亮度值随暗区提升能力的增强而同步提高导致过曝，亮度局部对比丢失的问题。通过这两个值的调整，可以控制图像的亮度的调整以及对比度的保持。

利用公式(3)计算亮度图像L_out(x，y)：

$L_{\mathrm{out}}(x,y)=\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)---\left(6\right)$

其中为很小的正整数，主要目的是为防止当

时，除数为0的情况的发生。和的定义上文已经给出了，这里不再重复了。从公式（6）、图3、图4，我们可以看出该算子是基于局部的采用逐像素点处理的方式，通过分析该像素与周边区域的信息，自动生成一条曲线，该曲线通过与其他曲线合并最终生成一条作用于该像素的最终曲线，因此不同的像素点对应生成的曲线也是不一样的，生成该最终曲线的目的在于尽可能的保证画面细节不丢失、颜色不失真；同时还能兼顾不同区域的局部对比度等；还能通过调整参数防止过曝。

步骤13、融合模块将步骤11得到的细节层图像数据和步骤12得到的压缩处理后的图像数据进行融合处理。

最终的输出图像数据为L_out1＝L_out(x，y)+detail(x，y)    （7）

图2给出了本发明另一实施例的流程图。图2实施例和图1实施例的区别在于：图2中，细节层图像数据是通过原图像数据减去经双边滤波获得的基础层图像数据而得到的。其它处理流程相同。图2给出的实施方式相对于图3处理更简单，因为在获取细节层图像数据过程中使用的双边滤波结果直接作为了基于局部对比度保持算子的压缩模块的输入，这样整体上的计算量就变小了，实现更方便。当然从最终的图像效果来看，不如图1的处理方式好，但是也在能接受的范围内。

该方案利用基于亮度分层的滤波器对图像进行分层保留住细节信息（边缘信息），提升画面的整体可见性，同时利用局部对比度保持算子逐个像素点进行处理提升暗部的细节的同时保持度亮区的亮度值，进而保持住图像的局部对比度，使画面信息更加丰富，符合监控行业的需求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (6)

1.一种图像宽动态压缩装置，其特征在于，该装置包括：

压缩模块，用于对基础层图像数据和原图像数据进行基于局部对比度保持的压缩处理；

融合模块，用于对压缩处理后的图像数据和细节层图像数据进行融合处理得到宽动态压缩的图像数据。

2.如权利要求1所述的装置，其特征在于，所述原图像数据为该原图像中每个象素点（x,y）的亮度值L_in(x，y)；

所述基础层图像数据F_L(x，y)为对原图像数据经过双边滤波处理得到的图像数据，计算公式为：

$F_L(x,y)=\frac{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)L_{\mathrm{in}}(i,j)}{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)};$

所述压缩模块按照如下公式对基础层图像数据和原图像数据进行压缩处理得到L_out(x，y)：

$L_{\mathrm{out}}(x,y)=\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)$

其中，

表示原图像象素点的亮度值最大值； $m(x,y)=L_{\mathrm{in}}^{\mathrm{avg}}(x,y)s+m_{\min };$ $L_{\mathrm{in}}^{\mathrm{avg}}(x,y)=L_{\mathrm{in}}(x,y)\⊗F_L(x,y);$ $s=\frac{L_{\mathrm{in}}^{\max }}{(m_{\max }-m_{\min })};$ m_min，m_max为两个非零的正数且满足0＜m_min＜m_max；ε为防止分母为零的正数。

3.如权利要求1所述的装置，其特征在于，所述装置还包括残差模块；该残差模块用于将原图像数据和所述基础层图像数据进行残差处理得到所述细节层图像数据，所述基础层图像数据为对原图像数据经过双边滤波处理得到；或者，

该残差模块用于将原图像数据和另一基础层图像数据进行残差处理得到的所述细节层图像数据，所述另一基础层图像数据为对原图数据经过三边滤波处理得到的。

4.一种图像宽动态压缩方法，其特征在于，该方法包括：

对基础层图像数据和原图像数据进行基于局部对比度保持的压缩处理；

对压缩处理后的图像数据和细节层图像数据进行融合处理得到宽动态压缩的图像数据。

5.如权利要求4所述的方法，其特征在于，所述原图像数据为该原图像中每个象素点（x,y）的亮度值L_in(x，y)；

所述基础层图像数据为对原图像数据经过双边滤波处理得到的图像数据，计算公式为：

$F_L(x,y)=\frac{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)L_{\mathrm{in}}(i,j)}{{\mathrm{\Σ}}_{(i,j)\∈S(x,y)}{w}_d(i,j;x,y)w_r(i,j;x,y)};$

对基础层图像数据和原图像数据进行压缩处理得到压缩处理后的图像数据L_out(x，y)具体为：

$L_{\mathrm{out}}(x,y)=\frac{N(x,y)L_{\mathrm{in}}(x,y)}{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}\tanh \left(\frac{L_{\mathrm{in}}^{\mathrm{avg}}(x,y)+\mathrm{\ϵ}}{m(x,y)}\right)$

其中，

表示原图像象素点的亮度值最大值； $m(x,y)=L_{\mathrm{in}}^{\mathrm{avg}}(x,y)s+m_{\min };$ $L_{\mathrm{in}}^{\mathrm{avg}}(x,y)=L_{\mathrm{in}}(x,y)\⊗F_L(x,y);$ $s=\frac{L_{\mathrm{in}}^{\max }}{(m_{\max }-m_{\min })};$ m_min，m_max为两个非零的正数且满足0＜m_min＜m_max；ε为防止分母为零的正数。

6.如权利要求4所述的方法，其特征在于，所述细节层图像数据为将原图像数据和所述基础层图像数据进行残差处理得到，所述基础层图像数据为对原图像数据经过双边滤波处理得到；或者，

所述细节层图像数据为将原图像数据和另一基础层图像数据进行残差处理得到，所述另一基础层图像数据为对原图数据经过三边滤波处理得到的。

Images