CN107451974A - 一种高动态范围图像的自适应再现显示方法 - Google Patents
一种高动态范围图像的自适应再现显示方法 Download PDFInfo
- Publication number
- CN107451974A CN107451974A CN201710642064.5A CN201710642064A CN107451974A CN 107451974 A CN107451974 A CN 107451974A CN 201710642064 A CN201710642064 A CN 201710642064A CN 107451974 A CN107451974 A CN 107451974A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- msubsup
- mover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 13
- 238000009877 rendering Methods 0.000 title abstract description 3
- 238000013507 mapping Methods 0.000 claims abstract description 60
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 101001095965 Dictyostelium discoideum Phospholipid-inositol phosphatase Proteins 0.000 claims abstract 4
- 102100022893 Histone acetyltransferase KAT5 Human genes 0.000 claims abstract 4
- 101001046996 Homo sapiens Histone acetyltransferase KAT5 Proteins 0.000 claims abstract 4
- 101000738757 Homo sapiens Phosphatidylglycerophosphatase and protein-tyrosine phosphatase 1 Proteins 0.000 claims abstract 4
- 230000008569 process Effects 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 125000001475 halogen functional group Chemical group 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000016776 visual perception Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 101000648554 Mus musculus Sushi domain-containing protein 6 Proteins 0.000 description 1
- 206010049155 Visual brightness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- KAATUXNTWXVJKI-UHFFFAOYSA-N cypermethrin Chemical compound CC1(C)C(C=C(Cl)Cl)C1C(=O)OC(C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 KAATUXNTWXVJKI-UHFFFAOYSA-N 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种高动态范围图像的自适应再现显示方法，该方法包括：读取高动态范围图像，得到图像的灰度或亮度通道；对所述图像的灰度或亮度通道，采用非线性的色调映射窗口模型，进行局部映射变换；基于PLIP模型进行局部对比度测度计算；设计自适应优化的双制导图映射约束，引导目标优化函数得出最优化结果；输出结果图像。本发明不但能有效显示高动态范围图像，同时还能保持图像边缘以及图像细节信息，并且抑制了光晕效应的产生，具有较好的自适应能力、鲁棒性，而且示例的处理效果证明了本技术具有强的实用性。
Description
技术领域
本发明涉及图像处理领域，更具体地，涉及一种高动态范围图像的自适应再现显示方法。
背景技术
对于成像设备的感光器件而言，动态范围表示图像中包含的灰度或者亮度值从“最暗”到“最亮”之间的范围，图像的动态范围控制了自然真实场景中极暗区和极亮区的细节在一幅图像中同时展现的能力。大多数图像数据范围一般为2个数量级或者8位，也就是像素灰度值在0-255之间，而人类视觉系统能感知大约5个数量级范围的场景亮度。高动态范围图像一般能够存储更大数量级或者更多字节的数据，例如10位或者16位，这样能够跨越一个非常宽范围的像素灰度或者亮度等级，可以较好的表达真实世界的场景。在实际成像中，场景亮度往往具有非常宽广的动态范围，例如从夜空中的星光到耀眼的太阳，它们发出的亮度幅度涵盖了超过9个数量级的范围。
近年来，随着数字成像技术和计算机科学技术的发展，高动态范围图像正在得到日益广泛的关注，高动态范围图像被广泛应用于各个领域，如在生物医学领域，它能捕获到患者所有症状的细节，就好比复制的真实场景。在卫星遥感和军事领域中，它有助于准确地识别目标。特别是在游戏和电影中，为了更生动的视觉体验，用户对虚拟场景图形的要求是越来越高。
高动态范围图像可以同时存储处于真实场景中极暗和极亮的区域中的可视细节信息。而不幸的是，大多数消费电子设备(显示器、打印机)和显示技术最多处理0-255之间的动态范围，这使得大量的可视细节信息损失。在普通输出设备上显示这些高动态范围图像，必须经过亮度范围的压缩，这显然是一个经典的高动态范围图像再现显示问题。高动态范围图像的再现显示技术的研究，就是力求在显示设备位深有限的情况下，显示尽可能多的可视细节信息，并保持图像的整体明暗视觉效果，显示效果尽可能接近真实世界的场景。因此，为了保证真实场景的感知，增强视觉感受质量的映射变换不可或缺。
目前，各种现有的映射变换技术一般分为两大类，全局映射和局部映射。全局映射技术通常是使用一个映射变换函数，如对数变换函数。Drago等人提出了一种新颖的基于自适应对数变换的映射技术。此算法的核心思想是基于图像内容，在高动态范围图像(HDR)图像的不同地区，采用不同对数底来实现映射过程。虽然全局映射技术相对简单且能较好的保持图像整体对比度效果，但是这种方法没有考虑到图像像素的空间位置或者它们之间的邻域相关信息，像素在图像中得到同等的映射，有可能导致图像对比度是大大的压缩，图像的细节信息严重丢失。尤其是在处理复杂场景时，不能很好的反映出真正的人类视觉系统响应。
为了获得一个更稳健的最优估计，研究人员普遍认为局部映射技术可以产生更好的结果。这可能主要是基于以下两个原因，一方面，人类视觉系统本身是空间相关的；另一方面，通过研究人员长期的研究积累以及摄影师或者艺术家们取得的不同实际经验得知，他们已经建立了许多有用的空间相关性的映射算法，并且他们经常使用一些空间相关技术并且有选择性地应用到胶卷中的不同曝光区域上。例如，Reinhard等人基于分区式系统提出了一种快速HDR图像色调重现方法。Meylan等人基于Retinex理论并且结合自适应滤波器实现一种色调映射算法，算法不仅对实现简单，计算方便，而且还可以有效地保留图像细节。Retinex理论是一种较早用于人类视觉亮度和颜色恒常感知的计算理论，主要思路就是通过入射光分量的估计求得反射光分量，还原出物体的真实面貌，最终实现图像对比度校正。在一些文献中，高动态范围图像的再现显示技术是将高动态范围图像分解为一个基本层和一个细节层，该方法首先使用一种双边滤波器(Bilateral Filter，BF)来处理基本层，再将输入图像与其相减得到图像的细节层，然后将基本层在对数域中执行线性变换操作，最后将压缩的基本层与细节层相结合。不同于上述的一些方法，为了避免问题图像多尺度分解，Shan等人直接引入一个线性变换模型作为窗口滑过整个HDR图像，图像细节凸显且不会产生光晕现象，改善了图像质量。
因此，需要提供一种高动态范围图像的自适应再现显示方法。
发明内容
本发明的目的在于提供一种高动态范围图像的自适应再现显示方法。本发明不但能有效显示高动态范围图像，同时还能保持图像边缘以及图像细节信息，并且抑制了光晕效应的产生，具有较好的自适应能力、鲁棒性，而且示例的处理效果证明了本技术具有强的实用性。
为达到上述目的，本发明采用下述技术方案：一种高动态范围图像的自适应再现显示方法，所述方法包括以下步骤：
S11：读取高动态范围图像，得到图像的灰度或亮度通道；
S13：对所述图像的灰度或亮度通道，采用非线性的色调映射窗口模型，进行局部映射变换；
S15：基于PLIP模型进行局部对比度测度计算；
S17：设计自适应优化的双制导图映射约束，引导目标优化函数得出最优映射结果；
S19：输出结果图像。
优选地，在所述步骤S11中，所述方法包括以下步骤：
S111：读取高动态范围图像；
S113：对所述高动态范围图像进行色彩通道判断，若为彩色则转到步骤S115，否则直接转到步骤S13；
S115：对所述彩色高动态范围图像进行相应的色彩空间转换，得到图像的灰度或亮度通道。
优选地，在步骤S13中，所述方法包括以下步骤：
S131：使用所述高动态范围图像的亮度通道分量，根据非线性的色调映射窗口模型计算映射输出结果，其中非线性窗口变换模型为：
其中，wi代表以像素i为中心的局部窗口，αi和βi表示非线性映射参数，Ih(j)表示输入高动态范围图像的亮度通道分量，Il(j)表示映射输出结果；
S133：根据人类视觉系统的特性，对所述非线性窗口变换模型进行变换；
S135：简化运算过程，将非线性变换问题转化为线性问题。
优选地，在步骤S15中，通过所述PLIP模型设计图像的局部对比度测度ILCM，具体算式为：
其中，ILCM为所述图像的局部对比度测度，和分别表示局部窗口中灰度值最大和最小的像素，和Θ分别代表参数化对数图像处理模型的加法和减法运算。
优选地，在步骤S17中，所述方法包括以下步骤：
S171：对所述图像的灰度或亮度通道，计算每一个像素窗口的权重值，生成双制导图，其中双制导图的具体算式表示为：
且
w＝exp(-ILCM)
其中，是其中一个制导图，σi和μi分别代表以像素i为中心的局部窗口的标准方差值和均值；w是基于PLIP局部对比度测度计算的窗口权重值；λ是拉格朗日因子；是另一个制导图，ε为一个小的正实参数，其作用是防止分母的奇异性；
S173：引入两个图像先验约束条件，并以双制导图的形式构成最终目标函数，具体表示为：
其中，ki，bi分别为参数，是两个制导图，用于归一化ki，bi和之间的差异；λ1和λ2是拉格朗日因子；
S175：求解线性方程组，得出最优化参数，所述线性方程组为：
其中，ki，bi分别为参数，是两个制导图，用于归一化ki，bi和之间的差异；λ1和λ2是拉格朗日因子；
S177：根据最优化参数计算最优映射结果。
优选地，在步骤S19中，所述方法包括以下步骤：
S191：对所述高动态范围图像进行色彩通道判断，若为彩色则转到步骤S193，否则直接输出结果图像；
S193：将亮度单通道结果变换到RGB色彩通道，并输出结果图像；
其中，Jc和Ic分别代表RGB彩色三通道的色调映射结果和输入的高动态图像，s表示饱和因子，并且它的取值在[0.4,0.6]之间。
优选地，所述映射变换后的低动态范围图像保持所述原始高动态范围图像的几何结构信息，包括平滑部分、纹理部分和边缘部分。
优选地，所述映射过程中保留给定场景的特点。
优选地，所述图像局部的标准方差值保持灰度或亮度水平，反映了图像的几何结构信息，例如，边缘，纹理，噪声。
优选地，所述图像局部的均值反映图像的灰度或亮度的对比度。
本发明的有益效果如下：
本发明所述技术方案通过与目前现有方法的实验结果比较表明，所提出的方法能够有效地改善和优化高动态范围图像的色调映射。不但能有效显示高动态范围图像，同时还能保持图像边缘以及图像细节信息，并且抑制了光晕效应的产生。对数律的变换，既符合人类视觉感知特性，又将一个非线性变换问题转化成了一个线性问题，这样大大的简化了整个运算过程，降低了算法的复杂度，能够满足工程的实时性应用要求。基于参数化对数图像处理(PLIP)模型对比度测度发挥了关键性作用，使得算法中的参数是自适应的，这样对于实际的背景应用，能够确保算法适用各种不同的场景图像。双制导图充分考虑了图像局部的标准方差值、图像局部的均值和像素自身和其相邻的窗口内的像素之间的灰度差异，能够引导目标优化函数接近最优解，使得算法具有较好的自适应能力、鲁棒性和实用性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明所述高动态范围图像的自适应再现显示方法的结构框图；
图2示出本发明所述读取高动态范围图像的流程图；
图3示出本发明所述使用非线性色调映射窗口模型进行局部映射变换的流程图；
图4示出本发明所述使用双制导图计算最优映射结果的流程图；
图5示出本发明所述输出结果图像的流程图；
图6示出本发明示例处理效果图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
在图像应用领域，图像中的最大和最小亮度值之间的比例被称为动态范围。大多数图像数据范围一般为8位，也就是像素灰度值在0-255之间，而高动态范围图像存储更大数量级数据，例如10位或者16位，这样能够跨越一个非常宽范围的像素灰度或者亮度等级，可以较好的表达真实世界的场景。因此，为了有效显示高动态范围图像，本发明提出一种高动态范围图像的自适应再现显示技术，可广泛应用于各个领域，如在生物医学领域，它能捕获到患者所有症状的细节，就好像复制的真实场景。在卫星遥感和军事领域中，它有助于准确地识别目标。特别是在游戏和电影中，为了更生动的视觉体验，用户对虚拟场景图形的要求是越来越高。
图1示出本发明所述高动态范围图像的自适应再现显示方法的结构框图，所述方法包括：步骤S11：读取高动态范围图像，得到图像的灰度或亮度通道。
在一个具体的实施例中，图2示出本发明所述读取高动态范围图像的流程图，步骤S11具体包括：步骤S111：读取高动态范围图像。步骤S113：对读取的输入高动态范围图像进行色彩通道判断，若为彩色则转到步骤S115，否则直接转到步骤S13。步骤S115：对所述彩色高动态范围图像进行相应的色彩空间转换，得到图像的灰度或亮度通道。
步骤S13：对所述图像的灰度或亮度通道，采用非线性的色调映射窗口模型，进行局部映射变换。
在另一个具体的实施例中，图3示出本发明所述使用非线性色调映射窗口模型进行局部映射变换的流程图，步骤S13具体包括：步骤S131：使用所述高动态范围图像的亮度通道分量，根据非线性的色调映射窗口模型计算映射输出结果，其中非线性窗口变换模型为：
其中，wi代表以像素i为中心的局部窗口，αi和βi表示非线性映射参数，Ih(j)表示输入高动态范围图像的亮度通道分量，Il(j)表示映射输出结果；
为了简化公式(1)，步骤S133：根据人类视觉系统的特性，对所述非线性窗口变换模型进行变换。将Ih(j)归一化到[0,1]范围之间，并且综合考虑人类视觉系统的特性，对公式(1)的两边都通过反余弦和对数变换，具体表示为：
ln(arcsin Il(j))＝αi ln(Ih(j))+lnβi,j∈wi (2)
其中，wi代表以像素i为中心的局部窗口，αi和βi表示非线性映射参数，Ih(j)表示输入高动态范围图像的亮度通道分量，Il(j)表示映射输出结果；
步骤S135：简化运算过程，将非线性变换问题转化为线性问题。假设l(j)＝ln(arcsin Il(j)),h(j)＝ln Ih(j)，ki＝αi,bi＝lnβi，公式(2)简化为：
l(j)＝kih(j)+bi,j∈wi (3)
从算式(2)和算式(3)之间的对比可以看出，将一个非线性变换问题转化成了一个线性问题，这样大大的简化了整个运算过程。
步骤S15：基于PLIP模型进行局部对比度测度计算。
在另一个具体的实施例中，本发明为了考虑更准确地测量高动态范围图像的对比度，通过PLIP模型，设计图像的局部对比度测度，假设为ILCM，具体算式如下所示：
其中，和分别表示局部窗口中灰度值最大和最小的像素，和Θ分别代表参数化对数图像处理模型的加法和减法运算，γ(M)和k(M)都取值1026。
步骤S17：设计自适应优化的双制导图映射约束，引导目标优化函数得出最优映射结果。
在另一个具体的实施例中，图4示出本发明所述使用双制导图计算最优映射结果的流程图，步骤S17具体包括：步骤S171：对所述图像的灰度或亮度通道，计算每一个像素窗口的权重值，生成双制导图。本发明设计的双制导图在基于PLIP局部对比度测度方法的基础上可以实现参数自适应优化，双制导图的具体算式表示为：
且
w＝exp(-ILCM) (7)
其中，是其中一个制导图，σi和μi分别代表以像素i为中心的局部窗口的标准方差值和均值；w是基于PLIP局部对比度测度计算的窗口权重值；λ是拉格朗日因子；是另一个制导图，ε为一个小的正实参数，其作用是防止分母的奇异性；
步骤S173：引入两个图像先验约束条件，并以双制导图的形式构成最终目标函数，具体表示为：
其中，l(j)，h(j)为推导过程中的中间变量无实际含义，公式(9)的第一项是数据误差项，确保每个像素与其相邻的窗口内的像素之间的映射是相似的，这样可以不改变原图像的几何结构；是两个制导图，它们分别用来指导变换参数ki，bi，这样有助于获得接近最优解的结果；用于归一化ki，bi和之间的差异；λ1和λ2都是拉格朗日因子。
步骤S175：求解线性方程组，得出最优化参数；在公式(9)中有很多未知的变量，通过分别求解式(9)对ki和bi的偏导数，并且置为零，得到如下线性方程组，
显然，可以通过求解上述线性方程组，则可以表示为：
Hi[ki bi]T＝ηi (11)
其中，
通过上述公式，我们可以得到ki和bi的一个最优解，可以建立
其中，
步骤S177：根据最优化参数计算最优映射结果。当得到最优解ki和bi后，类似方程组(10)同样的操作，通过求解式(9)对l(t)的偏导数，并且置为零，则有
联合方程(14)和(15)，则有
其中，
其中，δtj是狄克拉函数。通过求解线性方程(16)可以获得映射结果。根据上面涉及的算式(2)到算式(3)的转换方案，因此，最终的最优映射结果可以表示为
步骤S19：输出结果图像。
在另一个具体的实施例中，图5示出本发明所述输出结果图像的流程图，步骤S19具体包括：步骤S191：对所述高动态范围图像进行色彩通道判断，若为彩色则转到步骤S193，否则直接输出结果图像。步骤S193：将亮度单通道结果变换到RGB色彩通道，并输出结果图像；
其中，Jc和Ic分别代表RGB彩色三通道的色调映射结果和输入的高动态图像。h(i)、J(i)为推导过程中的中间变量无实际含义，s表示饱和因子，并且它的取值在[0.4,0.6]之间。
图6示出本发明示例处理效果图，其中(a)为含准确亮度值的网格，(b)为文献Shan等人提出算法处理的结果，(c)为本发明提出算法处理的结果。本发明不同于一般的高动态范围图像色调映射方法，采用了非线性窗口变换模型，在非线性窗口变换模型重叠遍历整个图像的基础上，通过一系列的策略转换，建立一个相对简单线性化的参数优化的目标决策函数，大大提高了运算速度，降低了算法的复杂度。
在另一个具体的实施例中，所述映射变换后的低动态范围图像应该保持原始高动态范围图像的几何结构信息，其中主要包括平滑部分，纹理部分和边缘部分。无论是暗区域的增强提升，还是明亮区域的压缩抑制，应尽可能多的保持图像的细节信息。
在另一个具体的实施例中，在高动态范围图像映射过程中，需要保留给定场景的特点，其中最重要的一方面就是研究如何感知已获取的图像来保持真实世界场景的一致性。为了满足人类的视觉感知，考虑人眼视觉系统特征，映射后图像的显示应尽可能地接近真实的场景。例如，人眼感知图像细节、颜色和对比度等特性都有可能给更高质量的低动态范围图像的有效显示提供帮助。
在另一个具体的实施例中，所述图像局部的标准方差值保持灰度或亮度水平，反映了图像的几何结构信息，例如，边缘，纹理，噪声。
在另一个具体的实施例中，所述图像局部的均值反映图像的灰度或亮度的对比度。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种高动态范围图像的自适应再现显示方法，其特征在于，所述方法包括以下步骤：
S11：读取高动态范围图像，得到图像的灰度或亮度通道；
S13：对所述图像的灰度或亮度通道，采用非线性的色调映射窗口模型，进行局部映射变换；
S15：基于PLIP模型进行局部对比度测度计算；
S17：设计自适应优化的双制导图映射约束，引导目标优化函数得出最优映射结果；
S19：输出结果图像。
2.根据权利要求1所述的显示方法，其特征在于，在所述步骤S11中，所述方法包括以下步骤：
S111：读取高动态范围图像；
S113：对所述高动态范围图像进行色彩通道判断，若为彩色则转到步骤S115，否则直接转到步骤S13；
S115：对所述彩色高动态范围图像进行相应的色彩空间转换，得到图像的灰度或亮度通道。
3.根据权利要求1所述的显示方法，其特征在于，在步骤S13中，所述方法包括以下步骤：
S131：使用所述高动态范围图像的亮度通道分量，根据非线性的色调映射窗口模型计算映射输出结果，其中非线性窗口变换模型为：
<mrow>
<msub>
<mi>I</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>I</mi>
<mi>h</mi>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</msubsup>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
其中，wi代表以像素i为中心的局部窗口，αi和βi表示非线性映射参数，Ih(j)表示输入高动态范围图像的亮度通道分量，Il(j)表示映射输出结果；
S133：根据人类视觉系统的特性，对所述非线性窗口变换模型进行变换；
S135：简化运算过程，将非线性变换问题转化为线性问题。
4.根据权利要求1所述的显示方法，其特征在于，在步骤S15中，通过所述PLIP模型设计图像的局部对比度测度ILCM，具体算式为：
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>L</mi>
<mi>C</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>I</mi>
<mi>max</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&Theta;I</mi>
<mi>min</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>I</mi>
<mi>max</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&CirclePlus;</mo>
<msubsup>
<mi>I</mi>
<mi>min</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mi>I</mi>
<mi>max</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&Theta;I</mi>
<mi>min</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>I</mi>
<mi>max</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&CirclePlus;</mo>
<msubsup>
<mi>I</mi>
<mi>min</mi>
<mi>w</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ILCM为所述图像的局部对比度测度，和分别表示局部窗口中灰度值最大和最小的像素，和Θ分别代表参数化对数图像处理模型的加法和减法运算。
5.根据权利要求1所述的显示方法，其特征在于，在步骤S17中，所述方法包括以下步骤：
S171：对所述图像的灰度或亮度通道，计算每一个像素窗口的权重值，生成双制导图，其中双制导图的具体算式表示为：
<mrow>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mi>w</mi>
</msup>
<mo>+</mo>
<msubsup>
<mi>&lambda;&sigma;</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
且
w＝exp(-ILCM)
<mrow>
<msub>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
其中，是其中一个制导图，σi和μi分别代表以像素i为中心的局部窗口的标准方差值和均值；w是基于PLIP局部对比度测度计算的窗口权重值；λ是拉格朗日因子；是另一个制导图，ε为一个小的正实参数，其作用是防止分母的奇异性；
S173：引入两个图像先验约束条件，并以双制导图的形式构成最终目标函数，具体表示为：
<mrow>
<mi>A</mi>
<mi>r</mi>
<mi>g</mi>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mi>h</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msubsup>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msubsup>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中，ki，bi分别为参数，是两个制导图，用于归一化ki，bi和之间的差异；λ1和λ2是拉格朗日因子；
S175：求解线性方程组，得出最优化参数，所述线性方程组为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mi>h</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>h</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msubsup>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mi>h</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msubsup>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，ki，bi分别为参数，是两个制导图，用于归一化ki，bi和之间的差异；λ1和λ2是拉格朗日因子；
S177：根据最优化参数计算最优映射结果。
6.根据权利要求1所述的显示方法，其特征在于，在步骤S19中，所述方法包括以下步骤：
S191：对所述高动态范围图像进行色彩通道判断，若为彩色则转到步骤S193，否则直接输出结果图像；
S193：将亮度单通道结果变换到RGB色彩通道，并输出结果图像；
<mrow>
<msub>
<mi>J</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>s</mi>
</msup>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>c</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>r</mi>
<mo>,</mo>
<mi>g</mi>
<mo>,</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
其中，Jc和Ic分别代表RGB彩色三通道的色调映射结果和输入的高动态图像，s表示饱和因子，并且它的取值在[0.4,0.6]之间。
7.根据权利要求3所述的显示方法，其特征在于，所述映射变换后的低动态范围图像保持所述原始高动态范围图像的几何结构信息，包括平滑部分、纹理部分和边缘部分。
8.根据权利要求3所述的显示方法，其特征在于，所述映射过程中保留给定场景的特点。
9.根据权利要求5所述的显示方法，其特征在于，所述图像局部的标准方差值保持灰度或亮度水平，反映了图像的几何结构信息，例如，边缘，纹理，噪声。
10.根据权利要求5所述的显示方法，其特征在于，所述图像局部的均值反映图像的灰度或亮度的对比度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710642064.5A CN107451974B (zh) | 2017-07-31 | 2017-07-31 | 一种高动态范围图像的自适应再现显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710642064.5A CN107451974B (zh) | 2017-07-31 | 2017-07-31 | 一种高动态范围图像的自适应再现显示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107451974A true CN107451974A (zh) | 2017-12-08 |
| CN107451974B CN107451974B (zh) | 2020-06-02 |
Family
ID=60489981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710642064.5A Active CN107451974B (zh) | 2017-07-31 | 2017-07-31 | 一种高动态范围图像的自适应再现显示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451974B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189277A (zh) * | 2019-06-05 | 2019-08-30 | 电子科技大学 | 一种基于经验模态分解的高动态范围图像可视化方法 |
| CN110796689A (zh) * | 2019-10-28 | 2020-02-14 | 咪咕视讯科技有限公司 | 一种视频处理方法、电子设备及存储介质 |
| CN111223060A (zh) * | 2020-01-05 | 2020-06-02 | 西安电子科技大学 | 基于自适应plip模型的图像处理方法 |
| WO2023070582A1 (en) * | 2021-10-29 | 2023-05-04 | Huawei Technologies Co.,Ltd. | A device and method for noise-adaptive high dynamic range image processing |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101951523A (zh) * | 2010-09-21 | 2011-01-19 | 北京工业大学 | 一种自适应彩色图像处理方法及系统 |
| US8717211B2 (en) * | 2010-11-30 | 2014-05-06 | Qualcomm Incorporated | Adaptive gain adjustment system |
| CN103843032A (zh) * | 2012-08-08 | 2014-06-04 | 杜比实验室特许公司 | 用于高动态范围图像的图像处理 |
| CN103916669A (zh) * | 2014-04-11 | 2014-07-09 | 浙江宇视科技有限公司 | 高动态范围图像压缩方法及装置 |
| CN105915909A (zh) * | 2016-05-27 | 2016-08-31 | 清华大学深圳研究生院 | 一种高动态范围图像分层压缩方法 |
| CN106663313A (zh) * | 2014-06-13 | 2017-05-10 | 艾里斯泰克软件股份有限公司 | 图像的显示中以及与之有关的改进 |
| US20170214916A1 (en) * | 2016-01-26 | 2017-07-27 | Dolby Laboratories Licensing Corporation | Content-adaptive reshaping for high dynamic range images |
-
2017
- 2017-07-31 CN CN201710642064.5A patent/CN107451974B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101951523A (zh) * | 2010-09-21 | 2011-01-19 | 北京工业大学 | 一种自适应彩色图像处理方法及系统 |
| US8717211B2 (en) * | 2010-11-30 | 2014-05-06 | Qualcomm Incorporated | Adaptive gain adjustment system |
| CN103843032A (zh) * | 2012-08-08 | 2014-06-04 | 杜比实验室特许公司 | 用于高动态范围图像的图像处理 |
| CN103916669A (zh) * | 2014-04-11 | 2014-07-09 | 浙江宇视科技有限公司 | 高动态范围图像压缩方法及装置 |
| CN106663313A (zh) * | 2014-06-13 | 2017-05-10 | 艾里斯泰克软件股份有限公司 | 图像的显示中以及与之有关的改进 |
| US20170214916A1 (en) * | 2016-01-26 | 2017-07-27 | Dolby Laboratories Licensing Corporation | Content-adaptive reshaping for high dynamic range images |
| CN105915909A (zh) * | 2016-05-27 | 2016-08-31 | 清华大学深圳研究生院 | 一种高动态范围图像分层压缩方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189277A (zh) * | 2019-06-05 | 2019-08-30 | 电子科技大学 | 一种基于经验模态分解的高动态范围图像可视化方法 |
| CN110189277B (zh) * | 2019-06-05 | 2023-03-31 | 电子科技大学 | 一种基于经验模态分解的高动态范围图像可视化方法 |
| CN110796689A (zh) * | 2019-10-28 | 2020-02-14 | 咪咕视讯科技有限公司 | 一种视频处理方法、电子设备及存储介质 |
| CN111223060A (zh) * | 2020-01-05 | 2020-06-02 | 西安电子科技大学 | 基于自适应plip模型的图像处理方法 |
| CN111223060B (zh) * | 2020-01-05 | 2021-01-05 | 西安电子科技大学 | 基于自适应plip模型的图像处理方法 |
| WO2023070582A1 (en) * | 2021-10-29 | 2023-05-04 | Huawei Technologies Co.,Ltd. | A device and method for noise-adaptive high dynamic range image processing |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107451974B (zh) | 2020-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An experiment-based review of low-light image enhancement methods | |
| Gao et al. | Naturalness preserved nonuniform illumination estimation for image enhancement based on retinex | |
| Park et al. | A contrast enhancement method using dynamic range separate histogram equalization | |
| CN100568279C (zh) | 一种基于Retinex理论的快速彩色图像增强方法 | |
| CN107451974B (zh) | 一种高动态范围图像的自适应再现显示方法 | |
| Liu et al. | Underwater image enhancement method based on adaptive attenuation-curve prior | |
| Lee et al. | Local tone mapping using the K-means algorithm and automatic gamma setting | |
| Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
| US20130121572A1 (en) | Methods and Apparatus for Tone Mapping High Dynamic Range Images | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| CA2506035A1 (en) | Image signal processing | |
| Tsai | Adaptive local power-law transformation for color image enhancement | |
| US11380023B2 (en) | End-to-end relighting of a foreground object of an image | |
| Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
| Lee et al. | Tone mapping using color correction function and image decomposition in high dynamic range imaging | |
| Sandoub et al. | A low‐light image enhancement method based on bright channel prior and maximum colour channel | |
| Shi et al. | A photographic negative imaging inspired method for low illumination night-time image enhancement | |
| Sun et al. | A fast color image enhancement algorithm based on Max Intensity Channel | |
| CN118302788A (zh) | 从有噪原始图像进行高动态范围视图合成 | |
| Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
| Zhou et al. | Underwater image enhancement method based on color correction and three-interval histogram stretching | |
| Zhang et al. | Underwater image enhancement by the combination of dehazing and color correction | |
| Al-Ameen | Contrast Enhancement of Digital Images Using an Improved Type-II Fuzzy Set-Based Algorithm. | |
| Lv et al. | Two adaptive enhancement algorithms for high gray-scale RAW infrared images based on multi-scale fusion and chromatographic remapping | |
| Li et al. | An adaptive algorithm for the display of high-dynamic range images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |