CN108122211A - 一种基于箱式滤波器的局部边缘保持色调映射算法 - Google Patents
一种基于箱式滤波器的局部边缘保持色调映射算法 Download PDFInfo
- Publication number
- CN108122211A CN108122211A CN201711377961.4A CN201711377961A CN108122211A CN 108122211 A CN108122211 A CN 108122211A CN 201711377961 A CN201711377961 A CN 201711377961A CN 108122211 A CN108122211 A CN 108122211A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- image
- mfrac
- 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.)
- Pending
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000006835 compression Effects 0.000 claims abstract description 11
- 238000007906 compression Methods 0.000 claims abstract description 11
- 238000011084 recovery Methods 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims abstract description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 abstract description 2
- 230000000717 retained effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 101000648554 Mus musculus Sushi domain-containing protein 6 Proteins 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
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于箱式滤波器的局部边缘保持色调映射算法，该方法先对图像进行预处理；然后再利用LEP滤波器对预处理后的图像分层；紧接着计算分层后的图像的加速均值、方差，将得到的均值、方差输入箱式滤波器得到滤波结果；再对滤波结果进行动态压缩；最后对压缩后的图像进行色彩恢复；该方法在较好的保留图像的细节信息的基础上，降低了算法了复杂度。根据图像梯度值信息对图像进行分层处理，再对图像进行色调映射的同时保留图像的边缘信息，同时，利用箱式滤波器降低求梯度值时的复杂度。
Description
技术领域
本发明涉及高动态范围图像色调映射算法领域，更具体地，涉及一种基于箱式滤波器的局部边缘保持色调映射算法。
背景技术
目前的色调映射算法可以分为全局色调映射算法和局部色调映射算法，全局色调映射算法对整幅图像采用相同的处理方法，容易造成图像细节信息的丢失，图像整体映射效果好；局部色调映射算法则是根据局部像素域内的亮度信息来设计映射算法，保留了细节信息，但容易造成算法复杂度高。
近年来，提出了图像分层技术，将图像分为细节层和基本层，该算法得到了较好的映射效果，但算法复杂度较高。Drago提出了基于对数域内全局色调映射算法，该算法输出的图像亮度效果较好，但存在严重的细节信息丢失；Land和McCann提出了Retinex理论，把一幅图像划分为亮度层和反射层，认为亮度层为图像的低频信息，而反射层为图像的高频信息；后将该理论应用于映射算法中，容易出现光晕现象。为了解决这一问题，提出了边缘保持的思想。Fattal于2008年提出了基于梯度域的色调映射算法，对图像中梯度值较大的亮度值减小，较小的亮度值增强，保留了图像的细节信息，但算法复杂。Subr于2009年提出了基于边缘保持的多尺度图像分层，将图像分为一个光滑的基本层和多个细节层，基本层不仅仅包含了图像的低频信息，同时还包含了图像的边缘信息；Bo等人于2012年提出了一种边缘保持的多尺度高动态范围图像映射算法，该算法中定义了一种滤波器并对图像进行分层处理，并分别对每层图像映射，最后根据映射后的亮度值进行色彩恢复，该算法可以较好地输出彩色图像，但在图像预处理阶段增加了算法复杂度，同时提出了新型滤波器需要计算图像的均值方差等，处理过程复杂。
发明内容
本发明提供一种复杂度交底的基于箱式滤波器的局部边缘保持色调映射算法。
为了达到上述技术效果，本发明的技术方案如下：
一种基于箱式滤波器的局部边缘保持色调映射算法，包括以下步骤：
S1：对图像进行预处理；
S2：利用LEP滤波器对预处理后的图像分层；
S3：计算分层后的图像的加速均值、方差，将得到的均值、方差输入箱式滤波器得到滤波结果；
S4：对滤波结果进行动态压缩；
S5：对压缩后的图像进行色彩恢复。
进一步地，所述步骤S1的具体过程是：
首先输入一幅HDR图像，将该图像从RGB颜色空间转化至XYZ颜色空间，在该颜色空间下定义图像亮度值为：
Lum＝0.213*R+0.715*G+0.072*B (1)
对图像的亮度值进行对数操作，为了防止对数操作后出现无穷大值，对图像中亮度值为0的像素点进行赋值为1×10-6，对数处理后可得：
Lumlog＝ln(Lum) (2)。
进一步地，所述步骤S2的具体过程是：
根据图像的梯度信息，将一幅图像划分为一个基本层和多个细节层，定义图像的细节层为梯度值为0的像素点的集合，而基本层保留图像的大部分信息并保留图像的均值信息，表示为：
Lumlog＝B0+D1+D2+...+Dn (3)
将对数域处理后的亮度信息视为第三个基本层B3，并作为上述滤波器的输入，可以首先分解出第二个基本层B2，则第三个细节层D2可以表示为：
D3＝B3-B2 (4)
将作为B2滤波器的输入，得到第一个基本层B1，第二个细节层可以表示为：
D2＝B2-B1 (5)
取B1的均值为基本层B0，第一个细节层可通过下式得到：
D1＝B1-B0 (6)。
进一步地，所述步骤S3的具体过程是：
假设1)、在任意位置基本层都保留了局部均值；
假设2)、在局部窗函数内，每个尺度下的显著边缘都与图像在该窗函数内的较大梯度值相关；
由第一个假设下，可知细节层在0附近波动，下式在最小化：
∫∫(I-B)2dxdy (7)
令上式的微分值等于0得:
2∫∫w(I-B)dxdy＝0 (8)
根据上式可以求得B：
可知B等于图像的局部均值，满足假设1)，为了保留显著边缘，需要另一个限制，根据前面的假设可以知道图像的显著边缘信息应该在基础层，根据假设2)可知，图像的梯度值越大，越易为显著边缘：
其中，β表示算法对I的梯度值得敏感度，如果I的梯度值很大，则平衡系数会很小，式(10)积分项中，第一项将占主导地位，则得到的基础层将尽可能的接近于图像的亮度信息，大部分的显著边缘信息将保存在基础层内，相反，若I的梯度值很小，则平衡系数会很大，积分项中，第二项占据主导地位，则基础层会变得顺滑，不含过多的显著边缘；
将式(10)融合得:
λ表示两式的限制参数，化简上式，并用α′表示限制参数得：
称式(12)为功能函数，将上式离散化可得：
该滤波器的目的是对功能函数求最小化求得解，在每个尺度下的窗函数内，I和B线性相关，则：
Bi＝awIi+bw (14)
aw、bw表示窗函数内的系数，将式(14)及Bi的梯度值带入式(13)，可得：
最优化求解的问题转化为参数估计问题，可以通过改变参数aw、bw的大小使得式(16)最小令aw、bw偏微分等于0，即可使得式(15)最小，得：
其中，σw 2代表I在窗口w的方差，为I在窗函数w的均值，如果令
a′＝β＝1 (17)
则：
表示在窗函数内梯度的均值，显然，aw总是小于1的，由于每个像素被涵盖在N个不同的窗函数内，因此会有N个不同的滤波值Bi，将不同的输出结果平均得到最终的滤波输出，表示为：
进一步地，所述步骤S4的具体过程是：
利用arctan函数对图像的细节层进行动态范围的压缩，可表示为：
D′n＝(2/π)·arctan(x) (20)
将经过动态范围压缩后的图像进行合成，表示为：
Lout＝0.5D′1+D′2+D′3 (21)。
进一步地，所述步骤S5的的具体过程是：
为了去除相关噪声影响，同时增加主要像素的对比度，对得到的亮度值进行裁剪，将像素亮度值的最大最小值的1％删除，得到最终的亮度信息；
对合成的亮度值进行色彩恢复：
其中C＝R，G，B，s＝0.6。
与现有技术相比，本发明技术方案的有益效果是：
本发明方法先对图像进行预处理；然后再利用LEP滤波器对预处理后的图像分层；紧接着计算分层后的图像的加速均值、方差，将得到的均值、方差输入箱式滤波器得到滤波结果；再对滤波结果进行动态压缩；最后对压缩后的图像进行色彩恢复；该方法在较好的保留图像的细节信息的基础上，降低了算法了复杂度。根据图像梯度值信息对图像进行分层处理，再对图像进行色调映射的同时保留图像的边缘信息，同时，利用箱式滤波器降低求梯度值时的复杂度。
附图说明
图1算法框图；
图2算法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-2所示，一种基于箱式滤波器的局部边缘保持色调映射算法，包括以下步骤：
S1：对图像进行预处理；
S2：利用LEP滤波器对预处理后的图像分层；
S3：计算分层后的图像的加速均值、方差，将得到的均值、方差输入箱式滤波器得到滤波结果；
S4：对滤波结果进行动态压缩；
S5：对压缩后的图像进行色彩恢复。
步骤S1的具体过程是：
首先输入一幅HDR图像，将该图像从RGB颜色空间转化至XYZ颜色空间，在该颜色空间下定义图像亮度值为：
Lum＝0.213*R+0.715*G+0.072*B (1)
对图像的亮度值进行对数操作，为了防止对数操作后出现无穷大值，对图像中亮度值为0的像素点进行赋值为1×10-6，对数处理后可得：
Lumlog＝ln(Lum) (2)。
步骤S2的具体过程是：
根据图像的梯度信息，将一幅图像划分为一个基本层和多个细节层，定义图像的细节层为梯度值为0的像素点的集合，而基本层保留图像的大部分信息并保留图像的均值信息，表示为：
Lumlog＝B0+D1+D2+...+Dn (3)
将对数域处理后的亮度信息视为第三个基本层B3，并作为上述滤波器的输入，可以首先分解出第二个基本层B2，则第三个细节层D2可以表示为：
D3＝B3-B2 (4)
将作为B2滤波器的输入，得到第一个基本层B1，第二个细节层可以表示为：
D2＝B2-B1 (5)
取B1的均值为基本层B0，第一个细节层可通过下式得到：
D1＝B1-B0 (6)。
进一步地，所述步骤S3的具体过程是：
假设1)、在任意位置基本层都保留了局部均值；
假设2)、在局部窗函数内，每个尺度下的显著边缘都与图像在该窗函数内的较大梯度值相关；
由第一个假设下，可知细节层在0附近波动，下式在最小化：
∫∫(I-B)2dxdy （７）
令上式的微分值等于0得：
2∫∫w(I-B)dxdy＝0 (8)
根据上式可以求得B：
可知B等于图像的局部均值，满足假设1)，为了保留显著边缘，需要另一个限制，根据前面的假设可以知道图像的显著边缘信息应该在基础层，根据假设2)可知，图像的梯度值越大，越易为显著边缘：
其中，β表示算法对I的梯度值得敏感度，如果I的梯度值很大，则平衡系数会很小，式(10)积分项中，第一项将占主导地位，则得到的基础层将尽可能的接近于图像的亮度信息，大部分的显著边缘信息将保存在基础层内，相反，若I的梯度值很小，则平衡系数会很大，积分项中，第二项占据主导地位，则基础层会变得顺滑，不含过多的显著边缘；
将式(10)融合得:
λ表示两式的限制参数，化简上式，并用α′表示限制参数得：
称式(12)为功能函数，将上式离散化可得：
该滤波器的目的是对功能函数求最小化求得解，在每个尺度下的窗函数内，I和B线性相关，则：
Bi＝awIi+bw (14)
aw、bw表示窗函数内的系数，将式(14)及Bi的梯度值带入式(13)，可得：
最优化求解的问题转化为参数估计问题，可以通过改变参数aw、bw的大小使得式(16)最小令aw、bw偏微分等于0，即可使得式(15)最小，得：
其中，σw 2代表I在窗口w的方差，为I在窗函数w的均值，如果令
a′＝β＝1 (17)
则：
表示在窗函数内梯度的均值，显然，aw总是小于1的，由于每个像素被涵盖在N个不同的窗函数内，因此会有N个不同的滤波值Bi，将不同的输出结果平均得到最终的滤波输出，表示为：
步骤S4的具体过程是：
利用arctan函数对图像的细节层进行动态范围的压缩，可表示为：
D′n＝(2/π）·arctan(x) (20)
将经过动态范围压缩后的图像进行合成，表示为：
Lout＝0.5D′1+D′2+D′3 (21)。
步骤S5的的具体过程是：
为了去除相关噪声影响，同时增加主要像素的对比度，对得到的亮度值进行裁剪，将像素亮度值的最大最小值的1％删除，得到最终的亮度信息；
对合成的亮度值进行色彩恢复：
其中C＝R，G，B，s＝0.6。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
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。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于箱式滤波器的局部边缘保持色调映射算法，其特征在于，包括以下步骤：
S1：对图像进行预处理；
S2：利用LEP滤波器对预处理后的图像分层；
S3：计算分层后的图像的加速均值、方差，将得到的均值、方差输入箱式滤波器得到滤波结果；
S4：对滤波结果进行动态压缩；
S5：对压缩后的图像进行色彩恢复。
2.根据权利要求1所述的基于箱式滤波器的局部边缘保持色调映射算法，其特征在于，所述步骤S1的具体过程是：
首先输入一幅HDR图像，将该图像从RGB颜色空间转化至XYZ颜色空间，在该颜色空间下定义图像亮度值为：
Lum＝0.213*R+0.715*G+0.072*B (1)
对图像的亮度值进行对数操作，为了防止对数操作后出现无穷大值，对图像中亮度值为0的像素点进行赋值为1×10-6，对数处理后可得：
Lumlog＝ln(Lum) (2)。
3.根据权利要求2所述的基于箱式滤波器的局部边缘保持色调映射算法，其特征在于，所述步骤S2的具体过程是：
根据图像的梯度信息，将一幅图像划分为一个基本层和多个细节层，定义图像的细节层为梯度值为0的像素点的集合，而基本层保留图像的大部分信息并保留图像的均值信息，表示为：
Lumlog＝B0+D1+D2+…+Dn (3)
将对数域处理后的亮度信息视为第三个基本层B3，并作为上述滤波器的输入，可以首先分解出第二个基本层B2，则第三个细节层D2可以表示为：
D3＝B3-B2 (4)
将作为B2滤波器的输入，得到第一个基本层B1，第二个细节层可以表示为：
D2＝B2-B1 (5)
取B1的均值为基本层B0，第一个细节层可通过下式得到：
D1＝B1-B0 (6)。
4.根据权利要求3所述的基于箱式滤波器的局部边缘保持色调映射算法，其特征在于，所述步骤S3的具体过程是：
假设1)、在任意位置基本层都保留了局部均值；
假设2)、在局部窗函数内，每个尺度下的显著边缘都与图像在该窗函数内的较大梯度值相关；
由第一个假设下，可知细节层在0附近波动，下式在最小化：
∫∫(I-B)2dxdy (7)
令上式的微分值等于0得：
2∫∫w(I-B)dxdy＝0 (8)
根据上式可以求得B：
<mrow>
<mi>B</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>&Integral;</mo>
<msub>
<mo>&Integral;</mo>
<mi>w</mi>
</msub>
<mi>I</mi>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
可知B等于图像的局部均值，满足假设1)，为了保留显著边缘，需要另一个限制，根据前面的假设可以知道图像的显著边缘信息应该在基础层，根据假设2)可知，图像的梯度值越大，越易为显著边缘：
<mrow>
<mo>&Integral;</mo>
<msub>
<mo>&Integral;</mo>
<mi>w</mi>
</msub>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>I</mi>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>B</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，β表示算法对I的梯度值得敏感度，如果I的梯度值很大，则平衡系数会很小，式(10)积分项中，第一项将占主导地位，则得到的基础层将尽可能的接近于图像的亮度信息，大部分的显著边缘信息将保存在基础层内，相反，若I的梯度值很小，则平衡系数会很大，积分项中，第二项占据主导地位，则基础层会变得顺滑，不含过多的显著边缘；
将式(10)融合得：
<mrow>
<mo>&Integral;</mo>
<msub>
<mo>&Integral;</mo>
<mi>w</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>&Integral;</mo>
<msub>
<mo>&Integral;</mo>
<mi>w</mi>
</msub>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>I</mi>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>B</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
λ表示两式的限制参数，化简上式，并用α′表示限制参数得：
<mrow>
<mo>&Integral;</mo>
<msub>
<mo>&Integral;</mo>
<mi>w</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>-</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msup>
<mi>&alpha;</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>I</mi>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>B</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
称式(12)为功能函数，将上式离散化可得：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msup>
<mi>&alpha;</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
该滤波器的目的是对功能函数求最小化求得解，在每个尺度下的窗函数内，I和B线性相关，则：
Bi＝awIi+bw (14)
aw、bw表示窗函数内的系数，将式(14)及Bi的梯度值带入式(13)，可得：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>w</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>w</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>&alpha;</mi>
<mo>&prime;</mo>
</msup>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>-</mo>
<mi>&beta;</mi>
</mrow>
</msup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>a</mi>
<mi>w</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
最优化求解的问题转化为参数估计问题，可以通过改变参数aw、bw的大小使得式(16)最小令aw、bw偏微分等于0，即可使得式(15)最小，得：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mi>w</mi>
</msub>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>&sigma;</mi>
<mi>w</mi>
<mn>2</mn>
</msubsup>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>w</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msup>
<mi>a</mi>
<mo>&prime;</mo>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>-</mo>
<mi>&beta;</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mi>w</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mi>w</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>w</mi>
</msub>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mi>w</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，σw 2代表I在窗口w的方差，为I在窗函数w的均值，如果令
a′＝β＝1 (17)
则：
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msup>
<mi>a</mi>
<mo>&prime;</mo>
</msup>
<mo>&CenterDot;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>-</mo>
<mi>&beta;</mi>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>&dtri;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
表示在窗函数内梯度的均值，显然，aw总是小于1的，由于每个像素被涵盖在N个不同的窗函数内，因此会有N个不同的滤波值Bi，将不同的输出结果平均得到最终的滤波输出，表示为：
<mrow>
<msubsup>
<mi>B</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>a</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>b</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的基于箱式滤波器的局部边缘保持色调映射算法，其特征在于，所述步骤S4的具体过程是：
利用arctan函数对图像的细节层进行动态范围的压缩，可表示为：
D′n＝(2/π)·arctan(x) (20)
将经过动态范围压缩后的图像进行合成，表示为：
Lout＝0.5D′1+D′2+D′3 (21)。
6.根据权利要求5所述的基于箱式滤波器的局部边缘保持色调映射算法，其特征在于，所述步骤S5的的具体过程是：
为了去除相关噪声影响，同时增加主要像素的对比度，对得到的亮度值进行裁剪，将像素亮度值的最大最小值的1％删除，得到最终的亮度信息；
对合成的亮度值进行色彩恢复：
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>s</mi>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>22</mn>
<mo>)</mo>
</mrow>
</mrow>
其中C＝R，G，B，s＝0.6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711377961.4A CN108122211A (zh) | 2017-12-19 | 2017-12-19 | 一种基于箱式滤波器的局部边缘保持色调映射算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711377961.4A CN108122211A (zh) | 2017-12-19 | 2017-12-19 | 一种基于箱式滤波器的局部边缘保持色调映射算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108122211A true CN108122211A (zh) | 2018-06-05 |
Family
ID=62229538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711377961.4A Pending CN108122211A (zh) | 2017-12-19 | 2017-12-19 | 一种基于箱式滤波器的局部边缘保持色调映射算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122211A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636749A (zh) * | 2018-12-04 | 2019-04-16 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
| CN111583111A (zh) * | 2020-04-27 | 2020-08-25 | 浙江大华技术股份有限公司 | 动态范围图像压缩方法、计算机设备及存储装置 |
| CN113168672A (zh) * | 2018-10-19 | 2021-07-23 | 高途乐公司 | 用于图像处理的色调映射和色调控制集成 |
| TWI814331B (zh) * | 2022-04-01 | 2023-09-01 | 大陸商星宸科技股份有限公司 | 影像處理電路與影像處理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825472A (zh) * | 2016-05-26 | 2016-08-03 | 重庆邮电大学 | 一种快速的基于多尺度高斯滤波器的色调映射系统及方法 |
-
2017
- 2017-12-19 CN CN201711377961.4A patent/CN108122211A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825472A (zh) * | 2016-05-26 | 2016-08-03 | 重庆邮电大学 | 一种快速的基于多尺度高斯滤波器的色调映射系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| BO GU等: "Local Edge-Preserving Multiscale Decomposition for High Dynamic Range Image Tone Mapping", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 谭磊: "高动态范围图像的色调映射算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113168672A (zh) * | 2018-10-19 | 2021-07-23 | 高途乐公司 | 用于图像处理的色调映射和色调控制集成 |
| CN113168672B (zh) * | 2018-10-19 | 2024-02-02 | 高途乐公司 | 用于图像处理的色调映射和色调控制集成 |
| US11941789B2 (en) | 2018-10-19 | 2024-03-26 | Gopro, Inc. | Tone mapping and tone control integrations for image processing |
| CN109636749A (zh) * | 2018-12-04 | 2019-04-16 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
| CN109636749B (zh) * | 2018-12-04 | 2020-10-16 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
| CN111583111A (zh) * | 2020-04-27 | 2020-08-25 | 浙江大华技术股份有限公司 | 动态范围图像压缩方法、计算机设备及存储装置 |
| CN111583111B (zh) * | 2020-04-27 | 2023-12-19 | 浙江大华技术股份有限公司 | 动态范围图像压缩方法、计算机设备及存储装置 |
| TWI814331B (zh) * | 2022-04-01 | 2023-09-01 | 大陸商星宸科技股份有限公司 | 影像處理電路與影像處理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122211A (zh) | 一种基于箱式滤波器的局部边缘保持色调映射算法 | |
| Michaeli et al. | Blind deblurring using internal patch recurrence | |
| Manjón et al. | Non-local MRI upsampling | |
| Setzer et al. | Deblurring Poissonian images by split Bregman techniques | |
| Nguyen et al. | Fast and effective L0 gradient minimization by region fusion | |
| CN103337061B (zh) | 一种基于多次引导滤波的图像去雨雪方法 | |
| US20110229044A1 (en) | Hierarchical motion deblurring method for single image | |
| CN104346776A (zh) | 基于Retinex理论的非线性图像增强方法及其系统 | |
| CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
| CN102831592A (zh) | 基于直方图分段变换的图像非线性增强方法 | |
| Jiang et al. | Alternating direction method for the high-order total variation-based Poisson noise removal problem | |
| Elad et al. | Reduced complexity retinex algorithm via the variational approach | |
| Qing | A fractional differential approach to low contrast image enhancement | |
| CN108257108A (zh) | 一种超分辨率图像重建方法及系统 | |
| CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
| Ma et al. | Underwater image restoration through a combination of improved dark channel prior and gray world algorithms | |
| Sharma et al. | A novel multilayer decision based iterative filter for removal of salt and pepper noise | |
| EP2034442A1 (en) | Method for non-photorealistic rendering of an image frame sequence | |
| Dang et al. | Multi-resolution patch and window-based priority for digital image inpainting problem | |
| Lei et al. | An investigation of retinex algorithms for image enhancement | |
| Li et al. | Anisotropic total generalized variation model for Poisson noise removal | |
| Wu et al. | A Novel Exemplar-Based Image Completion Model. | |
| CN104978720A (zh) | 一种视频图像雨滴去除方法及装置 | |
| Sarti et al. | Subjective surfaces and Riemannian mean curvature flow of graphs | |
| Das et al. | Histogram equalization techniques for contrast enhancement: a review |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180605 |