CN108288253B - Hdr图像生成方法及装置 - Google Patents
Hdr图像生成方法及装置 Download PDFInfo
- Publication number
- CN108288253B CN108288253B CN201810015662.4A CN201810015662A CN108288253B CN 108288253 B CN108288253 B CN 108288253B CN 201810015662 A CN201810015662 A CN 201810015662A CN 108288253 B CN108288253 B CN 108288253B
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- value
- calculating
- gray value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007499 fusion processing Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000005855 radiation Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 15
- 241000023320 Luma <angiosperm> Species 0.000 claims description 2
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20208—High dynamic range [HDR] image processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种HDR图像生成方法及装置,在一个实施例中,所述HDR图像生成方法包括:获取人像在至少三个不同曝光度下的多张图像,所述多张图像包括:第一图像,第二图像及第三图像;将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量;分别计算第一mask值及第二mask值;根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理;根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理;将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种HDR图像生成方法及装置。
背景技术
HDR技术是将很多张不同曝光程度的图片合成一张高动态范围图片,由于拍照的时候三张图片为不同曝光度的图片,传统的算法并没有为人像选择一张合适的曝光度、进行融合的时候也没有对三张图像进行特殊比权值保护,因此合成的HDR图片对于人像的亮度或明或暗可能存在违和的现象。
发明内容
有鉴于此,本发明实施例的目的在于提供一种HDR图像生成方法及装置。
本发明实施例提供的一种HDR图像生成方法,所述HDR图像生成方法包括:
获取人像在至少三个不同曝光度下的多张图像,所述多张图像包括:分别在第一曝光度、第二曝光度以及第三曝光度下获得的第一图像,第二图像及第三图像,其中第三曝光度大于第一曝光度小于第二曝光度;
将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量;
根据第一图像的亮度分量和色度分量及第三图像计算所述第一图像的第一mask值;
根据第二图像的亮度分量和色度分量及第三图像计算所述第二图像的第二mask值;
根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理;
根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理;
将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像。
本发明实施例还提供一种HDR图像生成装置,所述HDR图像生成装置包括:
获取模块,用于获取人像在至少三个不同曝光度下的多张图像,所述多张图像包括:分别在第一曝光度、第二曝光度以及第三曝光度下获得的第一图像,第二图像及第三图像,其中第三曝光度大于第一曝光度小于第二曝光度;
转换模块,用于将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量;
第一计算模块,用于根据第一图像的亮度分量和色度分量及第三图像计算所述第一图像的第一mask值;
第二计算模块,用于根据第二图像的亮度分量和色度分量及第三图像计算所述第二图像的第二mask值;
第一融合模块,用于根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理;
第二融合模块,用于根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理;
结合模块,用于将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像。
与现有技术相比,本发明实施例提供的HDR图像生成方法及装置,通过第一图像、第二图像及第三图像本身的特征计算得到作为计算权重的第一mask值和第二mask值,以使合成的人像的HDR图片亮度或明或暗更贴近真实人像图,使合成的人像的HDR图片效果更好。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的电子终端的方框示意图。
图2为本发明较佳实施例提供的HDR图像生成方法的流程图。
图3为本发明较佳实施例提供的HDR图像生成方法的步骤S105的详细流程图。
图4为本发明较佳实施例提供的HDR图像生成方法的步骤S103的详细流程图。
图5为本发明较佳实施例提供的HDR图像生成方法的步骤S104的详细流程图。
图6为本发明另一较佳实施例提供的HDR图像生成方法的流程图。
图7为本发明较佳实施例提供的HDR图像生成装置的功能模块示意图。
图8为本发明较佳实施例提供的HDR图像生成装置的第一融合模块的功能模块示意图。
图9为本发明较佳实施例提供的HDR图像生成装置的第一计算模块的功能模块示意图。
图10为本发明较佳实施例提供的HDR图像生成装置的第二计算模块的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是一电子终端100的方框示意图。所述电子终端100包括HDR图像生成装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子终端100的结构造成限定。例如,电子终端100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、图像处理服务器、或者移动电子设备等具有图像处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述HDR图像生成装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System,OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块,例如所述HDR图像生成装置110包括的软件功能模块或计算机程序。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
请参阅图2,是本发明较佳实施例提供的应用于图1所示的电子终端的HDR图像生成方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,获取人像在至少三个不同曝光度下的多张图像。
本实施例中,所述多张图像包括:分别在第一曝光度、第二曝光度以及第三曝光度下获得的第一图像,第二图像及第三图像,其中第三曝光度大于第一曝光度小于第二曝光度。
本实施例中,所述第一曝光度、第二曝光度以及第三曝光度分别表示低曝光度、高曝光度及正常曝光度。本实施例中所述正常曝光度、低曝光度及高曝光度可以由用户预先设置。所述第三图像可以理解为正常曝光度的图像,所述第二图像可以是高曝光度的图像,所述第一图像是低曝光度的图像。
步骤S102,将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量。
在一种实施方式中,所述多张图像在未经过处理时的色彩空间为RGB色彩空间。所述电子终端可以将所述多张图像的RGB色彩空间通过色彩空间转换到YUV色彩空间。
在另一种实施方式中,所述电子终端将所述多张图像的RGB色彩空间通过色彩空间转换到LAB色彩空间。
下面以将所述多张图像的RGB色彩空间通过色彩空间转换到YUV色彩空间进行描述,其中,图像的亮度分量为Y,图像的色度分量为U和V。
在一个实例中,所述第一图像的亮度分量和色度分量分别用Y1、U1及V1;所述第二图像的亮度分量和色度分量分别用Y2、U2及V2;所述第三图像的亮度分量和色度分量分别用Y3、U3及V3。
步骤S103,根据第一图像的亮度分量和色度分量及第三图像计算所述第一图像的第一mask值。
本实施例中,所述第一mask值作为所述第一图像的权重,将所述第一图像可以与第三图像进行融合以加强融合后的图像中的显示效果。
步骤S104,根据第二图像的亮度分量和色度分量及第三图像计算所述第二图像的第二mask值。
本实施例中,所述第二mask值作为所述第二图像的权重,将所述第二图像可以与第三图像进行融合以加强融合后的图像中的显示效果。
本实施例中,步骤S103和步骤S104的执行顺序并不以图2所示的顺序为限,也就是说步骤S103可以在步骤S104之前执行,也可以在步骤S104之后执行。
步骤S105,根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理。
在一个实例中,可以用mask1表示所述第一mask值,可以用mask2表示所述第二mask值。本实施例中,所述第一mask值和第二mask值均可以表示一个与第一图像、第二图像及第三图像中像素点排列形成的矩阵的维度相同的矩阵。
在一种实施方式中,融合处理得到的亮度分量可以用radiance表示。Radiance=Y3+mask1*Y1+mask2*Y2。详细地,使用本实施方式中的方式进行计算得到的Radiance中的像素点值可能不在0-255的灰度值区间内,则可以进一步将计算得到的所述Radiance中的像素点的灰度值映射至0-255的灰度值区间内。
在另一种实施方式中,融合处理得到的亮度分量可以用radiance表示。通过如下公式使融合处理得到的亮度分量radiance中的值保持在融合处理前的亮度分量中的值所在区间内。所述融合处理得到的亮度分量radiance的计算公式为:Radiance=(1/(1+mask1+mask2))*Y3+(mask1/(1+mask1+mask2))*Y1+(mask2/(1+mask1+mask2))*Y2。
本实施例中,步骤S103和步骤S104及步骤S105的执行顺序并不以图2所示的顺序为限,也就是说,步骤S103和步骤S104在步骤S105之前执行,也可以在步骤S105之后执行。例如,步骤S105包括多个子步骤,所述步骤S103和步骤S104在步骤S105的一些子步骤执行之后再执行。
步骤S106,根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理。
在一种实施方式中,第一图像和第二图像的色度分量U通道和V通道分别与第三图像的色度分量的U通道和V通道进行等比融合。在一个实例中,融合U通道的计算公式为:U=U3/2+(mask1*U1+mask2*U2)/2;融合V通道的计算公式为:V=V3/2+(mask1*V1+mask2*V2)/2。
步骤S107,将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像。
所述HDR(High-Dynamic Range,简称HDR),相比普通的图像,可以提供更多的动态范围和图像细节,根据不同的曝光时间的LDR(Low-Dynamic Range)图像,利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像,能够更好的反映出真实环境中的视觉效果。
本实施例中,将步骤S106得到的融合后的亮度分量Radiance及步骤S107得到的融合后的亮度分量U通道和V通道结合在一起可以得到图像的YUV色彩空间,再通过色彩空间的转换将YUV色彩空间转换为RGB色彩空间得到所述HDR图像。
根据本发明实施例提供的HDR图像生成方法,通过第一图像、第二图像及第三图像本身的特征计算得到作为计算权重的第一mask值和第二mask值,以使合成的人像的HDR图片亮度或明或暗更贴近真实人像图,使合成的人像的HDR图片效果更好。
本实施例中,如图3所示,所述步骤S105包括:步骤S1051至步骤S10513,具体描述如下。
步骤S1051,通过相机反映函数对每张图像进行映射处理得到亮度映射图。
本实施例中,先计算相机反映函数(camera response function,CRF)。其中,在一种实施方式中,通过公式:
其中,函数g为CRF函数O的反函数的对数。其中Z为图像像素值,t为曝光时间,E表示未知的HDR图,由于函数g和E都是未知变量,因此要用最小二乘法来解这个方程,当O最小时为最优解。由此可计算得到E,其中E表示映射处理后的亮度映射图。
本实施例中,步骤S103和步骤S104可以在步骤S1051之后执行,步骤S103可以是根据第一图像对应的亮度映射图的亮度分量和色度分量及第三图像对应的亮度映射图计算所述第一图像的第一mask值;步骤S103也可以是根据第一图像的亮度分量和色度分量及第三图像计算所述第一图像的第一mask值。步骤S104可以是根据第二图像对应的亮度映射图的亮度分量和色度分量及第三图像对应的亮度映射图计算所述第二图像的第二mask值;步骤S104也可以是根据第二图像的亮度分量和色度分量及第三图像计算所述第二图像的第二mask值。
步骤S1052,将使用第一mask值对第一图像对应的亮度映射图的亮度分量进行加权、使用第二mask值对第二图像对应的亮度映射图的亮度分量进行加权及所述第三图像对应的亮度映射图的亮度分量进行求和融合得到亮度辐射分量。
步骤S1053,对亮度辐射分量进行色调映射处理得到融合后的亮度分量。
所述色调映射处理是将亮度辐射分量(radiance图)映射到0到255之间,形成一张正常的图片。
在一个实例中,通过公式Radiance=Y3+mask1*Y1+mask2*Y2计算得到的Radiance中的像素点值可能不在0-255的灰度值区间内,通过步骤S1053的色调映射处理使计算得到的融合后的亮度分量中的点的灰度值在0-255区间内。
本实施例中,可以将所述亮度辐射分量中各个像素点的像素值映射0-255之间得到融合后的亮度分量中像素点的灰度值在0-255的灰度值区间内。
本实施例中,所述色调映射处理可以包括线性处理方式及非线性处理方式。其中,线性处理方式可以是设计一条映射曲线,将亮度辐射分量中的值从小到大映射到0到255。非线性处理方式包括直方图均衡方式等。所述直方图均衡方式包括:a.先将所述亮度辐射分量转换成直方图,列出所述亮度辐射分量的灰度级rk;b.统计所述亮度辐射分量的各个灰度级像素数量nk;c.计算所述亮度辐射分量中各灰度级的概率pk=nk/N,其中N为亮度辐射分量中的像素点的数量;d.计算映射的至新灰度值及各灰度值对应的概率sk=int{(L-1)∑pk+0.5},其中,灰度值sk的像素点的概率为pk,L表示新灰度层次数256;e.确定灰度值rk与新灰度值sk的映射关系;f.计算每个新灰度值sk的像素点数量,并将映射至新灰度值的直方图转换为亮度分量以得到所述融合后的亮度分量。
在其它实施方式中,也可以用加权求和的方式将线性处理方式及非线性处理方式结合起来。
本实施例中,如图4所示,步骤S103包括:步骤S1031至步骤S1035。
步骤S1031,利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值。
本实施例中,利用人像分割算法对第三图像进行人像分割得到矩阵人像掩膜版(protraitMask3),其中,矩阵protraitMask3的人像部分取值为1,非人像部分为0,中间边缘过渡部分为0到1.0。本实施例中,所述人像分割算法可以使用深度学习算法训练出来的全身和半身人像分割模型。本实施例中,所述protraitMask3为其中各元素值在区间[0,1]内的矩阵。
步骤S1032,计算所述第一图像与第三图像的第一亮度差和第一色度差。
在一个实例中,可通过以下公式计算第一亮度差和第一色度差:
diff(Y3,Y1)=abs(Y3-Y1);diff(U3,U1)=abs(U3–U1);diff(V3,V1)=abs(V3–V1)。
其中,abs表示取绝对值。
步骤S1033,对所述第一亮度差和第一色度差进行加权求和计算得到第一差值图。
本实施例中,通过公式计算得到所述第一差值图:diff1=diff(Y3,Y1)*a+diff(U3,U1)*b+diff(V3,V1)*c,其中,a、b、c表示加权比例,a+b+c=1,在一个实例中,所述a可以为0.4,b和c可分别为0.3。当然,本领域的技术人员可以按照具体需求设置所述a、b、c的值。
步骤S1034,对所述第一差值图按照指定灰度值为阈值进行二值化处理得到第一二值化图。
本实施例中,将所述第一差值图中灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第一差值图中灰度值大于所述指定灰度值的像素点赋值为一以实现二值化。
本实施例中,所述步骤S1034可包括:
根据所述第一差值图计算得到所述第一差值图的第一直方图。
将所述第一直方图中的灰度值计算每个灰度值对应的像素点数量。
计算每个灰度值对应的不大于该灰度值的像素点数量。
计算灰度值对应的不大于该灰度值的像素点数量与所述第一直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值。
在一个实例中,所述预存比值为百分之六十,若灰度值小于等于157的像素点占58%,灰度值小于等于158的像素点占61%,则计算得到的指定灰度值为158。
将所述第一差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第一差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第一二值化图。
在上述实例中,将灰度值小于等于158的像素点赋值为零,将灰度值大于158的像素点赋值为一以得到所述第一二值化图。
步骤S1035,根据所述第一二值化图及所述人像分割后的赋值结果进行计算得到所述第一mask值。
在一种实施方式中,第一mask值mask1:mask1=(1.0-protraitMask3)*diff1。
本实施例中,如图5所示,所述步骤S104包括:步骤S1041至步骤S1045。
步骤S1041,利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值。
本实施例中,利用人像分割算法对第三图像进行人像分割得到矩阵人像掩膜版(protraitMask3),其中,矩阵protraitMask3的人像部分取值为1.0,非人像部分为0,中间边缘过渡部分为0到1.0。本实施例中,所述人像分割算法可以使用深度学习算法训练出来的全身和半身人像分割模型。本实施例中,所述protraitMask3为其中各元素值在区间[0,1]内的矩阵。
步骤S1042,计算所述第二图像与第三图像第二亮度差和第二色度差。
在一个实例中,可通过以下公式计算第二亮度差和第二色度差:
diff(Y3,Y2)=abs(Y3-Y2);diff(U3,U2)=abs(U3–U2);diff(V3,V2)=abs(V3–V2)。
其中,abs表示取绝对值。
步骤S1043,对所述第二亮度差和第二色度差进行加权求和计算得到第二差值图。
本实施例中,通过公式计算得到所述第二差值图:diff2=diff(Y3,Y2)*a+diff(U3,U2)*b+diff(V3,V2)*c,其中,a、b、c表示加权比例,a+b+c=1,在一个实例中,所述a可以为0.4,b和c可分别为0.3。当然,本领域的技术人员可以按照具体需求设置所述a、b、c的值。
步骤S1044,对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图。
本实施例中,将所述第二差值图中灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第二差值图中灰度值大于所述指定灰度值的像素点赋值为一以实现二值化。
本实施例中,所述步骤S1044包括:
根据所述第二差值图计算得到所述第二差值图的第二直方图。
将所述第二直方图中的灰度值计算每个灰度值对应的像素点数量;
计算每个灰度值对应的不大于该灰度值的像素点数量。
计算灰度值对应的不大于该灰度值的像素点数量与所述第二直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值。
在一个实例中,所述预存比值为百分之六十,若灰度值小于等于122的像素点占59%,灰度值小于等于123的像素点占62%,则计算得到的指定灰度值为123。
将所述第二差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第二差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第二二值化图。
在上述实例中,将灰度值小于等于123的像素点赋值为零,将灰度值大于158的像素点赋值为一以得到所述第一二值化图。
步骤S1045,根据所述第二二值化图及所述人像分割后的赋值结果进行计算得到所述第二mask值。
在一种实施方式中,第二mask值mask2:mask2=(1.0-protraitMask3)*diff2。
根据上述实施方式中的方法计算得到所述第一mask值和第二mask值可以使通过第一mask值和第二mask值进行加权融合后的图像的人像部分的进行加强以使人像部分突出,减少边缘非人像图形对人像部分的图像的干扰,以使人像轮廓更加清晰,使具有人像的图像的人像部分的亮度或明或暗更加真实。
在其它实施例中,如图6所示,所述方法还包括:
步骤S108,通过直方图匹配算法将所述第一图像及第二图像进行处理。
本实施例中,也可以通过直方图规定化对所述第一图像及第二图像进行处理。
在一种实施方式中,所述步骤S108可包括:
根据直方图均衡化原理,对第一图像的直方图进行灰度均衡化处理;
第三图像的概率密度函数Pz(z),第一图像的概率密度函数为Pr(r),其中,z表示第三图像中的像素点,求解第一图像进行均衡化处理的变换函数G(z);
用第一图像均衡化中得到的灰度级s代替v,求解逆变换z=G-1(s),其中,v表示均衡化之前的灰度级,s表示均衡化之后的灰度级;
经过上述处理得到的第一图像的灰度级将具有与第三图像对应的概率密度Pz(z)。
上述变换过程中所包含的两个变换函数T(r)和G-1(s)可形成复合函数,
在一种实施方式中:
本实施例中,由于对第三图像和第一图像都进行了均衡化处理,因此具有相同的分布密度,即可以表示为:
Ps(s)=Pv(v)。
即第一图像均衡化以后的灰度级s代表v,
z=G-1(s)=G-1[T(r)];
由此可知,无需进行直方图均衡化运算就可以直接实现直方图规定化处理,通过复合函数关系有效的简化了直方图规定化处理过程,求出T(r)和G-1(s)之间的复合函数关系就可以对第一图像进行变换。
本实施例中,所述第二图像通过直方图匹配算法进行处理的方式可与上述中第一图像的处理方式相同。
本实施例中,步骤S1032包括:计算通过直方图匹配算法处理后的第一图像与第三图像的第一亮度差和第一色度差。
所述步骤S1042包括:计算通过直方图匹配算法处理后的所述第二图像与第三图像第二亮度差和第二色度差。
先将所述直方图匹配算法将所述第一图像及第二图像进行处理可以提高所述第一图像和第二图像中人像部分的特征的对比度,可以使生成的HDR图像中人像更加突出,效果更好。
在其它实施例中,如图6所示,所述方法还包括:
步骤S109,将多张图像进行对齐处理。
本实施例中,对齐处理所使用的方式可以是:中阈值位图对齐、特征点对齐、光流法对齐、块匹配对齐、基于分层模型的对齐等。
所述中阈值位图对齐:这个算法是用递归的方式做的,每次都把图片缩小成一半大小,从底层(最小)开始,往{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)}这九个方向移动,找出其中最“适合”的一个移动方向调整之,传回上层。
所述特征点对齐:特征点对齐指的是先检测出图像中的特征点,然后利用相对应的特征点在不同图像中的位置进行对齐。在一个实例中,可以使用SIFT算法或SURF算法进行处理使多张图像对齐。
所述光流法对齐:光流法用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动,实际是通过检测图像像素点的强度随时间的变化进而推断出物体移动速度及方向的方法,然后利用检测出来的移动信息进行对齐。
所述块匹配对齐:块匹配的基本思想是将目标图像分割成固定大小的块,然后在参考图像中寻找匹配最好的块。利用匹配块的位移信息进行图片对齐。
所述基于分层模型的对齐:分层模型是一种用于开发网络的设计方法,描述了通信问题划分为几个小的问题(层次),每个问题对应一个层次。先从最简单的层次对齐,再往复杂的层次递进。
所述步骤S103包括:根据对齐处理后的第一图像的亮度分量和色度分量计算所述第一图像的第一mask值。
所述步骤S104包括:根据对齐处理后的第二图像的亮度分量和色度分量计算所述第二图像的第二mask值。
由于即使是连续拍摄的图像也可能存在人像部分的像素点的坐标不同,通过对齐操作可以使人像部分更好地对齐,以使融合后的图像效果更好。
请参阅图7,是本发明较佳实施例提供的图1所示的HDR图像生成装置的功能模块示意图。本实施例中的HDR图像生成装置中的各个模块、单元及子单元用于执行上述方法实施例中的各个步骤。所述HDR图像生成装置包括:获取模块1101、转换模块1102、第一计算模块1103、第二计算模块1104、第一融合模块1105、第二融合模块1106、以及结合模块1107。
所述获取模块1101,用于获取人像在至少三个不同曝光度下的多张图像。
所述多张图像包括:分别在第一曝光度、第二曝光度以及第三曝光度下获得的第一图像,第二图像及第三图像,其中第三曝光度大于第一曝光度小于第二曝光度。
所述转换模块1102,用于将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量。
所述第一计算模块1103,用于根据第一图像的亮度分量和色度分量及第三图像计算所述第一图像的第一mask值。
所述第二计算模块1104,用于根据第二图像的亮度分量和色度分量及第三图像计算所述第二图像的第二mask值。
所述第一融合模块1105,用于根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理。
所述第二融合模块1106,用于根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理。
所述结合模块1107,用于将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像。
本实施例中,如图8所示,所述第一融合模块1105包括:亮度映射单元11051、亮度融合单元11052及色调映射单元11053。
所述亮度映射单元11051,用于通过相机反映函数对每张图像进行映射处理得到亮度映射图。
所述亮度融合单元11052,用于将使用第一mask值对第一图像对应的亮度映射图的亮度分量进行加权、使用第二mask值对第二图像对应的亮度映射图的亮度分量进行加权及所述第三图像对应的亮度映射图的亮度分量进行求和融合得到亮度辐射分量。
所述色调映射单元11053,用于对亮度辐射分量进行色调映射处理得到融合后的亮度分量。
本实施例中,所述色调映射单元11053还用于将所述亮度辐射分量中各个像素点的像素值映射0-255之间得到融合后的亮度分量。
本实施例中,如图9所示,所述第一计算模块1103包括:第一赋值单元11031、第一色差计算单元11032、第一求和计算单元11033、第一二值化单元11034以及第一mask值计算单元11035。
第一赋值单元11031,用于利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值。
第一色差计算单元11032,用于计算所述第一图像与第三图像的第一亮度差和第一色度差。
第一求和计算单元11033,用于对所述第一亮度差和第一色度差进行加权求和计算得到第一差值图。
第一二值化单元11034,用于对所述第一差值图按照指定灰度值为阈值进行二值化处理得到第一二值化图。
第一mask值计算单元11035,用于根据所述第一二值化图及所述人像分割后的赋值结果进行计算得到所述第一mask值。
本实施例中,所述第一二值化单元11034包括:第一得到子单元、第一数量计算子单元、第一指定值设定子单元以及第一赋值得到子单元。
所述第一得到子单元,用于根据所述第一差值图计算得到所述第一差值图的第一直方图。
所述第一数量计算子单元,用于将所述第一直方图中的灰度值计算每个灰度值对应的像素点数量,计算每个灰度值对应的不大于该灰度值的像素点数量。
所述第一指定值设定子单元,用于计算灰度值对应的不大于该灰度值的像素点数量与所述第一直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值。
所述第一赋值得到子单元,用于将所述第一差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第一差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第一二值化图。
本实施例中,如图10所示,所述第二计算模块1104包括:第二赋值单元11041、第二色差计算单元11042、第二求和计算单元11043、第二二值化单元11044以及第二mask值计算单元11045。
第二赋值单元11041,用于利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值。
第二色差计算单元11042,用于计算所述第二图像与第三图像第二亮度差和第二色度差。
第二求和计算单元11043,用于对所述第二亮度差和第二色度差进行加权求和计算得到第二差值图。
第二二值化单元11044,用于对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图。
第二mask值计算单元11045,用于根据所述第二二值化图及所述人像分割后的赋值结果进行计算得到所述第二mask值。
本实施例中,所述对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图的步骤包括:第二得到子单元、第二数量计算子单元、第二指定值设定子单元以及第二赋值得到子单元。
所述第二得到子单元,用于根据所述第二差值图计算得到所述第二差值图的第二直方图。
所述第二数量计算子单元,用于将所述第二直方图中的灰度值计算每个灰度值对应的像素点数量,计算每个灰度值对应的不大于该灰度值的像素点数量。
所述第二指定值设定子单元,用于计算灰度值对应的不大于该灰度值的像素点数量与所述第二直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值。
所述第二赋值得到子单元,用于将所述第二差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第二差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第二二值化图。
本实施例中,请再次参阅图7,所述HDR图像生成装置110还包括:处理模块1108,用于通过直方图匹配算法将所述第一图像及第二图像进行处理;
其中,所述第一色差计算单元还用于计算通过直方图匹配算法处理后的第一图像与第三图像的第一亮度差和第一色度差;
所述第二色差计算单元还用于计算通过直方图匹配算法处理后的所述第二图像与第三图像第二亮度差和第二色度差。
本实施例中,请再次参阅图7,所述HDR图像生成装置110还包括:对齐模块1109,用于将多张图像进行对齐处理。
所述第一计算模块还用于根据对齐处理后的第一图像的亮度分量和色度分量计算所述第一图像的第一mask值。
所述第二计算模块还用于根据对齐处理后的第二图像的亮度分量和色度分量计算所述第二图像的第二mask值。
关于本实施例中的其它细节可以进一步地参考上述方法实施例中的描述,在此不再赘述。
根据本发明实施例提供的HDR图像生成装置,通过第一图像、第二图像及第三图像本身的特征计算得到作为计算权重的第一mask值和第二mask值,以使合成的人像的HDR图片亮度或明或暗更贴近真实人像图,使合成的人像的HDR图片效果更好。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种HDR图像生成方法,其特征在于,所述HDR图像生成方法包括:
获取人像在至少三个不同曝光度下的多张图像,所述多张图像包括:分别在第一曝光度、第二曝光度以及第三曝光度下获得的第一图像,第二图像及第三图像,其中第三曝光度大于第一曝光度小于第二曝光度;
将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量;
利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值;
计算所述第一图像与第三图像的第一亮度差和第一色度差;
对所述第一亮度差和第一色度差进行加权求和计算得到第一差值图;
对所述第一差值图按照指定灰度值为阈值进行二值化处理得到第一二值化图;
根据所述第一二值化图及所述人像分割后的赋值结果进行计算得到第一mask值;
计算所述第二图像与第三图像第二亮度差和第二色度差;
对所述第二亮度差和第二色度差进行加权求和计算得到第二差值图;
对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图;
根据所述第二二值化图及所述人像分割后的赋值结果进行计算得到第二mask值;
根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理;
根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理;
将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像。
2.如权利要求1所述的HDR图像生成方法,其特征在于,所述根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理的步骤包括:
通过相机反映函数对每张图像进行映射处理得到亮度映射图;
将使用第一mask值对第一图像对应的亮度映射图的亮度分量进行加权、使用第二mask值对第二图像对应的亮度映射图的亮度分量进行加权及所述第三图像对应的亮度映射图的亮度分量进行求和融合得到亮度辐射分量;
对亮度辐射分量进行色调映射处理得到融合后的亮度分量。
3.如权利要求2所述的HDR图像生成方法,其特征在于,所述对亮度辐射分量进行色调映射处理得到融合后的亮度分量的步骤包括:
将所述亮度辐射分量中各个像素点的像素值映射0-255之间得到融合后的亮度分量。
4.如权利要求1所述的HDR图像生成方法,其特征在于,所述对所述第一差值图按照指定灰度值为阈值进行二值化处理得到第一二值化图的步骤包括:
根据所述第一差值图计算得到所述第一差值图的第一直方图;
将所述第一直方图中的灰度值计算每个灰度值对应的像素点数量;
计算每个灰度值对应的不大于该灰度值的像素点数量;
计算灰度值对应的不大于该灰度值的像素点数量与所述第一直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值;
将所述第一差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第一差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第一二值化图。
5.如权利要求1所述的HDR图像生成方法,其特征在于,所述对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图的步骤包括:
根据所述第二差值图计算得到所述第二差值图的第二直方图;
将所述第二直方图中的灰度值计算每个灰度值对应的像素点数量;
计算每个灰度值对应的不大于该灰度值的像素点数量;
计算灰度值对应的不大于该灰度值的像素点数量与所述第二直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值;
将所述第二差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第二差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第二二值化图。
6.如权利要求1所述的HDR图像生成方法,其特征在于,所述方法还包括:
通过直方图匹配算法将所述第一图像及第二图像进行处理;
其中,所述计算所述第一图像与第三图像的第一亮度差和第一色度差的步骤包括计算通过直方图匹配算法处理后的第一图像与第三图像的第一亮度差和第一色度差;
所述计算所述第二图像与第三图像第二亮度差和第二色度差的步骤包括计算通过直方图匹配算法处理后的所述第二图像与第三图像第二亮度差和第二色度差。
7.如权利要求1所述的HDR图像生成方法,其特征在于,在利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值的步骤之前,所述方法还包括:
将多张图像进行对齐处理。
8.一种HDR图像生成装置,其特征在于,所述HDR图像生成装置包括:
获取模块,用于获取人像在至少三个不同曝光度下的多张图像,所述多张图像包括:分别在第一曝光度、第二曝光度以及第三曝光度下获得的第一图像,第二图像及第三图像,其中第三曝光度大于第一曝光度小于第二曝光度;
转换模块,用于将多张所述图像通过色彩空间转换,以得到每张所述图像的亮度分量和色度分量;
第一计算模块,用于根据第一图像的亮度分量和色度分量及第三图像计算所述第一图像的第一mask值;
第二计算模块,用于根据第二图像的亮度分量和色度分量及第三图像计算所述第二图像的第二mask值;
第一融合模块,用于根据第一mask值及第二mask值对第一图像、第二图像以及第三图像的亮度分量通过加权求和的方式进行融合处理;
第二融合模块,用于根据第一mask值及第二mask值将第一图像和第二图像的色度分量分别与第三图像的色度分量进行融合处理;
结合模块,用于将经过融合处理后得到的亮度分量和色度分量进行结合,然后通过色彩空间逆转换得到HDR图像;
其中,所述第一计算模块包括:第一赋值单元、第一色差计算单元、第一求和计算单元、第一二值化单元以及第一mask值计算单元;
第一赋值单元,用于利用人像分割算法对所述第三图像进行人像分割,并对分割后的图像中的各个像素点进行赋值;
第一色差计算单元,用于计算所述第一图像与第三图像的第一亮度差和第一色度差;
第一求和计算单元,用于对所述第一亮度差和第一色度差进行加权求和计算得到第一差值图;
第一二值化单元,用于对所述第一差值图按照指定灰度值为阈值进行二值化处理得到第一二值化图;
第一mask值计算单元,用于根据所述第一二值化图及所述人像分割后的赋值结果进行计算得到所述第一mask值;
所述第二计算模块包括:第二色差计算单元、第二求和计算单元、第二二值化单元以及第二mask值计算单元;
第二色差计算单元,用于计算所述第二图像与第三图像第二亮度差和第二色度差;
第二求和计算单元,用于对所述第二亮度差和第二色度差进行加权求和计算得到第二差值图;
第二二值化单元,用于对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图;
第二mask值计算单元,用于根据所述第二二值化图及所述人像分割后的赋值结果进行计算得到所述第二mask值。
9.如权利要求8所述的HDR图像生成装置,其特征在于,所述第一融合模块包括:
亮度映射单元,用于通过相机反映函数对每张图像进行映射处理得到亮度映射图;
亮度融合单元,用于将使用第一mask值对第一图像对应的亮度映射图的亮度分量进行加权、使用第二mask值对第二图像对应的亮度映射图的亮度分量进行加权及所述第三图像对应的亮度映射图的亮度分量进行求和融合得到亮度辐射分量;
色调映射单元,用于对亮度辐射分量进行色调映射处理得到融合后的亮度分量。
10.如权利要求9所述的HDR图像生成装置,其特征在于,所述色调映射单元还用于将所述亮度辐射分量中各个像素点的像素值映射0-255之间得到融合后的亮度分量。
11.如权利要求8所述的HDR图像生成装置,其特征在于,所述第一二值化单元包括:第一得到子单元、第一数量计算子单元、第一指定值设定子单元以及第一赋值得到子单元;
第一得到子单元,用于根据所述第一差值图计算得到所述第一差值图的第一直方图;
第一数量计算子单元,用于将所述第一直方图中的灰度值计算每个灰度值对应的像素点数量,计算每个灰度值对应的不大于该灰度值的像素点数量;
第一指定值设定子单元,用于计算灰度值对应的不大于该灰度值的像素点数量与所述第一直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值;
第一赋值得到子单元,用于将所述第一差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第一差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第一二值化图。
12.如权利要求8所述的HDR图像生成装置,其特征在于,所述对所述第二差值图按照指定灰度值为阈值进行二值化处理得到第二二值化图的步骤包括:第二得到子单元、第二数量计算子单元、第二指定值设定子单元以及第二赋值得到子单元;
第二得到子单元,用于根据所述第二差值图计算得到所述第二差值图的第二直方图;
第二数量计算子单元,用于将所述第二直方图中的灰度值计算每个灰度值对应的像素点数量,计算每个灰度值对应的不大于该灰度值的像素点数量;
第二指定值设定子单元,用于计算灰度值对应的不大于该灰度值的像素点数量与所述第二直方图的总像素点数量的比值,将对应的比例不小于预存比值的灰度值中的最小值作为所述指定灰度值;
第二赋值得到子单元,用于将所述第二差值图中的灰度值小于等于所述指定灰度值的像素点赋值为零,将所述第二差值图中的灰度值大于所述指定灰度值的像素点赋值为一得到所述第二二值化图。
13.如权利要求8所述的HDR图像生成装置,其特征在于,所述装置还包括:
处理模块,用于通过直方图匹配算法将所述第一图像及第二图像进行处理;
其中,所述第一色差计算单元还用于计算通过直方图匹配算法处理后的第一图像与第三图像的第一亮度差和第一色度差;
所述第二色差计算单元还用于计算通过直方图匹配算法处理后的所述第二图像与第三图像第二亮度差和第二色度差。
14.如权利要求8所述的HDR图像生成装置,其特征在于,所述装置还包括:
对齐模块,用于将多张图像进行对齐处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810015662.4A CN108288253B (zh) | 2018-01-08 | 2018-01-08 | Hdr图像生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810015662.4A CN108288253B (zh) | 2018-01-08 | 2018-01-08 | Hdr图像生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288253A CN108288253A (zh) | 2018-07-17 |
CN108288253B true CN108288253B (zh) | 2020-11-27 |
Family
ID=62835142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810015662.4A Active CN108288253B (zh) | 2018-01-08 | 2018-01-08 | Hdr图像生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288253B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858281B (zh) * | 2018-08-22 | 2022-10-04 | 浙江宇视科技有限公司 | 图像处理方法、装置、电子眼及存储介质 |
CN109685727B (zh) * | 2018-11-28 | 2020-12-08 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
CN110443766B (zh) * | 2019-08-06 | 2022-05-31 | 厦门美图之家科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
CN110728648B (zh) * | 2019-10-25 | 2022-07-19 | 北京迈格威科技有限公司 | 图像融合的方法、装置、电子设备及可读存储介质 |
CN112927144A (zh) * | 2019-12-05 | 2021-06-08 | 北京迈格威科技有限公司 | 图像增强方法、图像增强装置、介质和电子设备 |
CN111145192B (zh) * | 2019-12-30 | 2023-07-28 | 维沃移动通信有限公司 | 图像处理方法及电子设备 |
CN111586375B (zh) * | 2020-05-08 | 2021-06-11 | Oppo广东移动通信有限公司 | 高动态范围图像处理系统及方法、电子设备和可读存储介质 |
WO2022226702A1 (zh) * | 2021-04-25 | 2022-11-03 | Oppo广东移动通信有限公司 | 图像处理方法、处理装置、电子设备和存储介质 |
CN113592726A (zh) * | 2021-06-29 | 2021-11-02 | 北京旷视科技有限公司 | 高动态范围成像方法、装置、电子设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8724921B2 (en) * | 2008-05-05 | 2014-05-13 | Aptina Imaging Corporation | Method of capturing high dynamic range images with objects in the scene |
US8606009B2 (en) * | 2010-02-04 | 2013-12-10 | Microsoft Corporation | High dynamic range image generation and rendering |
JP5791336B2 (ja) * | 2011-04-01 | 2015-10-07 | キヤノン株式会社 | 画像処理装置及びその制御方法 |
CN104881854B (zh) * | 2015-05-20 | 2017-10-31 | 天津大学 | 基于梯度和亮度信息的高动态范围图像融合方法 |
CN105163047B (zh) * | 2015-09-15 | 2018-11-06 | 厦门美图之家科技有限公司 | 一种基于色彩空间转换的hdr图像生成方法、系统及拍摄终端 |
CN106251365A (zh) * | 2016-07-22 | 2016-12-21 | 北京邮电大学 | 多曝光视频融合方法及装置 |
CN106204513B (zh) * | 2016-08-15 | 2019-07-05 | 厦门美图之家科技有限公司 | 图像处理的方法、装置和系统 |
CN107358593B (zh) * | 2017-06-16 | 2020-06-26 | Oppo广东移动通信有限公司 | 成像方法和装置 |
-
2018
- 2018-01-08 CN CN201810015662.4A patent/CN108288253B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108288253A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288253B (zh) | Hdr图像生成方法及装置 | |
Berman et al. | Single image dehazing using haze-lines | |
Li et al. | An underwater image enhancement benchmark dataset and beyond | |
Wang et al. | Gladnet: Low-light enhancement network with global awareness | |
JP6431245B1 (ja) | エッジ認識双方向画像処理 | |
CN107403421B (zh) | 一种图像去雾方法、存储介质及终端设备 | |
Solomon et al. | Fundamentals of Digital Image Processing: A practical approach with examples in Matlab | |
CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
US20150215590A1 (en) | Image demosaicing | |
CN107967482A (zh) | 图标识别方法及装置 | |
Krig et al. | Image pre-processing | |
Grigoryan et al. | Quaternion and octonion color image processing with MATLAB | |
CN110222694B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
CN111131688B (zh) | 一种图像处理方法、装置及移动终端 | |
CN111028276A (zh) | 图像对齐方法、装置、存储介质及电子设备 | |
CN112102207A (zh) | 一种确定温度的方法、装置、电子设备及可读存储介质 | |
JP2021189527A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
CN112927200B (zh) | 本征图像分解方法、装置、可读存储介质及电子设备 | |
US11657511B2 (en) | Heuristics-based detection of image space suitable for overlaying media content | |
Van Vo et al. | High dynamic range video synthesis using superpixel-based illuminance-invariant motion estimation | |
Wang et al. | An airlight estimation method for image dehazing based on gray projection | |
JP2024501444A (ja) | メディアコンテンツのオーバーレイに適した画像スペースの検出 | |
CN111754411A (zh) | 图像降噪方法、图像降噪装置及终端设备 |
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 |