CN108898564A - 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 - Google Patents
一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 Download PDFInfo
- Publication number
- CN108898564A CN108898564A CN201810734434.2A CN201810734434A CN108898564A CN 108898564 A CN108898564 A CN 108898564A CN 201810734434 A CN201810734434 A CN 201810734434A CN 108898564 A CN108898564 A CN 108898564A
- Authority
- CN
- China
- Prior art keywords
- dynamic range
- image
- histogram
- detail
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013507 mapping Methods 0.000 title claims abstract description 49
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- 238000007906 compression Methods 0.000 claims abstract description 8
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims abstract description 3
- 238000009499 grossing Methods 0.000 claims description 4
- 230000008094 contradictory effect Effects 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 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 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 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
- G06T5/92—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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人类视觉模型(HVS)和WLS(Weighted Least Squares)滤波器的高动态范围图像色调映射方法，首先将高动态范围图像转化为亮度通道并取对数和归一化；然后用WLS滤波器进行滤波，得到相应的基本层和细节层；其次对基本层采用ATT算法进行动态范围压缩，细节层采用S曲线进行处理，得到映射后的亮度值；最后剔除异常像素以去除噪声，归一化并且进行颜色校正得到输出的图像。与传统的其他色调映射方法相比，该方法能够保留丰富的细节信息，较高的局部对比度以及整体明暗对比度，无梯度反转和光晕现象，更适合人眼观察或机器进行分析处理。
Description
技术领域
本发明属于数字图像处理领域，具体涉及一种基于人类视觉模型和WLS滤波器的高动态范围图像色调映射方法，该方法涉及高动态范围图像色调映射中如何将高动态范围图像映射为普通显示器可以显示的低动态范围图像。本发明能够保留丰富的细节信息，较高的局部对比度以及整体明暗对比度，无梯度反转和光晕现象，更适合人眼观察或机器进行分析处理。
背景技术
高动态范围图像(HDR)是一类设计用于储存真实世界的亮度值的图像，它通常使用浮点数来表示每个颜色分量值从而可以表示更高的动态范围。由于高动态范围图像存储的信息对应于真实世界中的光辐射度，因此也被称为是“针对场景”的。与此相对的，传统图像格式被称为低动态范围图像(LDR)，同时也被称为是“针对输出”或“针对设备”的。
传统输出装置的动态范围还远远不足以输出HDR图像。因此如何把高动态范围图像映射为能在普通输出装置上输出的低动态范围图像，并且使LDR图像与实际场景在视觉感观上尽量相同，并尽量保留实际场景的细节信息，便成为了高动态范围图像处理领域的研究热点，色调映射就是实现HDR图像动态范围压缩的方法。
色调映射在应用中主要存在三个显著问题：
1)：动态范围，即如何做到高动态范围图像信息压缩至低动态范围，并且不丢失场景信息。
2)：图像增强，即如何提高对比度，尽可能的保留原始图像中对比度较大的部分，而增强对比度较小的部分。
3)：颜色保持，在色调映射过程中，如何保持颜色不失真。
目前科研工作者在高动态范围图像色调映射做了大量的研究，常见的色调映射方法主要有：基于梯度域的色调映射方法、基于Reinhard模型的色调映射方法、基于WLS滤波器的色调映射方法、基于LEP滤波器的色调映射方法、ATT色调映射方法等等。但是此类方法在压缩动态范围的时候有一些缺陷，如细节信息不够、图像的整体明暗度和局部对比度不合适、易产生梯度反转和光晕现象、计算量大等缺点。
发明内容
本发明要解决的技术问题为：将高动态范围图像映射为普通显示器可以显示的低动态范围图像，同时要尽可能的保持图像的细节，映射后的图像达到较好的整体明暗度和对比度，无失真现象。针对现有技术的不足，提供一种基于人类视觉模型和WLS滤波器的高动态范围图像色调映射方法。该方法能够有效的压缩图像的动态范围，保留丰富的细节信息，较高的局部对比度以及整体明暗对比度，无梯度反转和光晕现象。
为实现这样的目的，本发明提供一种基于人类视觉模型和WLS滤波器的高动态范围图像色调映射方法，包含以下步骤：
步骤一、原始高动态范围图像转化为亮度通道并取对数和归一化：
将高动态范围图像转化为HSI颜色空间，得到I亮度通道：
其中，R,G,B分别为输入高动态范围图像的红、绿、蓝三个通道的值。
取对数：
I＝ln(I·106+1) (2)
归一化：
I＝I/max(I) (3)
步骤二、用WLS滤波器进行滤波，得到相应的基本层和细节层：
所属WLS滤波器需要完成两个矛盾的目标：给定一幅输入图像I，经滤波后的输出图像B要尽可能的接近I，同时I中除了显著性梯度的地方要尽可能的平滑，即使(4)中能量函数最小：
其中，I是输入图像，B是输出图像，p代表像素的空间位置，第一项用于最小化输出图像B与输入图像I间的差距，第二项通过减少输出图像B的大梯度点达到平滑图像的目的，λ是平滑系数，用于两项间的平衡，增加λ可以增强图像的平滑程度，即对图像进行更大尺度的平滑，以便提取出较粗尺度的细节，，ax,p(I)和ay,p(I)是平滑权重，用于控制不同空间类型下的平滑要求，其大小依赖于输入图像I，如式(5)所示：
指数参数α确定对图像I中梯度的敏感度，ε是极小数，以避免分母为0。
根据以上的条件，并假设输出图像B和输入图像I具有线性依赖关系，求出式(4)的函数取最小时自变量B的取值，即可得到输出的图像。
得到相应的基本层：
Bbase＝B (6)
相应的细节层：
Bdetail＝I-B (7)
步骤三、对基本层采用ATT算法进行动态范围压缩，细节层采用S曲线进行处理，得到映射后的亮度值：
(1)由JND(Just Noticeable Differences)计算直方的中心：
以Bbase的最小值作为第一个直方的中心，新的直方的中心与前一个直方的中心的距离为n个JND步长，直到Bbase的最大值。这个过程可用式(8)表示：
bi+1＝bi+n·δbi (8)
其中，bi是当前直方的中心，bi+1是下一个直方的中心，一个JND步长由δbi用基于人类视觉模型(HVS)的TVI曲线得出，曲线方程如下：
其中，δLa是人眼感知背景亮度La的一个JND阈值。
(2)计算出相应的直方图f(b)；
(3)忽略每个直方中不可区分的像素进行精细的计数，得到新的精细直方图r(b)；
(4)由直方图f(b)和精细直方图r(b)计算出组合直方图c(b)，如式(10)所示：
c(b)＝wf(b)+(1-w)r(b) (10)
其中，w和(1-w)是权重，w的取值范围为[0,1]。
(5)创建一个具有两列N+1行LUT，由线性插值和查找表(LUT)得到由基本层Bbase动态范围压缩后的值B′base。
(6)对细节层采用S曲线进行处理，曲线方程如下：
B′detail＝2·arctan(Bdetail·20)/π (11)
(7)将处理后的基本层和细节层相加得到映射后的亮度值；
Iout＝B′base+B′detail (12)
步骤四、剔除异常像素以去除噪声，归一化并且进行颜色校正得到输出的图像。
颜色校正的具体实现过程为：
其中C＝R,G,B代表三个颜色通道，Iin和Iout分别代表色调映射前和映射后的亮度通道的值。S为色饱和度，本发明中取s的取值范围为[0.5,1]。
本发明的有益效果在于：
(1)、本发明边缘保持特性较好，在边缘信息或者强纹理信息处，保留了丰富的图像信息，无过增强现象产生。
(2)、本发明的图像明暗度较好，能保持较高的局部对比度以及整体明暗对比度。
(3)、本发明无梯度反转和光晕现象。
(4)、本发明对于天空这类具有相似像素的图片处理效果较好，没有失真现象。
(5)、本发明在算法上计算量小，参数调节少，易于硬件实现。
总之：本发明在保持高动态范围图像层次结构的基础上，有效地提高了图像对比度、增强了图像细节、动态范围变换。提高了成像质量，更适合人眼观察或机器进行分析处理。
附图说明
图1是本发明方法的整体框架结构图；
图2为TVI曲线，给出了HVS适应不同亮度级别的敏感度亮度级别；
图3为本发明方法应用在一幅分辨率为768×512教堂高动态范围图像(memorial.hdr)的直方图，图3(a)为由TVI曲线计算直方的中心从而得到的直方图f(b)，图3(b)为忽略每个直方中不可区分的像素进行精细的计数得到新的精细直方图r(b)，图3(c)为组合直方图c(b)。
图4为S曲线，对细节层进行S曲线映射；
图5为本发明方法应用在教堂高动态范围图像的结果图，图5(a)对应为本发明方法，图5(b)对应为ATT色调映射方法，图5(c)对应为基于WLS滤波器的色调映射方法，图5(d)对应为基于Reinhard模型的色调映射方法；
图6为本发明方法应用在一幅分辨率为664×1000厨房高动态范围图像(HancockKitchenInside_small.hdr)的结果图，图6(a)对应为本发明方法，图6(b)对应为ATT色调映射方法，图6(c)对应为基于WLS滤波器的色调映射方法，图6(d)对应为基于Reinhard模型的色调映射方法；
图7为本发明方法应用在一幅分辨率为1000×750建筑高动态范围图像(tinterna_small.hdr)的结果图，图7(a)对应为本发明方法，图7(b)对应为ATT色调映射方法，图7(c)对应为基于WLS滤波器的色调映射方法，图7(d)对应为基于Reinhard模型的色调映射方法；
具体实施方式
下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于以下的实施例。
本实施例通过对一幅分辨率为768×512教堂高动态范围图像(memorial.hdr)处理来说明本发明中一种基于人类视觉模型和WLS滤波器的高动态范围图像的色调映射方法的应用。
本实施例的方法流程如图1所示，分为：转化为亮度通道并取对数和归一化、WLS滤波器进行滤波、对基本层和细节层分别处理、去除噪声并且颜色校正四个部分。具体实施过程如下：
步骤一：将原始高动态范围图像读入到一个矩阵里，对矩阵的三个通道进行运算得到亮度通道，由公式(2)和(3)进行取对数和归一化。
步骤二：对亮度通道进行WLS滤波，由公式(4)和(5)得到WLS滤波器的参数，由公式(6)和(7)获得相应的基本层和细节层。
步骤三：由TVI曲线(图2)计算出JND，然后计算直方的中心，得出相应的直方图f(b)，如图3(a)所示。忽略每个直方中不可区分的像素进行精细的计数，得到新的精细直方图r(b)，如图3(b)所示。用公式(10)计算出组合直方图c(b)，如图3(c)所示。创建一个具有两列N+1行LUT，由线性插值和查找表(LUT)得到由基本层Bbase动态范围压缩后的值B′base。对细节层采用S曲线(图4)进行处理，将处理后的基本层和细节层相加得到映射后的亮度值。
步骤四：将步骤三得到的映射后的亮度值矩阵按序排成一列，滤除坏像素点以去除噪声。将亮度值归一化并且用式(13)进行颜色校正得到三通道的值并输出的图像。
图5(a)为本发明的结果图，图5(b)为ATT色调映射方法的结果图，可以看到细节部分图5(a)的更丰富，中间的白色圆顶和墙壁上的浮雕能直接反应。图5(c)为基于WLS滤波器的色调映射方法的结果图，虽然细节丰富，但是图像的整体明暗度太差，没有图5(a)整体明暗对比度好。图5(d)为基于Reinhard模型的色调映射方法的结果图，和图5(b)一样，中间的白色圆顶和墙壁上的浮雕的细节信息没有图5(a)丰富。
为了说明此方法的适应型，图6为一幅分辨率为664×1000厨房高动态范围图像(HancockKitchenInside_small.hdr)的色调映射结果图，图6(a)为本发明处理结果，图6(b)为ATT色调映射方法的结果图，图6(c)为基于WLS滤波器的色调映射方法的结果图，图6(d)为基于Reinhard模型的色调映射算法的结果图，可以看出图6(a)的效果最好，无过增强和梯度反转，白色窗户部分能明显看到外面的建筑，其他结果图则丢失了这部分信息。图6(a)的两把椅子之间部分的细节最自然，图6(b)和图6(d)这部分偏暗，细节无法充分展示，图6(c)的这部分有点暗淡，还需要加强。
图7为一幅分辨率为1000×750建筑高动态范围图像(tinterna_small.hdr)的色调映射结果图，该图片中包含了大量相似像素(天空)，图7(a)为本发明处理结果，图7(b)为ATT色调映射方法的结果图，图7(c)为基于WLS滤波器的色调映射方法的结果图，图7(d)为基于Reinhard模型的色调映射方法的结果图，可以看出图7(a)的效果最好，比7(b)多了更多的细节信息，自然度更好，而图7(c)和图7(d)则产生了强烈失真，本发明对这种含有大量相似像素的图片处理效果很好，无失真现象。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。
Claims (2)
1.一种基于人类视觉模型和WLS滤波器的高动态范围图像色调映射方法，其特征在于，包括以下步骤：
步骤一、原始高动态范围图像转化为亮度通道并取对数和归一化：
将高动态范围图像转化为HSI颜色空间，得到I亮度通道：
其中，R,G,B分别为输入高动态范围图像的红、绿、蓝三个通道的值；
取对数：
I＝ln(I·106+1) (2)
归一化：
I＝I/max(I) (3)
步骤二、用WLS滤波器进行滤波，得到相应的基本层和细节层；
步骤三、对基本层采用ATT算法进行动态范围压缩，细节层采用S曲线进行处理，得到映射后的亮度值；
步骤四、剔除异常像素以去除噪声，归一化并且进行颜色校正得到输出的图像，颜色校正的具体实现过程为：
其中C＝R,G,B代表三个颜色通道，Iin和Iout分别代表色调映射前和映射后的亮度通道的值，S为色饱和度，s的取值范围为[0.5,1]。
2.根据权利要求1所述的一种基于人类视觉模型和WLS滤波器的高动态范围图像色调映射方法，其特征在于，用WLS滤波器对亮度通道进行滤波，得到相应的基本层和细节层，然后对基本层采用ATT算法进行动态范围压缩，细节层采用S曲线进行处理，得到映射后的亮度值，具体实现过程为：
(1)用WLS滤波器对亮度通道进行滤波，得到相应的基本层和细节层：
所属WLS滤波器需要完成两个矛盾的目标：给定一幅输入图像I，经滤波后的输出图像B要尽可能的接近I，同时I中除了显著性梯度的地方要尽可能的平滑，即使(5)中能量函数最小：
其中，I是输入图像，B是输出图像，p代表像素的空间位置，第一项用于最小化输出图像B与输入图像I间的差距，第二项通过减少输出图像B的大梯度点达到平滑图像的目的，λ是平滑系数，用于两项间的平衡，增加λ可以增强图像的平滑程度，即对图像进行更大尺度的平滑，以便提取出较粗尺度的细节，ax,p(I)和ay,p(I)是平滑权重，用于控制不同空间类型下的平滑要求，其大小依赖于输入图像I，如式(6)所示：
指数参数α确定对图像I中梯度的敏感度，ε是极小数，以避免分母为0；
根据以上的条件，并假设输出图像B和输入图像I具有线性依赖关系，求出式(5)的函数取最小时自变量B的取值，即可得到输出的图像；
得到相应的基本层：
Bbase＝B (7)
相应的细节层：
Bdetail＝I-B (8)
(2)由JND(Just Noticeable Differences)计算直方的中心：
以Bbase的最小值作为第一个直方的中心，新的直方的中心与前一个直方的中心的距离为n个JND步长，直到Bbase的最大值。这个过程可用式(9)表示：
bi+1＝bi+n·δbi (9)
其中，bi是当前直方的中心，bi+1是下一个直方的中心，一个JND步长由δbi用基于人类视觉模型(HVS)的TVI曲线得出，曲线方程如下：
其中，δLa是人眼感知背景亮度La的一个JND阈值；
(3)计算出相应的直方图f(b)；
(4)忽略每个直方中不可区分的像素进行精细的计数，得到新的精细直方图r(b)；
(5)由直方图f(b)和精细直方图r(b)计算出组合直方图c(b)，如式(11)所示：
c(b)＝wf(b)+(1-w)r(b) (11)
其中，w和(1-w)是权重，w的取值范围为[0,1]；
(6)创建一个具有两列N+1行LUT，由线性插值和查找表(LUT)得到由基本层Bbase动态范围压缩后的值B′base；
(7)对细节层采用S曲线进行处理，曲线方程如下：
B′detail＝2·arctan(Bdetail·20)/π (12)
(8)将处理后的基本层和细节层相加得到映射后的亮度值；
Iout＝B′base+B′detail (13)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810734434.2A CN108898564A (zh) | 2018-07-06 | 2018-07-06 | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810734434.2A CN108898564A (zh) | 2018-07-06 | 2018-07-06 | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898564A true CN108898564A (zh) | 2018-11-27 |
Family
ID=64347969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810734434.2A Pending CN108898564A (zh) | 2018-07-06 | 2018-07-06 | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898564A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785275A (zh) * | 2018-12-27 | 2019-05-21 | 珠海亿智电子科技有限公司 | 一种图像的色调映射方法及设备 |
| CN109951685A (zh) * | 2019-03-20 | 2019-06-28 | 泰州市海陵区一马商务信息咨询有限公司 | 数字设备定向管控系统 |
| 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 |
| CN110493584A (zh) * | 2019-07-05 | 2019-11-22 | 湖北工程学院 | 一种高动态范围场景可视化方法、装置和存储介质 |
| CN112561054A (zh) * | 2020-12-03 | 2021-03-26 | 中国科学院光电技术研究所 | 一种基于批量特征热图的神经网络滤波器剪枝方法 |
| CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101690169A (zh) * | 2007-06-27 | 2010-03-31 | 韩国科亚电子股份有限公司 | 非线性色调映射设备和方法以及其上存储有用于执行该方法的计算机可执行指令的计算机可读介质 |
| CN102789634A (zh) * | 2012-07-13 | 2012-11-21 | 中国人民解放军国防科学技术大学 | 一种获取光照均一化图像的方法 |
| US20130121572A1 (en) * | 2010-01-27 | 2013-05-16 | Sylvain Paris | Methods and Apparatus for Tone Mapping High Dynamic Range Images |
| CN103325098A (zh) * | 2013-07-02 | 2013-09-25 | 南京理工大学 | 基于多尺度处理的高动态红外图像增强方法 |
| CN105491371A (zh) * | 2015-11-19 | 2016-04-13 | 国家新闻出版广电总局广播科学研究院 | 基于梯度幅值相似性的色调映射图像质量评价方法 |
-
2018
- 2018-07-06 CN CN201810734434.2A patent/CN108898564A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101690169A (zh) * | 2007-06-27 | 2010-03-31 | 韩国科亚电子股份有限公司 | 非线性色调映射设备和方法以及其上存储有用于执行该方法的计算机可执行指令的计算机可读介质 |
| US20130121572A1 (en) * | 2010-01-27 | 2013-05-16 | Sylvain Paris | Methods and Apparatus for Tone Mapping High Dynamic Range Images |
| US20140341468A1 (en) * | 2010-01-27 | 2014-11-20 | Adobe Systems Incorporated | Methods and Apparatus for Tone Mapping High Dynamic Range Images |
| CN102789634A (zh) * | 2012-07-13 | 2012-11-21 | 中国人民解放军国防科学技术大学 | 一种获取光照均一化图像的方法 |
| CN103325098A (zh) * | 2013-07-02 | 2013-09-25 | 南京理工大学 | 基于多尺度处理的高动态红外图像增强方法 |
| CN105491371A (zh) * | 2015-11-19 | 2016-04-13 | 国家新闻出版广电总局广播科学研究院 | 基于梯度幅值相似性的色调映射图像质量评价方法 |
Non-Patent Citations (6)
| Title |
|---|
| BO GU 等: "Local Edge-Preserving Multiscale Decomposition for High Dynamic Range Image Tone Mapping", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| ISHTIAQ RASOOL KHAN 等: "A Tone-Mapping Technique Based on Histogram Using a Sensitivity Model of the Human Visual System", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
| MEI-XIAN PIAO 等: "High Dynamic Range Image Display Combining Weighted Least Squares Filtering with Color Appearance Model", 《JBE》 * |
| ZEEV FARBMAN 等: "Edge-Preserving Decompositions for Multi-Scale Tone and Detail Manipulation", 《ACM TRANSACTIONS ON GRAPHICS》 * |
| 蒲雅蕾: "高动态范围图像色调映射方法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陈俊 等: "基于协同滤波的多尺度色调映射", 《汕头大学学报（自然科学版）》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785275A (zh) * | 2018-12-27 | 2019-05-21 | 珠海亿智电子科技有限公司 | 一种图像的色调映射方法及设备 |
| CN109951685A (zh) * | 2019-03-20 | 2019-06-28 | 泰州市海陵区一马商务信息咨询有限公司 | 数字设备定向管控系统 |
| 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 |
| CN110493584A (zh) * | 2019-07-05 | 2019-11-22 | 湖北工程学院 | 一种高动态范围场景可视化方法、装置和存储介质 |
| CN112561054A (zh) * | 2020-12-03 | 2021-03-26 | 中国科学院光电技术研究所 | 一种基于批量特征热图的神经网络滤波器剪枝方法 |
| CN114359083A (zh) * | 2021-12-24 | 2022-04-15 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
| CN114359083B (zh) * | 2021-12-24 | 2022-11-29 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898564A (zh) | 一种基于人类视觉模型和wls滤波器的高动态范围图像色调映射方法 | |
| Veluchamy et al. | Image contrast and color enhancement using adaptive gamma correction and histogram equalization | |
| CN110047051B (zh) | 一种非均匀照明彩色图像增强方法 | |
| CN104182947B (zh) | 一种低照度图像增强方法和系统 | |
| CN107657594A (zh) | 一种高质量的快速色调映射方法和系统 | |
| Lee et al. | A space-variant luminance map based color image enhancement | |
| CN104268843A (zh) | 基于直方图修饰的图像自适应增强方法 | |
| CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
| CN110706172B (zh) | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 | |
| CN107767349B (zh) | 一种图像局部对比度增强的方法 | |
| CN106971379A (zh) | 一种基于分层加权融合的水下图像增强方法 | |
| CN111968041A (zh) | 一种自适应图像增强方法 | |
| CN106709504B (zh) | 细节保持的高保真色调映射方法 | |
| CN109658343B (zh) | 结合颜色转换和自适应曝光的水下图像增强方法 | |
| CN111105359B (zh) | 一种高动态范围图像的色调映射方法 | |
| CN110599418B (zh) | 一种变换域融合的全局色调映射方法 | |
| CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
| CN104778674B (zh) | 一种基于时间序列的顺逆光交通图像自适应增强方法 | |
| CN102208101A (zh) | 一种红外图像的自适应线性变换增强方法 | |
| CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
| Li et al. | An adaptive enhancement method for low illumination color images | |
| CN113313639A (zh) | 基于Retinex多层次分解的图像增强方法 | |
| CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
| Qian et al. | An adaptive enhancement algorithm based on visual saliency for low illumination images | |
| CN107194884A (zh) | 一种具有不同曝光值的多幅ldr图像获取方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181127 |