CN109410126B - 一种细节增强与亮度自适应的高动态范围图像的色调映射方法 - Google Patents

Abstract

本发明公开了一种细节增强与亮度自适应的高动态范围图像色调映射方法。本发明对输入HDR图像亮度灰度图进行全局细节增强，计算HDR图像亮度灰度图细节增强后的对数，利用对数转换初步压缩原始场景中的亮度；再对其进行亮度直方图统计，并且计算其平均值与标准差，对直方图进行分段裁剪与补偿；再由亮度与标准差估算模型计算映射后中间低动态范围图像的平均亮度与标准差，从而求解HDR图像到中间LDR图像的亮度直方图全局映射曲线，其中由最大熵亮度估算方法自适应选出最优输出中间LDR图像亮度；接着，对中间LDR图像亮度过暗或过亮区域进行局部细节增强映射得到输出LDR图像亮度；最后将HDR图像色彩映射到输出LDR图像色彩，合并色彩空间获得输出LDR图像。本发明能将HDR图像映射到LDR图像，输出的LDR图像亮度自适应，细节增强，主观效果和谐。

Description

一种细节增强与亮度自适应的高动态范围图像的色调映射 方法

技术领域

本发明设计了一种细节增强与亮度自适应的高动态范围图像(简称HDR图像)的色调映射方法，具体来说，它是一种对细节进行增强与基于亮度与标准差估算模型计算映射后中间低动态范围图像(简称LDR图像)的平均亮度与标准差，从而得到细节增强与亮度自适应的输出LDR图像的高动态范围图像色调映射方法。

背景技术

目前的CMOS传感器已能采集到170dB的高动态范围的真实场景的图像，从而对传统图像的存储、传输、处理、重现等技术提出了新的挑战。因此存在各种对采集到的HDR图像的动态范围进行压缩的方法，以解决真实场景与存储、传输、处理、重现等技术的动态范围不匹配的问题。这种对高动态范围图像的压缩方式称为色调映射。但是目前色调映射的方法过于依赖相关参数的调节，映射得到的图像细节部分与视觉感受部分不能很好体现真实场景。

发明内容

针对以上不足，本发明提供了一种细节增强与亮度自适应的HDR图像的色调映射方法。本发明能将HDR图像映射到LDR图像，输出的LDR图像亮度自适应，细节增强，主观效果和谐。

本发明提供了一种细节增强与亮度自适应的HDR图像的色调映射方法，包括有如下步骤：

1)对输入HDR图像亮度灰度图进行全局细节增强，计算HDR图像亮度灰度图细节增强后的对数，利用对数转换初步压缩原始场景中的亮度；

2)对全局细节增强的HDR图像亮度对数进行直方图统计，计算其平均值与标准差，对直方图进行分段裁剪与补偿；

3)由亮度与标准差估算模型计算映射到中间LDR图像的平均亮度与标准差，从而求解HDR图像到中间LDR图像的亮度直方图全局映射曲线，其中由最大熵亮度估算方法自适应选出最优输出中间LDR图像亮度；

4)对中间LDR图像亮度灰度图过暗或过亮区域进行局部细节增强映射得到输出LDR图像亮度；

5)将HDR图像色彩通道映射到对应输出LDR图像色彩通道，合并色彩空间获得输出LDR图像。

所述步骤1)包括：

11)定义输入HDR图像红绿蓝三个色彩通道的数据分别为R，G，B，定义HDR图像亮度L_w：

L_w＝0.299R+0.587G+0.114B (1)

12)定义输入HDR图像大尺度纹理层为b：

其中，I为单位矩阵；α是平衡因子，选取25～35之间；Q_x,Q_y是前向差分算子，

是后向差分算子；A_x和A_y是分别包含平滑权重a_x(L_w)和a_y(L_w)的对角矩阵，平滑权重a_x(L_w)和a_y(L_w)分别定义如下：

其中，ε₁是很小的数，取0.0002；β是决定ln(L_w)梯度灵敏度的参数，选取5～5.5之间；

13)计算输入HDR图像亮度的对数L_e：

L_e＝ln(L_w) (5)

14)定义HDR图像亮度细节层对数d：

d＝L_e-ln(b) (6)

15)定义HDR图像全局增强亮度的对数L'_e：

L'_e＝λ₁ln(b)+λ₂d (7)

其中，λ₁是修正因子，取0.94～0.98之间，λ₂是增强因子，定义为：

其中，μ_HDR为输入HDR图像平均亮度；C为输入HDR图像对比度，μ_HDR和C分别定义如下：

其中，M和N是输入HDR图像的长和宽；L_w(i,j)表示位置为(i,j)像素点的亮度值，δ(τ,υ)＝|τ-υ|即是相邻像素间的亮度τ和亮度υ的差值绝对值，P_δ(i,j)即相邻像素间的亮度灰度差为δ的像素分布概率；像素相邻取四近邻。

所述步骤2)包括：

21)定义L'_e的最大值L_max以及最小值L_min，直方图组数为D，取为1000，将L'_e的值线性映射到[0,D-1]，定义离散后的亮度LI，由公式描述为：

其中，

表示向下取整；

22)对离散后的亮度图像LI进行直方图统计，定义直方图为h(p):

h(p)＝<{LI(i,j)|LI(i,j)＝p}> (12)

其中，p＝0,…,D-1，<U>表示集合U的元素个数；

23)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的平均值μ，

24)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的标准差σ，

25)定义t₁和t₂为直方图h(p),p＝0,…,D-1的两个分割点：

t₁和t₂将直方图分割为三段独立的直方图分别定义为h_l、h_s和h_u：

h_l＝h(p),0≤p＜t₁

h_s＝h(p),t₁≤p＜t₂

h_u＝h(p),t₂≤p＜D (16)

定义r₁，r₂和r₃分别为各段直方图在整体直方图中的比例：

26)对第一段直方图h_l进行裁剪，定义裁剪阈值T_l：

定义裁剪后的直方图为h_l'：

为了不改变h_l在整体的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h_l”：

其中，res_l为第一段直方图经过裁剪出来的数量之和，p＝0,…,t₁-1；

27)对第二段直方图h_s进行裁剪，定义裁剪阈值T_s：

定义裁剪后的直方图为h_s'：

为了不改变h_s在整体的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h_s”：

其中，res_s为第二段直方图经过裁剪出来的数量之和，p＝t₁,…,t₂-1；

28)对第三段直方图h_u进行裁剪，定义裁剪阈值T_u：

定义裁剪后的直方图为h_u'：

为了不改变h_u在整体的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h_u”：

其中，res_u为第三段直方图经过裁剪出来的数量之和，p＝t₂,…,D-1；

29)定义经过裁剪和补偿的直方图h”：

所述步骤3)包括：

31)定义HDR图像直方图的分割点t₁和t₂映射到中间LDR图像直方图的分割点为t₁'和t'₂，定义估计输出图像的模型平均亮度μ_m和标准差σ_m，通过迭代求解方程得到分割点t₁'；

根据估计模型计算分割点t₁'_,k的方程：

其中k是迭代次数，计算标准差σ_m,k的方程：

32)定义迭代计数器k＝1，定义最大迭代次数K，定义预设误差e，定义初始标准差σ_m,0，映射后的中间LDR图像初始平均亮度为μ_m,0，计算t₁'_,0＝f₁(μ_m,0,σ_m,0)，迭代开始；

33)计算输出图像的标准差σ_m,k＝f₂(t₁'_,k-1,σ_m,k-1)；更新自适应亮度μ_m,k：

该式子基于最大熵提出，其中，[ω₀,ω_L]是从HDR图像映射到低动态图像的范围，取[ω₀,ω_L]为[0,255]；

34)更新t₁'_,k＝f₁(μ_m,k,σ_m,k)；

35)若满足

或k>K，迭代结束，输出最终的分割点t₁’＝t’_1,k，t₂’＝t₁’+2σ_m,k；否则令k＝k+1，转到步骤c3)；

36)定义直方图的累计密度函数cdf：

37)定义从高动态范围[0,D-1]的图像映射到低动态范围[ω₀,ω_L]的图像的映射曲线函数T：

38)定义映射后的中间低动态范围灰度图L'_LDR：

L'_LDR(i,j)＝T(LI(i,j)) (33)。

所述步骤4)包括：

41)定义中间低动态范围亮度灰度图L'_LDR归一化亮度灰度图L”_LDR：

L”_LDR＝L'_LDR/255 (34)

42)定义L”_LDR的平均值

43)定义L”_LDR的标准差

44)定义中心位于(i,j)大小为θ₁×θ₁的图像窗口θ，取θ₁为5，低动态范围亮度灰度图L”_LDR局部细节增强后得到低动态范围亮度灰度图L”'_LDR；判断图像窗口θ是否为过暗区域，若是则进行过暗区域局部细节增强处理；判断图像窗口是否为过亮区域，若是则进行过亮区域局部细节增强处理；遍历整幅亮度灰度图L”_LDR得到L”'_LDR；

45)定义映射后的低动态范围亮度灰度图L_LDR：

L_LDR＝L”'_LDR×255 (37)

所述步骤44)还包括：

441)定义图像窗口θ的灰度平均值μ_θ：

442)定义图像窗口的灰度标准差σ_θ：

443)判断图像窗口θ是否过暗区域，即是否满足

其中η₁、η₂和η₃是可调参数，η₁选取0.6～0.8之间，η₂选取0～0.05之间，η₃选取0.5～1之间，选取η₁＝0.8,η₂＝0,η₃＝0.8；若满足则有：

其中ε₂为修正参数，取为0.03；η₄为过暗区域可调增强因子，η₄选取1～3之间；

444)判断图像窗口θ是否过亮区域，即是否满足

其中η₅、η₆和η₇是可调参数，η₅选取1.2～1.4之间，η₆选取0～0.05之间，η₇选取大于5，选取η₅＝1.3,η₆＝0,η₇＝10；若满足则有：

其中η₈为过亮区域可调增强因子，η₈选取1～3之间；

445)若图像窗口θ既不是过暗区域也不是过亮区域，则有：

L”'_LDR(i,j)＝L”_LDR(i,j) (42)。

所述步骤5)包括：

51)定义输出LDR图像RGB三个通道数据分别为R_LDR，G_LDR和B_LDR：

其中γ为伽马校正的伽马参数，设置为0.45或0.55。

本发明的有益效果

本发明首先对HDR图像亮度灰度图全局细节增强；再由直方图裁剪与补偿、亮度与标准差估算模型获得HDR图像到LDR图像的亮度直方图全局映射曲线，其中由最大熵亮度估算方法自适应选出最优输出中间LDR图像亮度；然后对中间LDR图像灰度图过暗与过亮区域进行局部细节增强映射得到输出LDR图像亮度灰度图；这样减少了色调映射对相关参数依赖，映射得到的LDR图像细节部分与视觉感受部分很好的体现了真实场景。

附图说明

图1细节增强与亮度自适应的HDR图像色调映射方法的框图

图2细节增强与亮度自适应的HDR图像色调映射方法的流程图

图3估算中间LDR图像的标准差的直方图模型

图4输入HDR经典图像Memorial Church经过色调映射的LDR图像灰度图

具体实施方式

下面结合附图对本发明进行进一步阐述。

如图1所示，本发明一种细节增强与亮度自适应的HDR图像色调映射方法，包括如下步骤：1)对输入HDR图像亮度灰度图进行全局细节增强，计算HDR图像亮度灰度图细节增强后的对数，利用对数转换初步压缩原始场景中的亮度；2)对全局细节增强的HDR图像亮度对数进行直方图统计，计算其平均值与标准差，对直方图进行分段裁剪与补偿；3)由亮度与标准差估算模型计算映射到中间LDR的平均亮度与标准差，从而求解HDR图像到中间LDR图像的亮度直方图全局映射曲线，其中由最大熵亮度估算方法自适应选出最优输出中间LDR图像亮度；4)对中间LDR图像亮度灰度图过暗或过亮区域进行局部细节增强映射得到输出LDR图像亮度灰度图；5)将HDR图像色彩通道映射到对应输出LDR图像色彩通道，合并色彩空间获得输出LDR图像。本发明一种细节增强与亮度自适应的HDR图像色调映射方法的具体实施过程如图2所示。

下面对各步骤进行详细阐述：

1)对输入HDR经典图像Memorial Church亮度灰度图进行全局细节增强，计算HDR图像亮度灰度图细节增强后的对数，利用对数转换初步压缩原始场景中的亮度。

11)定义输入HDR图像红绿蓝三个色彩通道的数据分别为R，G，B，定义HDR图像亮度L_w：

L_w＝0.299R+0.587G+0.114B (87)

12)定义输入HDR图像大尺度纹理层为b：

其中，I为单位矩阵；α是平衡因子，一般选取25～35之间，本发明取为30；Q_x,Q_y是前向差分算子，

是后向差分算子；A_x和A_y是分别包含平滑权重a_x(L_w)和a_y(L_w)的对角矩阵，平滑权重a_x(L_w)和a_y(L_w)分别定义如下：

其中，ε₁是很小的数，本发明取0.0002；β是决定ln(L_w)梯度灵敏度的参数，一般选取5～5.5之间，本发明取5。

13)计算输入HDR图像亮度的对数L_e：

L_e＝ln(L_w) (91)

14)定义HDR图像亮度细节层对数d：

d＝L_e-ln(b) (92)

15)定义HDR图像全局增强亮度的对数L'_e：

L'_e＝λ₁ln(b)+λ₂d (93)

其中，λ₁是修正因子，一般选取0.94～0.98之间，取0.95；λ₂是增强因子，定义为：

其中，μ_HDR为输入HDR图像平均亮度；C为输入HDR图像对比度。μ_HDR和C分别定义如下：

其中，M和N是输入HDR图像的长和宽；L_w(i,j)表示位置为(i,j)像素点的像素值。δ(τ,υ)＝|τ-υ|即是相邻像素间的亮度τ和亮度υ的差值绝对值，P_δ(i,j)即相邻像素间的亮度灰度差为δ的像素分布概率；本发明像素相邻取四近邻。

2)对全局细节增强的HDR图像亮度对数进行直方图统计，计算其平均值与标准差，对直方图进行分段裁剪与补偿。

21)定义L'_e的最大值L_max以及最小值L_min，直方图组数为D，本发明取为1000，将L'_e的值线性映射到[0,D-1]，定义离散后的亮度LI，由公式描述为：

其中，

表示向下取整操作；本发明取为2000。

22)对离散后的亮度图像LI进行直方图统计，定义直方图为h(p):

h(p)＝<{LI(i,j)|LI(i,j)＝p}> (98)

其中，p＝0,…,D-1，<U>表示集合U的元素个数。

23)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的平均值μ，

24)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的标准差σ，

25)定义t₁和t₂为直方图h(p),p＝0,…,D-1的两个分割点：

t₁和t₂将直方图分割为三段独立的直方图分别定义为h_l、h_s和h_u：

h_l＝h(p),0≤p＜t₁

h_s＝h(p),t₁≤p＜t₂

h_u＝h(p),t₂≤p＜D (102)

定义r₁，r₂和r₃分别为各段直方图在整体直方图中的比例：

26)对第一段直方图h_l进行裁剪，定义裁剪阈值T_l：

定义裁剪后的直方图为h_l'：

为了不改变h_l在整体的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h_l”：

其中，res_l为第一段直方图经过裁剪出来的数量之和，p＝0,…,t₁-1。

27)对第二段直方图h_s进行裁剪，定义裁剪阈值T_s：

定义裁剪后的直方图为h_s'：

为了不改变h_s在整体的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h_s”：

其中，res_s为第二段直方图经过裁剪出来的数量之和，p＝t₁,…,t₂-1。

28)对第三段直方图h_u进行裁剪，定义裁剪阈值T_u：

定义裁剪后的直方图为h_u'：

为了不改变h_u在整体的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h_u”：

其中，res_u为第三段直方图经过裁剪出来的数量之和，p＝t₂,…,D-1。

29)定义经过裁剪和补偿的直方图h”：

3)由亮度与标准差估算模型计算映射到中间LDR的平均亮度与标准差，从而求解HDR图像到中间LDR图像的亮度直方图全局映射曲线，其中由最大熵亮度估算方法自适应选出最优输出中间LDR图像亮度，其中，标准差估算模型如图3所示。

31)定义HDR图像直方图的分割点t₁和t₂映射到中间LDR图像直方图的分割点为t₁'和t'₂，定义估计输出图像的模型平均亮度μ_m和标准差σ_m，通过迭代求解方程得到分割点t₁'。

根据估计模型计算分割点t₁'_,k的方程：

其中k是迭代次数，计算标准差σ_m,k的方程：

32)定义迭代计数器k＝1，定义最大迭代次数K，定义预设误差e，定义初始标准差σ_m,0，映射后的中间LDR图像初始平均亮度为μ_m,0，计算t₁'_,0＝f₁(μ_m,0,σ_m,0)，迭代开始；

33)计算输出图像的标准差σ_m,k＝f₂(t₁'_,k-1,σ_m,k-1)；更新自适应亮度μ_m,k：

该式子基于最大熵提出，其中，[ω₀,ω_L]是从HDR图像映射到低动态图像的范围，本发明取[ω₀,ω_L]为[0,255]。

34)更新t₁'_,k＝f₁(μ_m,k,σ_m,k)。

35)若满足

或k>K，迭代结束，输出最终的分割点t₁’＝t’_1,k，t₂’＝t₁’+2σ_m,k；否则令k＝k+1，转到步骤c3)。

36)定义直方图的累计密度函数cdf：

37)定义从高动态范围[0,D-1]的图像映射到低动态范围[ω₀,ω_L]的图像的映射曲线函数T：

38)定义映射后的中间低动态范围灰度图L'_LDR：

L'_LDR(i,j)＝T(LI(i,j)) (119)。

4)对中间LDR图像亮度灰度图过暗或过亮区域进行局部细节增强映射。

41)定义中间低动态范围灰度图L'_LDR归一化灰度图L”_LDR：

L”_LDR＝L'_LDR/255 (120)

42)定义L”_LDR的平均值

43)定义L”_LDR的标准差

44)定义中心位于(i,j)大小为θ₁×θ₁的图像窗口θ，本发明取θ₁为5，低动态范围灰度图L”_LDR局部细节增强后得到低动态范围灰度图L”'_LDR；判断图像窗口θ是否为过暗区域，若是则进行过暗区域局部细节增强处理；判断图像窗口是否为过亮区域，若是则进行过亮区域局部细节增强处理；遍历整幅灰度图L”_LDR得到L”'_LDR。

45)定义映射后的低动态范围灰度图L_LDR：

L_LDR＝L”'_LDR×255 (123)

所述步骤44)还包括：

441)定义图像窗口θ的灰度平均值μ_θ：

442)定义图像窗口θ的灰度标准差σ_θ：

443)判断图像窗口θ是否过暗区域，即是否满足

其中η₁、η₂和η₃是可调参数，η₁一般选取0.6～0.8之间，η₂一般选取0～0.05之间，η₃一般选取0.5～1之间，本发明选取η₁＝0.8,η₂＝0,η₃＝0.8；若满足则有：

其中ε₂为修正参数，取为0.03；η₄为过暗区域可调增强因子，η₄一般取1～3之间，本发明取为2。

444)判断图像窗口θ是否过亮区域，即是否满足

其中η₅、η₆和η₇是可调参数，η₅一般选取1.2～1.4之间，η₆一般选取0～0.05之间，η₇一般选取大于5，本发明选取η₅＝1.3,η₆＝0,η₇＝10；若满足则有：

其中η₈为过亮区域可调增强因子，η₈一般取1～3之间，本发明取为2。

445)若图像窗口θ既不是过暗区域也不是过亮区域，则有：

L”'_LDR(i,j)＝L”_LDR(i,j) (128)

5)将HDR图像色彩通道映射到对应输出LDR图像色彩通道，合并色彩空间获得输出LDR图像。

51)定义输出LDR图像RGB三个通道数据分别为R_LDR，G_LDR和B_LDR：

其中γ为伽马校正的伽马参数，一般设置为0.45或0.55，本发明取为0.45。

Claims (5)

1.一种细节增强与亮度自适应的高动态范围图像的色调映射方法，其特征在于包括有如下步骤：

1)对输入高动态范围图像亮度灰度图进行全局细节增强，计算高动态范围图像亮度灰度图细节增强后的对数，利用对数转换初步压缩原始场景中的亮度；

2)对全局细节增强的高动态范围图像亮度对数进行直方图统计，计算其平均值与标准差，对直方图进行分段裁剪与补偿；

3)由亮度与标准差估算模型计算映射到中间低动态范围图像的平均亮度与标准差，从而求解高动态范围图像到中间低动态范围图像的亮度直方图全局映射曲线，其中由最大熵亮度估算方法自适应选出最优中间低动态范围图像亮度；

4)对中间低动态范围图像亮度灰度图过暗或过亮区域进行局部细节增强映射得到输出低动态范围图像亮度；

5)将高动态范围图像色彩通道映射到对应输出低动态范围图像色彩通道，合并色彩空间获得输出低动态范围图像；

所述步骤1)包括：

11)定义输入高动态范围图像红绿蓝三个色彩通道的数据分别为R，G，B，定义高动态范围图像亮度L_w：

L_w＝0.299R+0.587G+0.114B (1)

12)定义输入高动态范围图像大尺度纹理层为b：

其中，I为单位矩阵；α是平衡因子，选取25～35之间；Q_x,Q_y是前向差分算子，

是后向差分算子；A_x和A_y是分别包含平滑权重a_x(L_w)和a_y(L_w)的对角矩阵，平滑权重a_x(L_w)和a_y(L_w)分别定义如下：

其中，ε₁取0.0002；β是决定ln(L_w)梯度灵敏度的参数，选取5～5.5之间；

13)计算输入高动态范围图像亮度的对数L_e：

L_e＝ln(L_w) (5)

14)定义高动态范围图像亮度细节层对数d：

d＝L_e-ln(b) (6)

15)定义高动态范围图像全局增强亮度的对数L′_e：

L′_e＝λ₁ln(b)+λ₂d (7)

其中，λ₁是修正因子，取0.94～0.98之间，λ₂是增强因子，定义为：

其中，μ_HDR为输入高动态范围图像平均亮度；C为输入高动态范围图像对比度，μ_HDR和C分别定义如下：

其中，M和N是输入高动态范围图像的长和宽；L_w(i,j)表示位置为(i,j)像素点的亮度值，δ(τ,υ)＝|τ-υ|即是相邻像素间的亮度τ和亮度υ的差值绝对值，P_δ(i,j)即相邻像素间的亮度灰度差为δ的像素分布概率；像素相邻取四近邻。

2.根据权利要求1所述的细节增强与亮度自适应的高动态范围图像的色调映射方法，其特征在于，所述步骤2)包括：

21)定义L′_e的最大值L_max以及最小值L_min，直方图组数为D，取为1000，将L′_e的值线性映射到[0,D-1]，定义离散后的亮度LI，由公式描述为：

其中，

表示向下取整；

22)对离散后的亮度LI进行直方图统计，定义直方图为h(p):

h(p)＝<{LI(i,j)|LI(i,j)＝p}> (12)

其中，p＝0,…,D-1，<U>表示集合U的元素个数；

23)定义由步骤22)得到的直方图h(p),p＝0,…,D-1的平均值μ，

24)定义由步骤22)得到的直方图h(p),p＝0,…,D-1的标准差σ，

25)定义t₁和t₂为直方图h(p),p＝0,…,D-1的两个分割点：

t₁和t₂将直方图分割为三段独立的直方图，分别定义为h_l、h_s和h_u：

h_l＝h(p),0≤p＜t₁

h_s＝h(p),t₁≤p＜t₂

h_u＝h(p),t₂≤p＜D (16)

定义r₁，r₂和r₃分别为各段直方图在整体直方图中的比例：

26)对第一段直方图h_l进行裁剪，定义裁剪阈值T_l：

定义裁剪后的直方图为h′_l：

为了不改变h_l在直方图的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h″_l：

其中，res_l为第一段直方图经过裁剪出来的像素数量之和，p＝0,…,t₁-1；

27)对第二段直方图h_s进行裁剪，定义裁剪阈值T_s：

定义裁剪后的直方图为h′_s：

为了不改变h_s在直方图的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h″_s：

其中，res_s为第二段直方图经过裁剪出来的像素数量之和，p＝t₁,…,t₂-1；

28)对第三段直方图h_u进行裁剪，定义裁剪阈值T_u：

定义裁剪后的直方图为h′_u：

为了不改变h_u在直方图的比例，需要将裁剪多出的部分补偿到直方图中，定义补偿后的直方图为h″_u：

其中，res_u为第三段直方图经过裁剪出来的像素数量之和，p＝t₂,…,D-1；

29)定义经过裁剪和补偿的直方图h″：

3.根据权利要求1所述的细节增强与亮度自适应的高动态范围图像的色调映射方法，其特征在于，所述步骤3)包括：

31)定义高动态范围图像直方图的分割点t₁和t₂映射到中间低动态范围图像直方图的分割点为t′₁和t′₂，定义估计输出图像的模型平均亮度μ_m和标准差σ_m，通过迭代求解方程得到分割点t′₁；

根据估计模型计算分割点t′_1,k的方程：

其中k是迭代次数，计算标准差σ_m,k的方程：

32)定义迭代计数器k＝1，定义最大迭代次数K，定义预设误差e，定义初始标准差σ_m,0，映射后的中间低动态范围图像初始平均亮度为μ_m,0，计算t′_1,0＝f₁(μ_m,0,σ_m,0)，迭代开始；

33)计算输出图像的标准差σ_m,k＝f₂(t′_1,k-1,σ_m,k-1)；更新自适应亮度μ_m,k：

该式子基于最大熵提出，其中，[ω₀,ω_L]是从高动态范围图像映射到低动态图像的范围，取[ω₀,ω_L]为[0,255]；

34)更新t′_1,k＝f₁(μ_m,k,σ_m,k)；

35)若满足

或k>K，迭代结束，输出最终的分割点t₁’＝t’_1,k，t₂’＝t₁’+2σ_m,k；否则令k＝k+1，转到步骤33)；

36)定义直方图的累计密度函数cdf：

37)定义从高动态范围[0,D-1]的图像映射到低动态范围[ω₀,ω_L]的图像的映射曲线函数T：

38)定义映射后的中间低动态范围灰度图L′_LDR：

L′_LDR(i,j)＝T(LI(i,j)) (33)。

4.根据权利要求1所述的细节增强与亮度自适应的高动态范围图像的色调映射方法，其特征在于，所述步骤4)包括：

41)定义中间低动态范围亮度灰度图L′_LDR归一化低动态范围亮度灰度图L″_LDR：

L″_LDR＝L′_LDR/255 (34)

42)定义L″_LDR的平均值

43)定义L″_LDR的标准差

44)定义中心位于(i,j)大小为θ₁×θ₁的图像窗口θ，取θ₁为5，低动态范围亮度灰度图L″_LDR局部细节增强后得到低动态范围亮度灰度图L″′_LDR；判断图像窗口θ是否为过暗区域，若是则进行过暗区域局部细节增强处理；判断图像窗口θ是否为过亮区域，若是则进行过亮区域局部细节增强处理；遍历整幅低动态范围亮度灰度图L″′_LDR得到低动态范围亮度灰度图L″′_LDR；

45)定义映射后的低动态范围亮度灰度图L_LDR：

L_LDR＝L″′_LDR×255 (37)

所述步骤44)还包括：

441)定义图像窗口θ的灰度平均值μ_θ：

442)定义图像窗口θ的灰度标准差σ_θ：

443)判断图像窗口θ是否过暗区域，即是否满足

其中η₁、η₂和η₃是可调参数，η₁选取0.6～0.8之间，η₂选取0～0.05之间，η₃选取0.5～1之间；若满足则有：

其中ε₂为修正参数，取为0.03；η₄为过暗区域可调增强因子，η₄选取1～3之间；

444)判断图像窗口θ是否过亮区域，即是否满足

其中η₅、η₆和η₇是可调参数，η₅选取1.2～1.4之间，η₆选取0～0.05之间，η₇选取大于5；若满足则有：

其中η₈为过亮区域可调增强因子，η₈选取1～3之间；

445)若图像窗口θ既不是过暗区域也不是过亮区域，则有：

L″′_LDR(i,j)＝L″_LDR(i,j) (42)。

5.根据权利要求4所述的细节增强与亮度自适应的高动态范围图像的色调映射方法，其特征在于，所述步骤445)包括：

51)定义输出低动态范围图像RGB三个通道数据分别为R_LDR，G_LDR和B_LDR：

其中γ为伽马校正的伽马参数，设置为0.45或0.55。

Images