CN110009574B - 一种低动态范围图像逆向生成高动态范围图像的方法 - Google Patents

Abstract

本发明公开了一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法，本发明方法首先对输入的低动态范围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输入图像到中间高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输出中间高动态范围图像亮度；然后对中间高动态范围图像灰度图利用高效滤波器滤波去除映射产生的伪影得到输出高动态范围图像亮度；最后合并色彩通道并对色彩进行自适应校正，生成的高动态范围图像很好的体现了真实场景。本发明能将输入图像映射到高动态范围图像，输出的高动态范围图像亮度与色彩自适应，细节重现，视觉效果真实震撼。

Description

一种低动态范围图像逆向生成高动态范围图像的方法

技术领域

本发明涉及高动态范围成像技术领域，更具体地，涉及一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法。

背景技术

我们身处的环境亮度有着非常高的动态范围，其最高亮度和最低亮度之比高达10⁸:1，然而现有的数字图像采集设备受到了传感器等制约，其动态范围十分有限，无法覆盖完整的环境亮度动态范围。虽然高动态范围(HDR)图像相比于低动态范围(LDR)图像更为自然和逼真的图像，但目前主流的仍为低动态范围图像。利用曝光控制技术有选择地捕捉场景亮度，但是无法避免图像存在曝光过度或者曝光不足的区域，严重影响成像质量，无法提供更多的动态范围和图像细节。

同时目前一般的显示器只能表示28个亮度数量级，也无法完美反映真实世界的场景；随着科技的发展，市场上逐步推出高动态范围显示器，能表示的亮度数量级与细节色彩表现力大幅度提升。因此，利用现有低动态范围图像资源生成高动态范围图像，更好的反映出真实环境中的视觉效果，具有较高应用与经济价值。

发明内容

本发明为解决现有的成像技术无法提供更多的动态范围和图像细节等问题，提供了一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法。

为实现以上发明目的，而采用的技术手段是：

一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法，包括：

a)对输入图像亮度灰度图进行全局细节增强，计算所述输入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；其中所述图像为低动态范围图像或高动态范围图像；

b)对全局细节增强的输入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；

c)由亮度与标准差估算模型计算映射到中间高动态范围图像的平均亮度与标准差，从而求解输入图像到中间高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估算出最优输出中间高动态范围图像亮度；

d)利用高效滤波器对中间高动态范围图像亮度滤波去除映射产生的伪影得到输出高动态范围图像亮度；

e)将输入图像色彩通道映射到对应输出高动态范围图像色彩通道并进行自适应校正，合并色彩空间获得输出高动态范围图像。

上述方案中，通过细节重现与基于亮度与标准差估算模型获得全局映射模型进行图像映射，然后对映射生成的图像灰度图利用高效滤波器滤波去除映射产生的伪影得到输出高动态范围图像亮度图，最后合并色彩通道并对色彩进行自适应校正，从而得到亮度、色彩自适应与细节重现的输出高动态范围图像。

优选的，所述步骤a)包括：

a1)定义输入图像红绿蓝三个色彩通道的数据分别为R，G，B，定义输入图像亮度L_w：

L_w＝0.299R+0.587G+0.114B (1)

a2)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，一般选取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是常数；β是决定ln(L_w)梯度灵敏度的参数，一般选取5～5.5之间；其中ε₁为很小的数；

a3)计算输入图像亮度的对数L_e：

L_e＝ln(L_w) (5)

a4)定义输入图像亮度细节层对数d：

d＝L_e-ln(b) (6)

a5)定义输入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，一般取0.94～0.98之间；λ₂是增强因子，定义为：

其中，μ_Input为输入图像平均亮度；C为输入图像对比度；μ_Input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。

优选的，所述步骤b)包括：

b1)定义L'_e的最大值L_max以及最小值L_min，直方图组数为D，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；

b2)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；

b3)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的平均值μ，

b4)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的标准差σ，

b5)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：

b6)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，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；

b7)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，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；

b8)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，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；

b9)定义经过裁剪和补偿的直方图h”：

优选的，所述步骤c)包括：

c1)定义输入图像直方图的分割点t₁和t₂映射到中间高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，输出高动态范围图像最大亮度级，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：

c2)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，映射后的中间高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；

c3)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：

所述公式基于最大熵提出，其中，[ω₀,ω_L]是从输入图像映射到高动态图像的范围；

c4)更新t₁'_,k＝f₁(μ_m,k,σ_m,k)；

c5)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)；

c6)定义直方图的累计密度函数cdf：

c7)定义从输入图像[0,D-1]的图像映射到高动态范围[ω₀,ω_L]的图像的映射曲线函数T：

其中，η₁为过暗区域可调增强因子，η₁一般选取1～3之间；η₂为过亮区域可调增强因子，η₂一般选取1～3之间；

c8)定义映射后的中间高动态范围灰度图L'_HDR：

L'_HDR(i,j)＝T(LI(i,j)) (33)。

优选的，所述步骤d)包括：

d1)定义中间高动态范围亮度灰度图平均亮度μ_Mid：

d2)定义中心位于(i,j)大小为1×θ₁的图像窗口θ_infeed，中间高动态范围亮度灰度图L'_HDR经过横向去伪影得到横向去伪影高动态范围亮度灰度图L”_LDR；判断图像窗口θ_infeed是否为横向伪影区域，若对任意的Z'_j'满足下式，则图像窗口θ_infeed是横向伪影区域：

其中，Z'_j'∈{-9,-6,-3,0,3,6,9}，其中，j'∈{-3,-2,-1,0,1,2,3}；

d3)若图像窗口θ_infeed是横向伪影区则进行横向伪影区域去伪影平滑处理：

d4)若图像窗口θ不是横向伪影区域则：

L”_LDR(i,j)＝L'_LDR(i,j) (37)

d5)定义中心位于(i,j)大小为θ₂×1的图像窗口θ_fore，横向去伪影高动态范围亮度灰度图L”_LDR经过纵向去伪影得到输出高动态范围亮度灰度图L”'_HDR；判断图像窗口θ_fore是否为纵向伪影区域，若对任意的Z”_i'满足下式，则图像窗口θ_fore是纵向伪影区域：

其中，Z”_i'∈{-9,-6,-3,0,3,6,9}，其中，i'∈{-3,-2,-1,0,1,2,3}；

d6)若图像窗口θ_fore是纵向伪影区则进行纵向伪影区域去伪影平滑处理：

d7)若图像窗口θ_fore不是纵向伪影区域则：

L”'_LDR(i,j)＝L”_LDR(i,j) (40)。

优选的，所述步骤e)包括：

e1)定义输出高动态范围图像RGB三个通道数据分别为R_HDR，G_HDR和B_HDR：

其中γ为生成高动态范围图像自适应色彩校正因子：

与现有技术相比，本发明技术方案的有益效果是：

本发明首先对输入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输入图像到中间高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输出中间高动态范围图像亮度；然后对中间高动态范围图像灰度图利用高效滤波器滤波去除映射产生的伪影得到输出高动态范围图像亮度；最后合并色彩通道并对色彩进行自适应校正，生成的高动态范围图像很好的体现了真实场景。本发明能将输入图像映射到高动态范围图像，输出的高动态范围图像亮度与色彩自适应，细节重现，视觉效果真实震撼。

附图说明

图1为本发明方法的框图。

图2为本发明方法的框图的流程图。

图3为本发明中输入图像全局映射模型。

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。

如图1所示，一种亮度、色彩自适应与细节丰富的低动态范围图像逆向生成高动态范围图像的方法，包括：

a)对输入图像亮度灰度图进行全局细节增强，计算所述输入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；其中所述图像为低动态范围图像或高动态范围图像；

b)对全局细节增强的输入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；

c)由亮度与标准差估算模型计算映射到中间高动态范围图像的平均亮度与标准差，从而求解输入图像到中间高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估算出最优输出中间高动态范围图像亮度；

d)利用高效滤波器对中间高动态范围图像亮度滤波去除映射产生的伪影得到输出高动态范围图像亮度；

e)将输入图像色彩通道映射到对应输出高动态范围图像色彩通道并进行自适应校正，合并色彩空间获得输出高动态范围图像。

本发明方法的具体实施过程如图2所示。

其中，所述步骤a)包括：

a1)定义输入图像红绿蓝三个色彩通道的数据分别为R，G，B，定义输入图像亮度L_w：

L_w＝0.299R+0.587G+0.114B (1)

a2)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，一般选取25～35之间，本实施例取为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为常数，本实施例取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，本实施例取5；

a3)计算输入图像亮度的对数L_e：

L_e＝ln(L_w) (5)

a4)定义输入图像亮度细节层对数d：

d＝L_e-ln(b) (6)

a5)定义输入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，一般取0.94～0.98之间，本实施例取0.95；λ₂是增强因子，定义为：

其中，μ_Input为输入图像平均亮度；C为输入图像对比度；μ_Input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，本实施例像素相邻取四近邻。

其中，所述步骤b)包括：

b1)定义L'_e的最大值L_max以及最小值L_min，直方图组数为D，本实施例取为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；

b2)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；

b3)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的平均值μ，

b4)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的标准差σ，

b5)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：

b6)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，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；

b7)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，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；

b8)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，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；

b9)定义经过裁剪和补偿的直方图h”：

如图3所示为输入图像全局映射模型。

其中，所述步骤c)包括：

c1)定义输入图像直方图的分割点t₁和t₂映射到中间高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，输出高动态范围图像最大亮度级，本实施例取为1000，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：

c2)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，映射后的中间高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；

c3)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：

所述公式基于最大熵提出，其中，[ω₀,ω_L]是从输入图像映射到高动态图像的范围，本实施例取[ω₀,ω_L]为[0,1000]；

c4)更新t'_1,k＝f₁(μ_m,k,σ_m,k)；

c5)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)；

c6)定义直方图的累计密度函数cdf：

c7)定义从输入图像[0,D-1]的图像映射到高动态范围[ω₀,ω_L]的图像的映射曲线函数T：

其中，η₁为过暗区域可调增强因子，η₁一般选取1～3之间，本实施例取为2；η₂为过亮区域可调增强因子，η₂一般选取1～3之间，本实施例取为2；

c8)定义映射后的中间高动态范围灰度图L'_HDR：

L'_HDR(i,j)＝T(LI(i,j)) (33)。

其中，所述步骤d)包括：

d1)定义中间高动态范围亮度灰度图平均亮度μ_Mid：

d2)定义中心位于(i,j)大小为1×θ₁的图像窗口θ_infeed，本实施例取θ₁为19，中间高动态范围亮度灰度图L'_HDR经过横向去伪影得到横向去伪影高动态范围亮度灰度图L”_LDR；判断图像窗口θ_infeed是否为横向伪影区域，若对任意的Z'_j'满足下式，则图像窗口θ_infeed是横向伪影区域：

其中，Z'_j'∈{-9,-6,-3,0,3,6,9}，其中，j'∈{-3,-2,-1,0,1,2,3}；

d3)若图像窗口θ_infeed是横向伪影区则进行横向伪影区域去伪影平滑处理：

d4)若图像窗口θ不是横向伪影区域则：

L”_LDR(i,j)＝L'_LDR(i,j) (37)

d5)定义中心位于(i,j)大小为θ₂×1的图像窗口θ_fore，本实施例取θ_fore为19，横向去伪影高动态范围亮度灰度图L”_LDR经过纵向去伪影得到输出高动态范围亮度灰度图L”'_HDR；判断图像窗口θ_fore是否为纵向伪影区域，若对任意的Z_i”'满足下式，则图像窗口θ_fore是纵向伪影区域：

其中，Z”_i'∈{-9,-6,-3,0,3,6,9}，其中，i'∈{-3,-2,-1,0,1,2,3}；

d6)若图像窗口θ_fore是纵向伪影区则进行纵向伪影区域去伪影平滑处理：

d7)若图像窗口θ_fore不是纵向伪影区域则：

L”'_LDR(i,j)＝L”_LDR(i,j) (40)。

其中，所述步骤e)包括：

e1)定义输出高动态范围图像RGB三个通道数据分别为R_HDR，G_HDR和B_HDR：

其中γ为生成高动态范围图像自适应色彩校正因子：

其中，

附图中描述位置关系的用语仅用于示例性说明，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 (5)

1.一种低动态范围图像逆向生成高动态范围图像的方法，其特征在于，包括：

a)对输入图像亮度灰度图进行全局细节增强，计算输入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；其中所述图像为低动态范围图像或高动态范围图像；

b)对全局细节增强的输入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；

c)由亮度与标准差估算模型计算映射到中间高动态范围图像的平均亮度与标准差，从而求解输入图像到中间高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估算出最优输出中间高动态范围图像亮度；

d)利用高效滤波器对中间高动态范围图像亮度滤波去除映射产生的伪影得到输出高动态范围图像亮度；

e)将输入图像色彩通道映射到对应输出高动态范围图像色彩通道并进行自适应校正，合并色彩空间获得输出高动态范围图像；

所述步骤a)包括：

a1)定义输入图像红绿蓝三个色彩通道的数据分别为R，G，B，定义输入图像亮度L_w：

L_w＝0.299R+0.587G+0.114B (1)

a2)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；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是常数；β是决定ln(L_w)梯度灵敏度的参数；

a3)计算输入图像亮度的对数L_e：

L_e＝ln(L_w) (5)

a4)定义输入图像亮度细节层对数d：

d＝L_e-ln(b) (6)

a5)定义输入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；λ₂是增强因子，定义为：

其中，μ_Input为输入图像平均亮度；C为输入图像对比度；μ_Input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。

2.根据权利要求1所述的低动态范围图像逆向生成高动态范围图像的方法，其特征在于，所述步骤b)包括：

b1)定义L'_e的最大值L_max以及最小值L_min，直方图组数为D，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；

b2)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；

b3)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的平均值μ，

b4)定义由步骤a)得到的直方图h(p),p＝0,…,D-1的标准差σ，

b5)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：

b6)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，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；

b7)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，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；

b8)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，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；

b9)定义经过裁剪和补偿的直方图h”：

3.根据权利要求1所述的低动态范围图像逆向生成高动态范围图像的方法，其特征在于，所述步骤c)包括：

c1)定义输入图像直方图的分割点t₁和t₂映射到中间高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，输出高动态范围图像最大亮度级，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t₁'_,k的方程：

其中k是迭代次数，计算标准差σ_m,k的方程：

c2)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，映射后的中间高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；

c3)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：

所述公式基于最大熵提出，其中，[ω₀,ω_L]是从输入图像映射到高动态图像的范围；

c4)更新t’_1,k＝f₁(μ_m,k,σ_m,k)；

c5)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)；

c6)定义直方图的累计密度函数cdf：

c7)定义从输入图像[0,D-1]的图像映射到高动态范围[ω₀,ω_L]的图像的映射曲线函数T：

其中，η₁为过暗区域可调增强因子；η₂为过亮区域可调增强因子；

c8)定义映射后的中间高动态范围灰度图L'_HDR：

L'_HDR(i,j)＝T(LI(i,j)) (33)。

4.根据权利要求1所述的低动态范围图像逆向生成高动态范围图像的方法，其特征在于，所述步骤d)包括：

d1)定义中间高动态范围亮度灰度图平均亮度μ_Mid：

d2)定义中心位于(i,j)大小为1×θ₁的图像窗口θ_infeed，中间高动态范围亮度灰度图L'_HDR经过横向去伪影得到横向去伪影高动态范围亮度灰度图L”_LDR；判断图像窗口θ_infeed是否为横向伪影区域，若对任意的Z'_j'满足下式，则图像窗口θ_infeed是横向伪影区域：

其中，Z'_j'∈{-9,-6,-3,0,3,6,9}，其中，j'∈{-3,-2,-1,0,1,2,3}；

d3)若图像窗口θ_infeed是横向伪影区则进行横向伪影区域去伪影平滑处理：

d4)若图像窗口θ不是横向伪影区域则：

L”_LDR(i,j)＝L'_LDR(i,j) (37)

d5)定义中心位于(i,j)大小为θ₂×1的图像窗口θ_fore，横向去伪影高动态范围亮度灰度图L”_LDR经过纵向去伪影得到输出高动态范围亮度灰度图L”'_HDR；判断图像窗口θ_fore是否为纵向伪影区域，若对任意的Z”_i'满足下式，则图像窗口θ_fore是纵向伪影区域：

其中，Z”_i'∈{-9,-6,-3,0,3,6,9}，其中，i'∈{-3,-2,-1,0,1,2,3}；

d6)若图像窗口θ_fore是纵向伪影区则进行纵向伪影区域去伪影平滑处理：

d7)若图像窗口θ_fore不是纵向伪影区域则：

L”'_LDR(i,j)＝L”_LDR(i,j) (40)。

5.根据权利要求1所述的低动态范围图像逆向生成高动态范围图像的方法，其特征在于，所述步骤e)包括：

e1)定义输出高动态范围图像RGB三个通道数据分别为R_HDR，G_HDR和B_HDR：

其中γ为生成高动态范围图像自适应色彩校正因子：

Images