CN112085673A - 一种强鬼影去除多曝光图像融合方法 - Google Patents
一种强鬼影去除多曝光图像融合方法 Download PDFInfo
- Publication number
- CN112085673A CN112085673A CN202010874847.8A CN202010874847A CN112085673A CN 112085673 A CN112085673 A CN 112085673A CN 202010874847 A CN202010874847 A CN 202010874847A CN 112085673 A CN112085673 A CN 112085673A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- pixel
- value
- current
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008439 repair process Effects 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 28
- 238000003384 imaging method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20212—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)
- Studio Devices (AREA)
Abstract
本发明公开了一种强鬼影去除多曝光图像融合方法,其利用直方图匹配获取低、高曝光图像亮度图的映射图,进而获得每幅映射图与中曝光图像亮度图之间的亮度差图像的二值掩膜图像;计算中曝光图像的亮度图的曝光强度三值掩模图像;根据二值掩膜图像及曝光强度三值掩模图像得到强鬼影区域掩模图像;计算预融合图像中待修复像素点的置信度、数据项及曝光一致性因子,进而得到修复次序参考值;结合两幅强鬼影区域掩模图像的或图像,得到预融合图像中不同块间的色彩差异及中曝光图像亮度图中不同块间的亮度差异;按照修复次序参考值,根据色彩差异及亮度差异获取最优匹配块,进而实现强鬼影修复;优点是得到的融合图像含有丰富细节,又完全不存在强鬼影。
Description
技术领域
本发明涉及一种多曝光图像融合技术,尤其是涉及一种强鬼影去除多曝光图像融合方法。
背景技术
动态范围是指各类场景中的最大亮度与最小亮度的对数比值。现有的通用数码相机所能捕获的动态范围远小于真实世界的动态范围。因此,无法通过通用数码相机的单次拍摄直接获取真实自然场景中的全部纹理细节。
高动态范围(high dynamic range,HDR)成像技术提供了一种解决人眼所见真实世界与数码相机拍摄结果之间矛盾的方案。该技术通过数码相机获取一组同一场景不同曝光水平的低动态范围(low dynamic range,LDR)图像及其曝光时间,然后利用相机响应函数将LDR图像映射至辐射域并进行融合获得HDR图像。为了便于在通用显示设备上显示,还需要通过色调映射技术将融合获得的HDR图像转换至LDR。但是,相机响应函数的标定是一个计算量较大的病态问题,需要假设参与标定的多幅图像照度一致且精确配准。多曝光图像融合(multi-exposure fusion,MEF)技术提供了另一种高效的替代方案来弥补数码相机单次拍摄的遗憾。该技术通过直接融合多曝光LDR图像序列,获得可在通用显示设备上显示的融合结果。该融合结果涵盖了真实世界中丰富的纹理细节,能被人眼感知但又无法通过单次拍摄获取。MEF技术不需要准确的曝光参数、相机响应函数以及色调映射过程,因此具有更高的计算效率和更广泛的应用环境,特别是在移动设备计算成像中的应用。
根据对多曝光LDR图像序列拍摄场景的要求不同,可以将多曝光图像融合算法分为静态场景多曝光融合、简单动态场景多曝光融合和复杂动态场景多曝光融合三类。
静态场景多曝光融合算法要求参与融合的多曝光图像能完全匹配,即在多曝光图像拍摄过程中不存在任何运动对象,但是在实际拍摄过程中,很难确保自然场景中所有对象都处于静止状态。对于动态场景,该类算法易产生鬼影现象,从而将严重影响融合结果质量。
简单动态场景多曝光融合算法允许多曝光图像拍摄过程中存在运动对象,但是要求运动对象在多曝光图像中的位置不能重叠,或只在少数曝光图像中存在重叠;然后依据多数曝光图像的矢量特征检测运动对象并移除,获得无鬼影融合结果。该类算法通常需要拍摄较多的不同曝光水平的图像。
复杂动态场景多曝光融合算法不需要限制多曝光图像拍摄过程中运动对象的运动规律。该类算法先预设参考曝光图像,然后比较其他曝光图像与参考曝光图像的矢量特征方向来检测运动对象并移除,由此实现去鬼影目的。该类算法通过预设参考曝光图像检测运动对象并移除,对多曝光图像拍摄没有太多限制。但是,该类算法受参考曝光图像影响较大,当运动对象出现在参考曝光图像的完全过曝光区域或完全欠曝光区域时,采用该类算法依然会在融合结果中产生鬼影。
发明内容
本发明所要解决的技术问题是提供一种强鬼影去除多曝光图像融合方法,其使得多曝光图像融合后得到的融合图像含有丰富的细节,又完全不存在强鬼影问题。
本发明解决上述技术问题所采用的技术方案为:一种强鬼影去除多曝光图像融合方法,其特征在于包括以下步骤:
步骤1:选取动态场景的曝光程度不同的三幅低动态范围图像,并按曝光程度从低到高依次定义为低曝光图像、中曝光图像、高曝光图像;然后获取低曝光图像、中曝光图像、高曝光图像各自的亮度图;
步骤2:利用直方图匹配方法,以中曝光图像的亮度图为参考,对低曝光图像的亮度图进行映射处理,生成一幅低曝光图像的亮度图对应的映射图,记为同样,利用直方图匹配方法,以中曝光图像的亮度图为参考,对高曝光图像的亮度图进行映射处理,生成一幅高曝光图像的亮度图对应的映射图,记为
步骤3:计算与中曝光图像的亮度图之间的亮度差图像,记为YCLow-Mid,将YCLow-Mid中坐标位置为(x,y)的像素点的像素值记为YCLow-Mid(x,y);同样,计算与中曝光图像的亮度图之间的亮度差图像,记为YCHigh-Mid,将YCHigh-Mid中坐标位置为(x,y)的像素点的像素值记为YCHigh-Mid(x,y);然后计算YCLow-Mid的二值掩膜图像,记为MLow-Mid,将MLow-Mid中坐标位置为(x,y)的像素点的像素值记为MLow-Mid(x,y),同样,计算YCHigh-Mid的二值掩膜图像,记为MHigh-Mid,将MHigh-Mid中坐标位置为(x,y)的像素点的像素值记为MHigh-Mid(x,y),其中,1≤x≤W,1≤y≤H,W表示选取的低动态范围图像的宽度,H表示选取的低动态范围图像的高度,α表示给定的曝光差异阈值;
步骤4:计算中曝光图像的亮度图的曝光强度三值掩模图像,记为Mf,将Mf中坐标位置为(x,y)的像素点的像素值记为Mf(x,y),其中,IMid(x,y)表示中曝光图像的亮度图IMid中坐标位置为(x,y)的像素点的像素值,β表示给定的中曝光图像的曝光阈值,Mf中像素值为1的所有像素点构成中曝光图像的亮度图的完全过曝光区域,Mf中像素值为0的所有像素点构成中曝光图像的亮度图的正常曝光区域,Mf中像素值为-1的所有像素点构成中曝光图像的亮度图的完全欠曝光区域;
步骤5:计算低曝光图像的强鬼影区域掩模图像,记为将中坐标位置为(x,y)的像素点的像素值记为 同样,计算高曝光图像的强鬼影区域掩模图像,记为将中坐标位置为(x,y)的像素点的像素值记为然后计算与的或关系图像,记为将中坐标位置为(x,y)的像素点的像素值记为等于与进行或运算得到的值;其中,和各自中像素值为0的所有像素点构成无鬼影区域,和各自中像素值为1的所有像素点构成强鬼影区域;
步骤6:利用已有的复杂动态场景多曝光图像融合方法对低曝光图像、中曝光图像、高曝光图像进行融合,得到多曝光图像预融合图像;然后将多曝光图像预融合图像中与中像素值为1的每个像素点对应的像素点定义为待修复像素点,将多曝光图像预融合图像中与中像素值为0的每个像素点对应的像素点定义为非待修复像素点;
步骤7:计算多曝光图像预融合图像中的每个待修复像素点的置信度因子、数据项因子及曝光一致性因子,对于任一个待修复像素点,将其置信度因子、数据项因子及曝光一致性因子对应记为C、D及E,假设该待修复像素点在多曝光图像预融合图像中的坐标位置为(x,y),则有:
其中,Numsg,0表示中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为0的像素点的总个数,Numsg表示中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内的像素点的总个数,即Numsg=n×n,若中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口的部分超出则超出部分由值0补充,n=7,9,11;
其中,符号“||”为取绝对值符号,表示中坐标位置为(x,y)的像素点的像素值的水平梯度值,表示中坐标位置为(x,y)的像素点的像素值的垂直梯度值,表示多曝光图像预融合图像中该待修复像素点的三个通道分量值的水平梯度值的平均值的旋转值,表示多曝光图像预融合图像中该待修复像素点的三个通道分量值的垂直梯度值的平均值的旋转值,和的获取过程为:1)计算多曝光图像预融合图像中该待修复像素点的R通道分量值的水平梯度值和垂直梯度值;并计算多曝光图像预融合图像中该待修复像素点的G通道分量值的水平梯度值和垂直梯度值;计算多曝光图像预融合图像中该待修复像素点的B通道分量值的水平梯度值和垂直梯度值;2)计算多曝光图像预融合图像中该待修复像素点的R、G、B三个通道分量值的水平梯度值的平均值,记为并计算多曝光图像预融合图像中该待修复像素点的R、G、B三个通道分量值的垂直梯度值的平均值,记为3)令和中的“=”为赋值符号;
其中,max()为取最大值函数,Numf,1表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为1的像素点的总个数,Numf,-1表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为-1的像素点的总个数,Numf表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内的像素点的总个数,即Numf=n×n,若Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口的部分超出Mf,则超出部分由值0补充,n=7,9,11;
步骤8:计算多曝光图像预融合图像中的每个待修复像素点的修复次序参考值,对于任一个待修复像素点,将其修复次序参考值记为P,P=C+λ1×D+λ2×E;其中,λ1和λ2均为修复次序权重因子,1<λ1<λ2;
步骤9:采用尺寸为n×n的窗口在多曝光图像预融合图像中以1个像素点为滑动步长进行滑动,将多曝光图像预融合图像划分成(W-n+1)×(H-n+1)个重叠的第一图像块;同样,采用尺寸为n×n的窗口在中曝光图像的亮度图中以1个像素点为滑动步长进行滑动,将中曝光图像的亮度图划分成(W-n+1)×(H-n+1)个重叠的第二图像块;按大小顺序对多曝光图像预融合图像中的所有待修复像素点的修复次序参考值进行排序,对于相等的修复次序参考值随机排序;然后将最大修复次序参考值对应的待修复像素点定义为当前第一像素点,将多曝光图像预融合图像中以当前第一像素点为中心的尺寸为n×n的区域定义为当前第一区域,将中曝光图像的亮度图中与当前第一像素点对应的像素点定义为当前第二像素点,将中曝光图像的亮度图中以当前第二像素点为中心的尺寸为n×n的区域定义为当前第二区域,将中与当前第一像素点对应的像素点定义为当前第三像素点,将中以当前第三像素点为中心的尺寸为n×n的区域定义为当前第三区域;
步骤10:计算当前第一区域中的所有非待修复像素点的R通道分量值与每个第一图像块中对应的像素点的R通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的R通道分量值与第j个第一图像块中对应的像素点的R通道分量值之间的差异记为SR,j,计算当前第一区域中的所有非待修复像素点的G通道分量值与每个第一图像块中对应的像素点的G通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的G通道分量值与第j个第一图像块中对应的像素点的G通道分量值之间的差异记为SG,j,计算当前第一区域中的所有非待修复像素点的B通道分量值与每个第一图像块中对应的像素点的B通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的B通道分量值与第j个第一图像块中对应的像素点的B通道分量值之间的差异记为SB,j,计算当前第二区域中的所有待修复像素点的像素值与每个第二图像块中对应的像素点的像素值之间的差异,将当前第二区域中的所有待修复像素点的像素值与第j个第二图像块中对应的像素点的像素值之间的差异记为SY,j,其中,1≤j≤(W-n+1)×(H-n+1),1≤i≤n×n,Rcur(i)表示当前第一区域中的第i个像素点的R通道分量值,Rj(i)表示第j个第一图像块中的第i个像素点的R通道分量值,Gcur(i)表示当前第一区域中的第i个像素点的G通道分量值,Gj(i)表示第j个第一图像块中的第i个像素点的G通道分量值,Bcur(i)表示当前第一区域中的第i个像素点的B通道分量值,Bj(i)表示第j个第一图像块中的第i个像素点的B通道分量值,Ycur(i)表示当前第二区域中的第i个像素点的像素值,Yj(i)表示第j个第二图像块中的第i个像素点的像素值,表示当前第三区域中的第i个像素点的像素值;
步骤11:令然后将多曝光图像预融合图像中Smin对应的一个第一图像块作为当前第一区域对应的最优匹配块;再计算当前第一区域中的每个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值,将当前第一区域中的第i个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值对应记为R'cur(i)、G'cur(i)和B'cur(i), 最后用当前第一区域中的每个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值进行替代,实现了当前第一区域中的所有待修复像素点的修复;其中,Smin为引入的变量,min()为取最小值函数,η为最优匹配权重因子,Rbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的R通道分量值,Gbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的G通道分量值,Bbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的B通道分量值;
步骤12:在步骤11的基础上,重新按大小顺序对多曝光图像预融合图像中的所有还未修复的待修复像素点的修复次序参考值进行排序,对于相等的修复次序参考值随机排序;然后将最大修复次序参考值对应的待修复像素点作为当前第一像素点,将多曝光图像预融合图像中以当前第一像素点为中心的尺寸为n×n的区域作为当前第一区域,将中曝光图像的亮度图中与当前第一像素点对应的像素点作为当前第二像素点,将中曝光图像的亮度图中以当前第二像素点为中心的尺寸为n×n的区域作为当前第二区域,将中与当前第一像素点对应的像素点定义为当前第三像素点,将中以当前第三像素点为中心的尺寸为n×n的区域定义为当前第三区域;再返回步骤10继续执行,直至多曝光图像预融合图像中的所有待修复像素点全部修复完成为止,得到强鬼影去除后的融合图像。
所述的步骤3中, 其中,符号“||”为取绝对值符号,表示中坐标位置为(x,y)的像素点的像素值,IMid(x,y)表示中曝光图像的亮度图IMid中坐标位置为(x,y)的像素点的像素值,表示中坐标位置为(x,y)的像素点的像素值。
与现有技术相比,本发明的优点在于:
1)在动态场景多曝光图像融合过程中,为获得无鬼影融合结果,通常依据参考曝光图像的自身特征去识别并去除其他曝光图像中的运动对象,由于图像在完全过(欠)曝光区域无任何图像特性,当运动对象出现在参考曝光图像完全过(欠)曝光区域时,无法依据参考曝光图像的特征进行识别,因此,传统的动态场景多曝光图像融合算法无法有效去除这种在参考曝光图像中无参考矢量特征对比的强鬼影,而本发明方法提出将多曝光图像融合过程分解为多曝光图像预融合和预融合结果图像修复两个过程,这样可以有效去除传统的动态场景多曝光图像融合算法无法去除的强鬼影现象,获得最终无鬼影的融合结果。
2)本发明方法分析了融合结果中强鬼影产生的原因,即当运动对象出现在参考曝光图像无特征区域时,无法依据图像特征进行识别,并在此基础上,结合直方图匹配和曝光一致原则从多曝光图像中获得强鬼影区域掩模图像,该强鬼影区域掩模图像为将多曝光图像融合过程分解为多曝光图像预融合和预融合结果图像修复两个过程奠定了基础。
3)本发明方法根据强鬼影主要存在于预融合图像背景区域的特点,将曝光一致性原则引入空洞填补模型,根据置信度因子、数据项因子及曝光一致性因子来共同计算预融合图像中强鬼影区域中待修复像素点的修复次序参考值,根据预融合图像中不同块(第一图像块)间的色彩差异及参考曝光图像(即中曝光图像的亮度图)中不同块(第二图像块)间的亮度差异获取最优匹配块,进而实现强鬼影区域修复,本发明方法有效抑制了前景纹理的溢出,使得修复后的强鬼影区域的纹理细节更加丰富和符合自然场景特征,有效地提高了动态场景多曝光融合图像的质量。
附图说明
图1为本发明方法的总体实现框图;
图2a为选取的低曝光图像;
图2b为选取的中曝光图像;
图2c为选取的高曝光图像;
图3a为图2a的亮度图;
图3b为图2b的亮度图;
图3c为图2c的亮度图;
图4a为图3a对应的映射图;
图4b为中曝光图像的亮度图,与图3b一致;
图4c为图3c对应的映射图;
图5a为低曝光图像的亮度图对应的映射图与中曝光图像的亮度图之间的亮度差图像;
图5b为图4b的完全过曝光区域;
图5c为低曝光图像的强鬼影区域掩模图像;
图6a为利用本发明方法对图2a、图2b和图2c所示的三幅低动态范围图像进行融合得到的强鬼影去除后的融合图像;
图6b为利用已有的复杂动态场景多曝光图像融合方法即具有大前景运动的深度高动态范围成像对图2a、图2b和图2c所示的三幅低动态范围图像进行融合得到的多曝光图像预融合图像。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明针对传统的动态场景鬼影去除多曝光图像融合算法中未充分考虑到在动态场景多曝光图像中,当运动对象出现在参考曝光图像的完全过曝光区域或完全欠曝光区域时,存在无法完全消除鬼影问题的弊端,提出了一种强鬼影去除多曝光图像融合方法。
实施例一:
本实施例提出的一种强鬼影去除多曝光图像融合方法,其总体实现框图如图1所示,其包括以下步骤:
步骤1:选取动态场景的曝光程度不同的三幅低动态范围图像,并按曝光程度从低到高依次定义为低曝光图像、中曝光图像、高曝光图像;然后获取低曝光图像、中曝光图像、高曝光图像各自的亮度图。
在本实施例中,选取图2a、图2b和图2c所示的三幅不同曝光程度的低动态范围图像,肉眼能够方便地分辨出三幅低动态范围图像的曝光程度不同,图2a为低曝光图像,图2b为中曝光图像,图2c为高曝光图像。图3a给出了图2a的亮度图,图3b给出了图2b的亮度图,图3c给出了图2c的亮度图。
对于选取的每幅低动态范围图像,将该低动态范围图像的亮度图记为Y,将该低动态范围图像的亮度图中坐标位置为(x,y)的像素点的像素值记为Y(x,y),Y(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y),其中,1≤x≤W,1≤y≤H,W表示该低动态范围图像的宽度,H表示该低动态范围图像的高度,R(x,y)表示该低动态范围图像的R通道分量中坐标位置为(x,y)的像素点的像素值,G(x,y)表示该低动态范围图像的G通道分量中坐标位置为(x,y)的像素点的像素值,B(x,y)表示该低动态范围图像的B通道分量中坐标位置为(x,y)的像素点的像素值。
步骤2:利用现有的直方图匹配方法,以中曝光图像的亮度图为参考,对低曝光图像的亮度图进行映射处理,生成一幅低曝光图像的亮度图对应的映射图,记为同样,利用现有的直方图匹配方法,以中曝光图像的亮度图为参考,对高曝光图像的亮度图进行映射处理,生成一幅高曝光图像的亮度图对应的映射图,记为
图4a给出了图3a对应的映射图,图4b为中曝光图像的亮度图,图4c给出了图3c对应的映射图。对比图4a、图4c和图4b,可以看出图4a和图4c的亮度更接近图4b。
步骤3:计算与中曝光图像的亮度图之间的亮度差图像,记为YCLow-Mid,将YCLow-Mid中坐标位置为(x,y)的像素点的像素值记为YCLow-Mid(x,y);同样,计算与中曝光图像的亮度图之间的亮度差图像,记为YCHigh-Mid,将YCHigh-Mid中坐标位置为(x,y)的像素点的像素值记为YCHigh-Mid(x,y);然后计算YCLow-Mid的二值掩膜图像,记为MLow-Mid,将MLow-Mid中坐标位置为(x,y)的像素点的像素值记为MLow-Mid(x,y),同样,计算YCHigh-Mid的二值掩膜图像,记为MHigh-Mid,将MHigh-Mid中坐标位置为(x,y)的像素点的像素值记为MHigh-Mid(x,y),其中,1≤x≤W,1≤y≤H,W表示选取的低动态范围图像的宽度,H表示选取的低动态范围图像的高度,α表示给定的曝光差异阈值,在本实施例中取α=0.025。
在本实施例中,步骤3中, 其中,符号“||”为取绝对值符号,表示中坐标位置为(x,y)的像素点的像素值,IMid(x,y)表示中曝光图像的亮度图IMid中坐标位置为(x,y)的像素点的像素值,表示中坐标位置为(x,y)的像素点的像素值。
图5a给出了低曝光图像的亮度图对应的映射图与中曝光图像的亮度图之间的亮度差图像的二值掩膜图像。
步骤4:计算中曝光图像的亮度图的曝光强度三值掩模图像,记为Mf,将Mf中坐标位置为(x,y)的像素点的像素值记为Mf(x,y),其中,IMid(x,y)表示中曝光图像的亮度图IMid中坐标位置为(x,y)的像素点的像素值,β表示给定的中曝光图像的曝光阈值,在本实施例中取β=0.01,Mf中像素值为1的所有像素点构成中曝光图像的亮度图的完全过曝光区域,Mf中像素值为0的所有像素点构成中曝光图像的亮度图的正常曝光区域,Mf中像素值为-1的所有像素点构成中曝光图像的亮度图的完全欠曝光区域。
图5b给出了图4b的完全过曝光区域。
步骤5:计算低曝光图像的强鬼影区域掩模图像,记为将中坐标位置为(x,y)的像素点的像素值记为 同样,计算高曝光图像的强鬼影区域掩模图像,记为将中坐标位置为(x,y)的像素点的像素值记为然后计算与的或关系图像,记为将中坐标位置为(x,y)的像素点的像素值记为等于与进行或运算得到的值;其中,和各自中像素值为0的所有像素点构成无鬼影区域,和各自中像素值为1的所有像素点构成强鬼影区域。
图5c给出了低曝光图像的强鬼影区域掩模图像。
步骤6:利用已有的复杂动态场景多曝光图像融合方法对低曝光图像、中曝光图像、高曝光图像进行融合,得到多曝光图像预融合图像;然后将多曝光图像预融合图像中与中像素值为1的每个像素点对应的像素点定义为待修复像素点,将多曝光图像预融合图像中与中像素值为0的每个像素点对应的像素点定义为非待修复像素点。
在此,已有的复杂动态场景多曝光图像融合方法为现有的任何一种成熟的复杂动态场景多曝光图像融合方法,如:Wu,S.;Xu,J.;Tai,Y.W.;et al.Deep High DynamicRange Imaging with Large Foreground Motions.European Conference on ComputerVision(ECCV),2018,Munich,Germany,8-14 September,pp.117-132.(具有大前景运动的深度高动态范围成像)。图6b给出了一种利用已有的复杂动态场景多曝光图像融合方法即具有大前景运动的深度高动态范围成像对图2a、图2b和图2c所示的三幅低动态范围图像进行融合得到的多曝光图像预融合图像。
步骤7:计算多曝光图像预融合图像中的每个待修复像素点的置信度因子、数据项因子及曝光一致性因子,对于任一个待修复像素点,将其置信度因子、数据项因子及曝光一致性因子对应记为C、D及E,假设该待修复像素点在多曝光图像预融合图像中的坐标位置为(x,y),则有:
其中,Numsg,0表示中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为0的像素点的总个数,Numsg表示中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内的像素点的总个数,即Numsg=n×n,若中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口的部分超出则超出部分由值0补充,n=7,9,11,在本实施例中取n=9。
其中,符号“||”为取绝对值符号,表示中坐标位置为(x,y)的像素点的像素值的水平梯度值,表示中坐标位置为(x,y)的像素点的像素值的垂直梯度值,表示多曝光图像预融合图像中该待修复像素点的三个通道分量值的水平梯度值的平均值的旋转值,表示多曝光图像预融合图像中该待修复像素点的三个通道分量值的垂直梯度值的平均值的旋转值,和的获取过程为:1)计算多曝光图像预融合图像中该待修复像素点的R通道分量值的水平梯度值和垂直梯度值;并计算多曝光图像预融合图像中该待修复像素点的G通道分量值的水平梯度值和垂直梯度值;计算多曝光图像预融合图像中该待修复像素点的B通道分量值的水平梯度值和垂直梯度值;2)计算多曝光图像预融合图像中该待修复像素点的R、G、B三个通道分量值的水平梯度值的平均值,记为并计算多曝光图像预融合图像中该待修复像素点的R、G、B三个通道分量值的垂直梯度值的平均值,记为3)令和中的“=”为赋值符号。
其中,max()为取最大值函数,Numf,1表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为1的像素点的总个数,Numf,-1表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为-1的像素点的总个数,Numf表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内的像素点的总个数,即Numf=n×n,若Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口的部分超出Mf,则超出部分由值0补充,n=7,9,11,在本实施例中取n=9。
待修复像素点的置信度因子越大则表示待修复像素点的修复顺序越靠前,待修复像素点的数据项因子越大则表示待修复像素点的修复顺序越靠前,待修复像素点的曝光一致性因子越大则表示待修复像素点的修复顺序越靠前。
步骤8:计算多曝光图像预融合图像中的每个待修复像素点的修复次序参考值,对于任一个待修复像素点,将其修复次序参考值记为P,P=C+λ1×D+λ2×E;其中,λ1和λ2均为修复次序权重因子,1<λ1<λ2,在本实施例中取λ1=3、λ2=15。
步骤9:采用尺寸为n×n的窗口在多曝光图像预融合图像中以1个像素点为滑动步长进行滑动,将多曝光图像预融合图像划分成(W-n+1)×(H-n+1)个重叠的第一图像块;同样,采用尺寸为n×n的窗口在中曝光图像的亮度图中以1个像素点为滑动步长进行滑动,将中曝光图像的亮度图划分成(W-n+1)×(H-n+1)个重叠的第二图像块;按大小顺序对多曝光图像预融合图像中的所有待修复像素点的修复次序参考值进行排序,对于相等的修复次序参考值随机排序;然后将最大修复次序参考值对应的待修复像素点定义为当前第一像素点,将多曝光图像预融合图像中以当前第一像素点为中心的尺寸为n×n的区域定义为当前第一区域,将中曝光图像的亮度图中与当前第一像素点对应的像素点定义为当前第二像素点,将中曝光图像的亮度图中以当前第二像素点为中心的尺寸为n×n的区域定义为当前第二区域,将中与当前第一像素点对应的像素点定义为当前第三像素点,将中以当前第三像素点为中心的尺寸为n×n的区域定义为当前第三区域。
步骤10:计算当前第一区域中的所有非待修复像素点的R通道分量值与每个第一图像块中对应的像素点的R通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的R通道分量值与第j个第一图像块中对应的像素点的R通道分量值之间的差异记为SR,j,计算当前第一区域中的所有非待修复像素点的G通道分量值与每个第一图像块中对应的像素点的G通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的G通道分量值与第j个第一图像块中对应的像素点的G通道分量值之间的差异记为SG,j,计算当前第一区域中的所有非待修复像素点的B通道分量值与每个第一图像块中对应的像素点的B通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的B通道分量值与第j个第一图像块中对应的像素点的B通道分量值之间的差异记为SB,j,计算当前第二区域中的所有待修复像素点的像素值与每个第二图像块中对应的像素点的像素值之间的差异,将当前第二区域中的所有待修复像素点的像素值与第j个第二图像块中对应的像素点的像素值之间的差异记为SY,j,其中,1≤j≤(W-n+1)×(H-n+1),1≤i≤n×n,Rcur(i)表示当前第一区域中的第i个像素点的R通道分量值,Rj(i)表示第j个第一图像块中的第i个像素点的R通道分量值,Gcur(i)表示当前第一区域中的第i个像素点的G通道分量值,Gj(i)表示第j个第一图像块中的第i个像素点的G通道分量值,Bcur(i)表示当前第一区域中的第i个像素点的B通道分量值,Bj(i)表示第j个第一图像块中的第i个像素点的B通道分量值,Ycur(i)表示当前第二区域中的第i个像素点的像素值,Yj(i)表示第j个第二图像块中的第i个像素点的像素值,表示当前第三区域中的第i个像素点的像素值。
步骤11:令然后将多曝光图像预融合图像中Smin对应的一个第一图像块作为当前第一区域对应的最优匹配块;再计算当前第一区域中的每个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值,将当前第一区域中的第i个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值对应记为R'cur(i)、G'cur(i)和B'cur(i), 最后用当前第一区域中的每个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值进行替代,实现了当前第一区域中的所有待修复像素点的修复;其中,Smin为引入的变量,min()为取最小值函数,η为最优匹配权重因子,在本实施例中取η=35,Rbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的R通道分量值,Gbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的G通道分量值,Bbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的B通道分量值。
步骤12:在步骤11的基础上,重新按大小顺序对多曝光图像预融合图像中的所有还未修复的待修复像素点的修复次序参考值进行排序,对于相等的修复次序参考值随机排序;然后将最大修复次序参考值对应的待修复像素点作为当前第一像素点,将多曝光图像预融合图像中以当前第一像素点为中心的尺寸为n×n的区域作为当前第一区域,将中曝光图像的亮度图中与当前第一像素点对应的像素点作为当前第二像素点,将中曝光图像的亮度图中以当前第二像素点为中心的尺寸为n×n的区域作为当前第二区域,将中与当前第一像素点对应的像素点定义为当前第三像素点,将中以当前第三像素点为中心的尺寸为n×n的区域定义为当前第三区域;再返回步骤10继续执行,直至多曝光图像预融合图像中的所有待修复像素点全部修复完成为止,得到强鬼影去除后的融合图像。
图6a给出了利用本发明方法对图2a、图2b和图2c所示的三幅低动态范围图像进行融合得到的强鬼影去除后的融合图像。比较图6a和图6b,可以看出利用本发明方法得到的融合图像明显地消除了强鬼影现象。
实施例二:
本实施例提出的一种强鬼影去除多曝光图像融合方法,其具体步骤与实施例一的具体步骤基本相同,不同之处仅在于步骤5,本实施例在实施例一的步骤5中的和中分别增加了形态学中的开运算算子,将修改为将修改为其中,符号表示形态学中的开运算符号,s表示形态学中的开运算算子。
为进一步说明本发明方法的可行性和有效性,对本发明方法进行实验验证。
实验结果测试利用传统的图像质量评价指标:动态场景多曝光融合结构相似指数(MEF-SSIMg)、峰值信噪比(PSNR)和全参考结构相似指数(SSIM)。
动态场景多曝光融合结构相似指数(MEF-SSIMg)主要用于评价融合图像与原动态场景多曝光图像之间的结构相似性。根据原动态场景多曝光图像之间的结构一致性,MEF-SSIMg将融合图像划分为静态区域与动态区域分别计算融合质量,然后以两者均值作为融合图像的整体评价结果。MEF-SSIMg值越大,表示融合图像与原动态场景多曝光图像之间结构相关性越强,融合质量越好。
峰值信噪比指数(PSNR)基于被评价图像和标准图像对应像素点间绝对误差来评价图像质量,是使用非常广泛的全参考图像评价指标。PNSR值越大,表示被评价图像(即融合图像)与标准图像之间的误差越小,融合质量越好。
全参考结构相似指数(SSIM)是衡量两幅图像相似度的指标,它分别从亮度、对比度、结构三方面度量图像相似情况。SSIM值越大,表示被评价图像(即融合图像)与标准图像之间的结构相似性越好,融合质量越好。
表1给出了分别利用本发明实施例二和现有的六种融合方法对Kalantari等提供的测试图像序列进行融合得到的融合图像的MEF-SSIMg、PSNR和SSIM的值。现有的六种融合方法分别为:Mertens,T.;Kautz,J.;Van Reeth,F.Exposure Fusion:A Simple andPractical Alternative to High Dynamic Range Photography.Comput.Graph.Forum,2009,28(1),161–171.(一种简单实用的高动态范围摄影方法(在此简称为Mertens09算法))、Sen,P.;Kalantari,N.K.;Yaesoubi,M.;et al.Robust Patch-based HDRReconstruction of Dynamic Scenes.ACM Trans.Graph.,2012,31(6),203:1-12.(动态场景中基于块的鲁棒HDR重建(在此简称为Sen12算法))、Liu,Y.;Wang,Z.Dense SIFT forGhost-free Multi-exposure Fusion.J.Vis.Commun.Image Represent.,2015,31,208-224.(密集SIFT无鬼影多曝光融合(在此简称为Liu15算法))、Qin,X.;Shen,J.;Mao,X.;etal.Robust Match Fusion using Optimization.IEEE Trans.Cybern.,2015,45(8),1549-1560.(使用优化的鲁棒匹配融合(在此简称为Qin15算法))、Wu,S.;Xu,J.;Tai,Y.W.;etal.Deep High Dynamic Range Imaging with Large Foreground Motions.EuropeanConference on Computer Vision(ECCV),2018,Munich,Germany,8-14September,pp.117-132.(具有大前景运动的深度高动态范围成像(在此简称为Wu18算法))、Yan,Q.;Gong,D.;Shi,Q.;et al.Attention-Guided Network for Ghost-Free High Dynamic RangeImaging.IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2019,Los Angeles CA,United States,16-20June,pp.1751-1760.(基于注意力引导网络的无鬼影高动态范围成像(在此简称为Yan19算法))。Kalantari等提供的测试图像序列参见Kalantari,N.K.;Ramamoorthi,R.Deep High Dynamic Range Imaging of DynamicScenes.ACM Trans.Graph.,2017,36(4),144:1-12.(动态场景的高动态范围成像)。
表1动态场景多曝光融合图像的客观指标评价情况
算法 | MEF-SSIMd | PSNR | SSIM |
Mertens09算法 | 0.8294 | 19.69 | 0.8285 |
Sen12算法 | 0.8650 | 24.16 | 0.9565 |
Liu15算法 | 0.8210 | 17.93 | 0.8037 |
Qin15算法 | 0.8966 | 20.17 | 0.8834 |
Wu18算法 | 0.8836 | 24.79 | 0.9670 |
Yan19算法 | 0.8830 | 24.55 | 0.9652 |
本发明实施例二 | 0.9033 | 25.08 | 0.9662 |
从表1中可以看出,除了在SSIM评价指标中本发明实施例二略低于Wu18算法外,本发明实施例二的融合结果的客观评价指标均高于其他算法,这说明本发明实施例二获得的多曝光融合图像具有较好的视觉质量和更好的鬼影去除效果。
Claims (3)
1.一种强鬼影去除多曝光图像融合方法,其特征在于包括以下步骤:
步骤1:选取动态场景的曝光程度不同的三幅低动态范围图像,并按曝光程度从低到高依次定义为低曝光图像、中曝光图像、高曝光图像;然后获取低曝光图像、中曝光图像、高曝光图像各自的亮度图;
步骤2:利用直方图匹配方法,以中曝光图像的亮度图为参考,对低曝光图像的亮度图进行映射处理,生成一幅低曝光图像的亮度图对应的映射图,记为同样,利用直方图匹配方法,以中曝光图像的亮度图为参考,对高曝光图像的亮度图进行映射处理,生成一幅高曝光图像的亮度图对应的映射图,记为
步骤3:计算与中曝光图像的亮度图之间的亮度差图像,记为YCLow-Mid,将YCLow-Mid中坐标位置为(x,y)的像素点的像素值记为YCLow-Mid(x,y);同样,计算与中曝光图像的亮度图之间的亮度差图像,记为YCHigh-Mid,将YCHigh-Mid中坐标位置为(x,y)的像素点的像素值记为YCHigh-Mid(x,y);然后计算YCLow-Mid的二值掩膜图像,记为MLow-Mid,将MLow-Mid中坐标位置为(x,y)的像素点的像素值记为MLow-Mid(x,y),同样,计算YCHigh-Mid的二值掩膜图像,记为MHigh-Mid,将MHigh-Mid中坐标位置为(x,y)的像素点的像素值记为MHigh-Mid(x,y),其中,1≤x≤W,1≤y≤H,W表示选取的低动态范围图像的宽度,H表示选取的低动态范围图像的高度,α表示给定的曝光差异阈值;
步骤4:计算中曝光图像的亮度图的曝光强度三值掩模图像,记为Mf,将Mf中坐标位置为(x,y)的像素点的像素值记为Mf(x,y),其中,IMid(x,y)表示中曝光图像的亮度图IMid中坐标位置为(x,y)的像素点的像素值,β表示给定的中曝光图像的曝光阈值,Mf中像素值为1的所有像素点构成中曝光图像的亮度图的完全过曝光区域,Mf中像素值为0的所有像素点构成中曝光图像的亮度图的正常曝光区域,Mf中像素值为-1的所有像素点构成中曝光图像的亮度图的完全欠曝光区域;
步骤5:计算低曝光图像的强鬼影区域掩模图像,记为将中坐标位置为(x,y)的像素点的像素值记为 同样,计算高曝光图像的强鬼影区域掩模图像,记为将中坐标位置为(x,y)的像素点的像素值记为 然后计算与的或关系图像,记为将中坐标位置为(x,y)的像素点的像素值记为 等于与进行或运算得到的值;其中,和各自中像素值为0的所有像素点构成无鬼影区域,和各自中像素值为1的所有像素点构成强鬼影区域;
步骤6:利用已有的复杂动态场景多曝光图像融合方法对低曝光图像、中曝光图像、高曝光图像进行融合,得到多曝光图像预融合图像;然后将多曝光图像预融合图像中与中像素值为1的每个像素点对应的像素点定义为待修复像素点,将多曝光图像预融合图像中与中像素值为0的每个像素点对应的像素点定义为非待修复像素点;
步骤7:计算多曝光图像预融合图像中的每个待修复像素点的置信度因子、数据项因子及曝光一致性因子,对于任一个待修复像素点,将其置信度因子、数据项因子及曝光一致性因子对应记为C、D及E,假设该待修复像素点在多曝光图像预融合图像中的坐标位置为(x,y),则有:
其中,Numsg,0表示中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为0的像素点的总个数,Numsg表示中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内的像素点的总个数,即Numsg=n×n,若中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口的部分超出则超出部分由值0补充,n=7,9,11;
其中,符号“||”为取绝对值符号,表示中坐标位置为(x,y)的像素点的像素值的水平梯度值,表示中坐标位置为(x,y)的像素点的像素值的垂直梯度值,表示多曝光图像预融合图像中该待修复像素点的三个通道分量值的水平梯度值的平均值的旋转值,表示多曝光图像预融合图像中该待修复像素点的三个通道分量值的垂直梯度值的平均值的旋转值,和的获取过程为:1)计算多曝光图像预融合图像中该待修复像素点的R通道分量值的水平梯度值和垂直梯度值;并计算多曝光图像预融合图像中该待修复像素点的G通道分量值的水平梯度值和垂直梯度值;计算多曝光图像预融合图像中该待修复像素点的B通道分量值的水平梯度值和垂直梯度值;2)计算多曝光图像预融合图像中该待修复像素点的R、G、B三个通道分量值的水平梯度值的平均值,记为并计算多曝光图像预融合图像中该待修复像素点的R、G、B三个通道分量值的垂直梯度值的平均值,记为3)令和中的“=”为赋值符号;
其中,max()为取最大值函数,Numf,1表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为1的像素点的总个数,Numf,-1表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内像素值为-1的像素点的总个数,Numf表示Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口内的像素点的总个数,即Numf=n×n,若Mf中以坐标位置为(x,y)的像素点为中心的尺寸为n×n的窗口的部分超出Mf,则超出部分由值0补充,n=7,9,11;
步骤8:计算多曝光图像预融合图像中的每个待修复像素点的修复次序参考值,对于任一个待修复像素点,将其修复次序参考值记为P,P=C+λ1×D+λ2×E;其中,λ1和λ2均为修复次序权重因子,1<λ1<λ2;
步骤9:采用尺寸为n×n的窗口在多曝光图像预融合图像中以1个像素点为滑动步长进行滑动,将多曝光图像预融合图像划分成(W-n+1)×(H-n+1)个重叠的第一图像块;同样,采用尺寸为n×n的窗口在中曝光图像的亮度图中以1个像素点为滑动步长进行滑动,将中曝光图像的亮度图划分成(W-n+1)×(H-n+1)个重叠的第二图像块;按大小顺序对多曝光图像预融合图像中的所有待修复像素点的修复次序参考值进行排序,对于相等的修复次序参考值随机排序;然后将最大修复次序参考值对应的待修复像素点定义为当前第一像素点,将多曝光图像预融合图像中以当前第一像素点为中心的尺寸为n×n的区域定义为当前第一区域,将中曝光图像的亮度图中与当前第一像素点对应的像素点定义为当前第二像素点,将中曝光图像的亮度图中以当前第二像素点为中心的尺寸为n×n的区域定义为当前第二区域,将中与当前第一像素点对应的像素点定义为当前第三像素点,将中以当前第三像素点为中心的尺寸为n×n的区域定义为当前第三区域;
步骤10:计算当前第一区域中的所有非待修复像素点的R通道分量值与每个第一图像块中对应的像素点的R通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的R通道分量值与第j个第一图像块中对应的像素点的R通道分量值之间的差异记为SR,j,计算当前第一区域中的所有非待修复像素点的G通道分量值与每个第一图像块中对应的像素点的G通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的G通道分量值与第j个第一图像块中对应的像素点的G通道分量值之间的差异记为SG,j,计算当前第一区域中的所有非待修复像素点的B通道分量值与每个第一图像块中对应的像素点的B通道分量值之间的差异,将当前第一区域中的所有非待修复像素点的B通道分量值与第j个第一图像块中对应的像素点的B通道分量值之间的差异记为SB,j,计算当前第二区域中的所有待修复像素点的像素值与每个第二图像块中对应的像素点的像素值之间的差异,将当前第二区域中的所有待修复像素点的像素值与第j个第二图像块中对应的像素点的像素值之间的差异记为SY,j,其中,1≤j≤(W-n+1)×(H-n+1),1≤i≤n×n,Rcur(i)表示当前第一区域中的第i个像素点的R通道分量值,Rj(i)表示第j个第一图像块中的第i个像素点的R通道分量值,Gcur(i)表示当前第一区域中的第i个像素点的G通道分量值,Gj(i)表示第j个第一图像块中的第i个像素点的G通道分量值,Bcur(i)表示当前第一区域中的第i个像素点的B通道分量值,Bj(i)表示第j个第一图像块中的第i个像素点的B通道分量值,Ycur(i)表示当前第二区域中的第i个像素点的像素值,Yj(i)表示第j个第二图像块中的第i个像素点的像素值,表示当前第三区域中的第i个像素点的像素值;
步骤11:令然后将多曝光图像预融合图像中Smin对应的一个第一图像块作为当前第一区域对应的最优匹配块;再计算当前第一区域中的每个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值,将当前第一区域中的第i个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值对应记为R'cur(i)、G'cur(i)和B'cur(i), 最后用当前第一区域中的每个像素点的R通道分量值、G通道分量值和B通道分量值各自的替代值进行替代,实现了当前第一区域中的所有待修复像素点的修复;其中,Smin为引入的变量,min()为取最小值函数,η为最优匹配权重因子,Rbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的R通道分量值,Gbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的G通道分量值,Bbest(i)表示当前第一区域对应的最优匹配块中的第i个像素点的B通道分量值;
步骤12:在步骤11的基础上,重新按大小顺序对多曝光图像预融合图像中的所有还未修复的待修复像素点的修复次序参考值进行排序,对于相等的修复次序参考值随机排序;然后将最大修复次序参考值对应的待修复像素点作为当前第一像素点,将多曝光图像预融合图像中以当前第一像素点为中心的尺寸为n×n的区域作为当前第一区域,将中曝光图像的亮度图中与当前第一像素点对应的像素点作为当前第二像素点,将中曝光图像的亮度图中以当前第二像素点为中心的尺寸为n×n的区域作为当前第二区域,将中与当前第一像素点对应的像素点定义为当前第三像素点,将中以当前第三像素点为中心的尺寸为n×n的区域定义为当前第三区域;再返回步骤10继续执行,直至多曝光图像预融合图像中的所有待修复像素点全部修复完成为止,得到强鬼影去除后的融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010874847.8A CN112085673B (zh) | 2020-08-27 | 2020-08-27 | 一种强鬼影去除多曝光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010874847.8A CN112085673B (zh) | 2020-08-27 | 2020-08-27 | 一种强鬼影去除多曝光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085673A true CN112085673A (zh) | 2020-12-15 |
CN112085673B CN112085673B (zh) | 2023-06-02 |
Family
ID=73728724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010874847.8A Active CN112085673B (zh) | 2020-08-27 | 2020-08-27 | 一种强鬼影去除多曝光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085673B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528944A (zh) * | 2020-12-23 | 2021-03-19 | 杭州海康汽车软件有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN112767281A (zh) * | 2021-02-02 | 2021-05-07 | 北京小米松果电子有限公司 | 图像鬼影消除方法、装置、电子设备及存储介质 |
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 |
CN113888429A (zh) * | 2021-09-29 | 2022-01-04 | Oppo广东移动通信有限公司 | 图像提亮方法和装置、电子设备 |
CN115103118A (zh) * | 2022-06-20 | 2022-09-23 | 北京航空航天大学 | 高动态范围图像生成方法、装置、设备及可读存储介质 |
CN115439384A (zh) * | 2022-09-05 | 2022-12-06 | 中国科学院长春光学精密机械与物理研究所 | 一种无鬼影多曝光图像融合方法、装置 |
CN116740182A (zh) * | 2023-08-11 | 2023-09-12 | 摩尔线程智能科技(北京)有限责任公司 | 一种鬼影区域确定方法、装置、存储介质及电子设备 |
CN117014729A (zh) * | 2023-09-27 | 2023-11-07 | 合肥辉羲智能科技有限公司 | 一种二次曝光图像融合高动态范围图像的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110211732A1 (en) * | 2009-04-23 | 2011-09-01 | Guy Rapaport | Multiple exposure high dynamic range image capture |
CN109035155A (zh) * | 2018-06-15 | 2018-12-18 | 宁波大学 | 一种光晕去除的多曝光图像融合方法 |
-
2020
- 2020-08-27 CN CN202010874847.8A patent/CN112085673B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110211732A1 (en) * | 2009-04-23 | 2011-09-01 | Guy Rapaport | Multiple exposure high dynamic range image capture |
CN109035155A (zh) * | 2018-06-15 | 2018-12-18 | 宁波大学 | 一种光晕去除的多曝光图像融合方法 |
Non-Patent Citations (2)
Title |
---|
李卫中;易本顺;邱康;彭红: "细节保留的多曝光图像融合" * |
谢登梅;郁梅;彭宗举;陈芬;蒋刚毅;: "基于图像内容自适应矩阵完成的高动态范围成像方法" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528944A (zh) * | 2020-12-23 | 2021-03-19 | 杭州海康汽车软件有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN112767281A (zh) * | 2021-02-02 | 2021-05-07 | 北京小米松果电子有限公司 | 图像鬼影消除方法、装置、电子设备及存储介质 |
CN112767281B (zh) * | 2021-02-02 | 2024-04-30 | 北京小米松果电子有限公司 | 图像鬼影消除方法、装置、电子设备及存储介质 |
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 |
CN113888429A (zh) * | 2021-09-29 | 2022-01-04 | Oppo广东移动通信有限公司 | 图像提亮方法和装置、电子设备 |
CN115103118A (zh) * | 2022-06-20 | 2022-09-23 | 北京航空航天大学 | 高动态范围图像生成方法、装置、设备及可读存储介质 |
CN115103118B (zh) * | 2022-06-20 | 2023-04-07 | 北京航空航天大学 | 高动态范围图像生成方法、装置、设备及可读存储介质 |
CN115439384A (zh) * | 2022-09-05 | 2022-12-06 | 中国科学院长春光学精密机械与物理研究所 | 一种无鬼影多曝光图像融合方法、装置 |
CN116740182A (zh) * | 2023-08-11 | 2023-09-12 | 摩尔线程智能科技(北京)有限责任公司 | 一种鬼影区域确定方法、装置、存储介质及电子设备 |
CN116740182B (zh) * | 2023-08-11 | 2023-11-21 | 摩尔线程智能科技(北京)有限责任公司 | 一种鬼影区域确定方法、装置、存储介质及电子设备 |
CN117014729A (zh) * | 2023-09-27 | 2023-11-07 | 合肥辉羲智能科技有限公司 | 一种二次曝光图像融合高动态范围图像的方法及系统 |
CN117014729B (zh) * | 2023-09-27 | 2023-12-05 | 合肥辉羲智能科技有限公司 | 一种二次曝光图像融合高动态范围图像的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112085673B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085673B (zh) | 一种强鬼影去除多曝光图像融合方法 | |
US10666873B2 (en) | Exposure-related intensity transformation | |
Ram Prabhakar et al. | Deepfuse: A deep unsupervised approach for exposure fusion with extreme exposure image pairs | |
Lee et al. | Deep recursive hdri: Inverse tone mapping using generative adversarial networks | |
CN108492262B (zh) | 一种基于梯度结构相似性的无鬼影高动态范围成像方法 | |
CN105894484B (zh) | 一种基于直方图归一化与超像素分割的hdr重建算法 | |
Pan et al. | MIEGAN: Mobile image enhancement via a multi-module cascade neural network | |
CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
CN112419210B (zh) | 基于颜色校正和三区间直方图拉伸的水下图像增强方法 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
CN113096057B (zh) | 一种基于四光源光度立体法的高光消除方法 | |
CN111612725A (zh) | 一种基于可见光图像对比度增强的图像融合方法 | |
CN113039576A (zh) | 图像增强系统和方法 | |
Steffens et al. | Deep learning based exposure correction for image exposure correction with application in computer vision for robotics | |
KR20230146974A (ko) | 영상의 밝기 개선 방법 및 장치 | |
Zhou et al. | Improving lens flare removal with general-purpose pipeline and multiple light sources recovery | |
CN112927160B (zh) | 一种基于深度Retinex的单张低光图像增强方法 | |
CN110580696A (zh) | 一种细节保持的多曝光图像快速融合方法 | |
Wang et al. | An exposure fusion approach without ghost for dynamic scenes | |
Gaikwad | A Review on Self Learning based Methods for Real World Single Image Super Resolution | |
Vavilin et al. | Fast HDR image generation from multi-exposed multiple-view LDR images | |
Srigowri | Enhancing unpaired underwater images with cycle consistent network | |
Wang et al. | Three-channel cascade network for underwater image enhancement | |
CN112258434A (zh) | 一种静态场景下细节保持多曝光图像融合算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |