CN112734650B - 一种基于虚拟多曝光融合的不均匀光照图像增强方法 - Google Patents

Abstract

本发明公开了属于图像处理领域的一种基于虚拟多曝光融合的不均匀光照图像增强方法。包括以下步骤：1)将输入图像从RGB空间转换到HSV空间；2)对V分量，基于图像信息熵最大化原则确定两个最优曝光比，利用亮度映射函数进行两次虚拟曝光生成增强曝光图像V1和减弱曝光图像V2；3)对由V、V1和V2组成的曝光图像序列，采用带细节提升的多曝光图像融合方法进行融合得到增强后的V分量；4)用增强后的V分量和保持不变的H分量和S分量重新合成HSV图像，并将其转换回RGB空间作为最终结果输出。本发明能有效改善不均匀光照图像同时存在过曝和欠曝区域所导致的图像质量问题，产生动态范围高且能较好保持颜色和细节信息的图像。

Description

一种基于虚拟多曝光融合的不均匀光照图像增强方法

技术领域

本发明属于图像处理领域，具体涉及一种基于虚拟多曝光融合的不均匀光照图像增强方法。

背景技术

在图像采集过程中，光照环境或物体表面反光等原因会造成图像整体光照不均匀，过曝、欠曝或两者同时存在都会致使图像出现对比度低、视觉效果差等质量问题。对这样的不均匀光照图像进行增强、改善其视觉质量通常是计算机视觉任务(如目标检测、目标识别、视觉追踪、视觉导航等)的一个重要预处理步骤。目前主流的不均匀光照图像增强方法主要包括以直方图均衡化(Histogram Equalization，HE)为代表的灰度变换方法和基于Retinex理论的图像增强方法。直方图均衡化方法通过利用合适的灰度变换使图像灰度直方图的分布更加均匀，根据处理区域范围的不同又分为全局直方图均衡化方法和局部直方图均衡化方法。这类方法对于光照不均匀图像的增强具有一定的效果，但在图像较亮区域容易出现过度增强造成细节失真，对于图像不同区域的亮度很难做到自适应调整,存在偏色及区域过渡不自然的问题，而且对噪声比较敏感。基于Retinex理论的图像增强方法实质上是一种基于光照补偿的图像增强算法。Retinex理论认为图像可分解成光照分量和反射分量，有的算法通过估计并移除光照分量并保留反射分量作为图像增强结果，有的算法通过调整光照分量并融合相应的反射分量得到最终增强结果，使得图像在增强细节的同时看起来较为自然。这类方法适合处理局部灰度值低的图像，能有效增强其中暗处的对比度和细节部分，但在增强图像的同时可能造成图像边缘模糊。由于不均匀光照图像一般既存在过曝区域，又存在欠曝区域，以上基于直方图均衡或Retinex理论的单幅图像增强的方法，难以做到较好地同时增强图像中的过曝区域和欠曝区域，从而导致增强后的图像出现颜色失真、过暗或过亮区域的细节丢失的问题。Ying等人提出基于相机响应模型和曝光融合的低光照图像增强框架(参考文献Ying Z,Li G,Ren Y,et al：A New Low-Light ImageEnhancement Algorithm Using Camera Response Model,ICCV 2017；Ying Z,Li G,RenY,et al：A New Image Contrast Enhancement Algorithm Using Exposure FusionFramework,ICCAIP 2017)，所提出的曝光融合方法仅适合两幅图像融合的情况，由于没有针对图像中的过亮区域进行处理，图像亮处的细节会有失真，故该方法对一般同时存在过曝和欠曝区域的不均匀光照图像的增强效果不佳。

发明内容

本发明为了克服上述技术的不足，提供一种基于虚拟多曝光融合的不均匀光照图像增强方法，其特点在于，该方法借助相机响应模型，根据输入的不均匀光照图像，虚拟生成一个具有不同曝光的图像序列，并使用多曝光融合原理重构出一幅动态范围高、对比度强、可视化质量好的图像。其中，为了更好地保持图像颜色和细节信息，曝光图像的生成和融合是将原图像从RGB颜色空间转换到HSV颜色空间后在V通道图像中完成的，并且在图像融合过程中进行了图像细节提升处理。

具体而言，本发明提供的一种基于虚拟多曝光融合的不均匀光照图像增强方法，包括以下步骤：

步骤一：将输入的不均匀光照图像从RGB颜色空间转换到HSV颜色空间,并分离出图像的亮度分量V、色调分量H与饱和度分量S；步骤二：依据相机响应模型采用合适的亮度映射函数，对亮度分量V中曝光不足的像素寻优大于1的最佳曝光比k_opt1使亮度映射后的信息熵最大，进而利用k_opt1对V通道分量所有像素进行虚拟曝光，生成一幅增强曝光的图像V₁，同理，对亮度分量V中曝光过多的像素寻优小于1的最佳曝光比k_opt2使亮度映射后的信息熵最大，进而利用k_opt2对V通道分量所有像素进行虚拟曝光，生成一幅减弱曝光的图像V₂，将V、V₁和V₂这三幅图像组成曝光序列图像；步骤三，采用带细节提升的多曝光图像融合方法，对步骤二所得曝光序列图像进行融合，得到增强后的图像V分量；步骤四，用增强后的V分量和保持不变的H分量和S分量重新合成HSV图像，并将其转换回RGB颜色空间作为最终的图像增强结果输出。

在上述技术方案中，所述步骤一利用彩色图像的颜色空间转换公式，即可方便实现RGB颜色空间到HSV颜色空间的图像数据转换，从而得到相应的亮度分量V、色调分量H与饱和度分量S，其中亮度分量V用于后续步骤的处理。

在上述技术方案中，所述步骤二包括以下步骤：

设P₀和P₁分别是在同一场景不同曝光量E₀和E₁下拍摄的图像，且E₁＝kE₀，这里k可称之为曝光比或曝光率，则用描述相机响应模型的亮度映射函数(Brightness MappingFunction,BMF)可反映图像P₀和P₁的非线性映射关系，即：P₁＝g(P₀,k)，这里，g即为亮度映射函数，在已知BMF时，通过对图像P₀设置不同的曝光比k可生成具有不同曝光的图像P₁，起到改变图像像素亮度值的作用；

采用BMF函数对不均匀光照图像的V通道进行增强曝光，为了找到最佳曝光比提高曝光不足的像素的亮度，先利用Q＝{V(x)|T(x)<τ₁}过滤得到曝光不足的像素的灰度值集合Q，其中T为原始图像V的光照分量(Illumination Map)，可基于Retinex理论估计T，τ₁是区分曝光不足像素的灰度阈值，比它小的灰度值对应的像素被认为是曝光不足的，则曝光不足的像素点的信息熵为：

其中p_i代表Q中每个灰度等级i出现的概率，将曝光不足的像素转化为曝光好的像素有助于提升图像可见度、增大图像信息量，所以使用图像信息熵最大化的原则来求解增强曝光的最佳曝光比为：

同理，采用BMF函数对不均匀光照图像的V通道进行减弱曝光，为了找到最佳曝光比降低曝光过多的像素的亮度，只需改变灰度阈值条件，就可得到曝光过多的像素点的灰度值集合Q＝{P₀(x)|T(x)>τ₂}，其中τ₂是区分曝光过多像素的灰度阈值，使用图像信息熵最大化的原则来求解减弱曝光的最佳曝光比为：

从而，得到增强曝光的图像V₁＝g(V,k_opt1)和减弱曝光的图像V₂＝g(V,k_opt2)，V以及由它虚拟曝光生成的V₁、V₂三幅图像组成同一场景不同曝光的图像序列。

在上述技术方案中，所述步骤三包括以下步骤：

对于由V以及V₁、V₂组成的图像序列曝光序列中的每一幅图像，使用3个不同尺度的高斯滤波器分别对其进行滤波，得到对应的基础层B_n,1＝G₁*V_n,B_n,2＝G₂*V_n,B_n,3＝G₃*V_n和细节层D_n,1＝V_n-B_n,1,D_n,2＝V_n-B_n,2,D_n,3＝V_n-B_n,3，其中，*表示卷积运算，V_n表示曝光序列中的第n张图像，G₁、G₂和G₃分别是标准差为σ₁、σ₂和σ₃的高斯核，且σ₁<σ₂<σ₃；标准差代表着高斯核尺度的大小，取最小尺度的高斯核卷积得到的基础层作为后续融合的基础层，即第n张曝光图像对应的基础层取为B_n＝B_n,1，后续融合的细节层图像则由3种尺度下的细节层D_n,1,D_n,2,D_n,3加权重构得到，即：D_n＝(1-w₁×sgn(D_n,1))×D_n,1+w₂×D_n,2+w₃×D_n,3，其中，sgn是符号函数，w₁,w₂,w₃分别为3种尺度下细节层对应的加权系数，这种基于多尺度细节增强的方法不仅能突出边缘，还能增强图像中的局部纹理细节；

这样，得到不同曝光图像的基础层和增强的细节层后，需要构造相应的权重图进行融合，采用将像素显著性和空间一致性相结合的方法：首先，利用3×3大小的拉普拉斯滤波器L与每张源图像V_n进行卷积，得高通图像H_n＝V_n*L，用H_n绝对值的局部高斯平滑值构建显著性图像

其中

是大小为(2r_g+1)×(2r_g+1)标准差为σ_g的高斯低通滤波器；S_n较好地反映了图像像素的显著性水平，接下来通过比较不同的S_n中相同位置像素的显著性数值确定初始权重图P_n中对应位置的权重值为

其中，N表示源图像的数量，

表示第n张图像在第j个像素处的显著性数值；

初始权重图P_n常含有噪声，可能会造成融合图像产生伪影，利用引导滤波具有保持像素空间一致性的优点进行改善，将初始权重图P_n作为引导滤波的输入图像，将与P_n对应的源图像V_n作为引导图像，采用引导滤波的方法得到基础层和细节层的权重图分别为：

和

其中，r₁,∈₁,r₂,∈₂为引导滤波参数，且满足窗口半径r₁>r₂、截断值∈₁>∈₂，

和

分别为基础层和细节层的权重图；

确定了各个权重图后，将N个基础层权重图和N个细节层权重图在相同像素位置分别做和为1的归一化处理，再通过线性加权的方法分别进行融合，得：

和

最后，将融合后的基础层

与融合后的细节层

相加，重构出V通道最终的图像

在上述技术方案中，所述步骤四中，利用V通道增强后的图像V′和步骤一中保持不变的色调分量H与饱和度分量S，利用彩色图像的颜色空间转换公式，实现HSV颜色空间到RGB颜色空间的图像数据转换，即为原始输入的不均匀光照图像的最终增强结果。

本发明提供的一种基于虚拟多曝光融合的不均匀光照图像增强方法，具有以下有益效果：(1)利用相机响应模型和图像信息熵最大化方法自适应地求得生成虚拟曝光图像的最优曝光比，再进行虚拟曝光生成最优的增强曝光和减弱曝光图像，尽量用最少的图像进行融合得到更好的效果，有助于提升实现效率，易于在实际系统中推广应用；(2)虚拟曝光图像的生成和融合是将原图像从RGB颜色空间转换到HSV颜色空间后在V通道图像中完成的，并且在图像融合过程中进行了图像细节提升处理，可以更好地保持图像颜色和细节信息，使利用得多曝光融合原理重构出的图像动态范围高、对比度强、可视化效果好。

附图说明

图1是本发明基于虚拟多曝光融合的不均匀光照图像增强方法流程图

图2是本发明基于虚拟多曝光融合的不均匀光照图像增强方法实施效果示例

图3也是本发明基于虚拟多曝光融合的不均匀光照图像增强方法实施效果示例

具体实施方式

下面结合附图和实施例对本发明的实施方式进行详细阐述，但该实施例不应理解为对本发明的限制。

参见图1，本发明所描述的一种基于虚拟多曝光融合的不均匀光照图像增强方法，包括以下步骤：

步骤一：将输入的不均匀光照图像从RGB颜色空间转换到HSV颜色空间,并分离出图像的亮度分量V、色调分量H与饱和度分量S；步骤二：依据相机响应模型采用合适的亮度映射函数，对亮度分量V中曝光不足的像素寻优大于1的最佳曝光比k_opt1使亮度映射后的信息熵最大，进而利用k_opt1对V通道分量所有像素进行虚拟曝光，生成一幅增强曝光的图像V₁，同理，对亮度分量V中曝光过多的像素寻优小于1的最佳曝光比k_opt2使亮度映射后的信息熵最大，进而利用k_opt2对V通道分量所有像素进行虚拟曝光，生成一幅减弱曝光的图像V₂，将V、V₁和V₂这三幅图像组成曝光序列图像；步骤三，采用带细节提升的多曝光图像融合方法，对步骤二所得曝光序列图像进行融合，得到增强后的图像V分量；步骤四，用增强后的V分量和保持不变的H分量和S分量重新合成HSV图像，并将其转换回RGB颜色空间作为最终的图像增强结果输出。

在上述技术方案中，所述步骤一利用彩色图像的颜色空间转换公式，即可方便实现RGB颜色空间到HSV颜色空间的图像数据转换，从而得到相应的亮度分量V、色调分量H与饱和度分量S，其中亮度分量V用于后续步骤的处理。

在上述技术方案中，所述步骤二包括以下步骤：

设P₀和P₁分别是在同一场景不同曝光量E₀和E₁下拍摄的图像，且E₁＝kE₀，这里k可称之为曝光比或曝光率，则用描述相机响应模型的亮度映射函数(Brightness MappingFunction,BMF)可反映图像P₀和P₁的非线性映射关系，即：P₁＝g(P₀,k)，这里，g即为亮度映射函数，在已知BMF时，通过对图像P₀设置不同的曝光比k可生成具有不同曝光的图像P₁，起到改变图像像素亮度值的作用；

采用BMF函数对不均匀光照图像的V通道进行增强曝光，为了找到最佳曝光比提高曝光不足的像素的亮度，先利用Q＝{V(x)|T(x)<τ₁}过滤得到曝光不足的像素的灰度值集合Q，其中T为原始图像V的光照分量(Illumination Map)，可基于Retinex理论估计T，τ₁是区分曝光不足像素的灰度阈值，比它小的灰度值对应的像素被认为是曝光不足的，则曝光不足的像素点的信息熵为：

其中p_i代表Q中每个灰度等级i出现的概率，将曝光不足的像素转化为曝光好的像素有助于提升图像可见度、增大图像信息量，所以使用图像信息熵最大化的原则来求解增强曝光的最佳曝光比为：

同理，采用BMF函数对不均匀光照图像的V通道进行减弱曝光，为了找到最佳曝光比降低曝光过多的像素的亮度，只需改变灰度阈值条件，就可得到曝光过多的像素点的灰度值集合Q＝{P₀(x)|T(x)>τ₂}，其中τ₂是区分曝光过多像素的灰度阈值，使用图像信息熵最大化的原则来求解减弱曝光的最佳曝光比为：

从而，得到增强曝光的图像V₁＝g(V,k_opt1)和减弱曝光的图像V₂＝g(V,k_opt2)，V以及由它虚拟曝光生成的V₁、V₂三幅图像组成同一场景不同曝光的图像序列。

在上述技术方案中，所述步骤三包括以下步骤：

对于由V以及V₁、V₂组成的图像序列曝光序列中的每一幅图像，使用3个不同尺度的高斯滤波器分别对其进行滤波，得到对应的基础层B_n,1＝G₁*V_n,B_n,2＝G₂*V_n,B_n,3＝G₃*V_n和细节层D_n,1＝V_n-B_n,1,D_n,2＝V_n-B_n,2,D_n,3＝V_n-B_n,3，其中，*表示卷积运算，V_n表示曝光序列中的第n张图像，G₁、G₂和G₃分别是标准差为σ₁、σ₂和σ₃的高斯核，且σ₁<σ₂<σ₃；标准差代表着高斯核尺度的大小，取最小尺度的高斯核卷积得到的基础层作为后续融合的基础层，即第n张曝光图像对应的基础层取为B_n＝B_n,1，后续融合的细节层图像则由3种尺度下的细节层D_n,1,D_n,2,D_n,3加权重构得到，即：D_n＝(1-w₁×sgn(D_n,1))×D_n,1+w₂×D_n,2+w₃×D_n,3，其中，sgn是符号函数，w₁,w₂,w₃分别为3种尺度下细节层对应的加权系数，这种基于多尺度细节增强的方法不仅能突出边缘，还能增强图像中的局部纹理细节；

这样，得到不同曝光图像的基础层和增强的细节层后，需要构造相应的权重图进行融合，采用将像素显著性和空间一致性相结合的方法：首先，利用3×3大小的拉普拉斯滤波器L与每张源图像V_n进行卷积，得高通图像H_n＝V_n*L，用H_n绝对值的局部高斯平滑值构建显著性图像

其中

是大小为(2r_g+1)×(2r_g+1)标准差为σ_g的高斯低通滤波器；S_n较好地反映了图像像素的显著性水平，接下来通过比较不同的S_n中相同位置像素的显著性数值确定初始权重图P_n中对应位置的权重值为

其中，N表示源图像的数量，

表示第n张图像在第j个像素处的显著性数值；

初始权重图P_n常含有噪声，可能会造成融合图像产生伪影，利用引导滤波具有保持像素空间一致性的优点进行改善，将初始权重图P_n作为引导滤波的输入图像，将与P_n对应的源图像V_n作为引导图像，采用引导滤波的方法得到基础层和细节层的权重图分别为：

和

其中，r₁,∈₁,r₂,∈₂为引导滤波参数，且满足窗口半径r₁>r₂、截断值∈₁>∈₂，

和

分别为基础层和细节层的权重图；

确定了各个权重图后，将N个基础层权重图和N个细节层权重图在相同像素位置分别做和为1的归一化处理，再通过线性加权的方法分别进行融合，得：

和

最后，将融合后的基础层

与融合后的细节层

相加，重构出V通道最终的图像

在上述技术方案中，所述步骤四中，利用V通道增强后的图像V′和步骤一中保持不变的色调分量H与饱和度分量S，利用彩色图像的颜色空间转换公式，实现HSV颜色空间到RGB颜色空间的图像数据转换，即为原始输入的不均匀光照图像的最终增强结果。

为了验证本专利所提供方法的有效性，通过实验与文献A New Image ContrastEnhancement Algorithm Using Exposure Fusion Framework(Ying Z,Li G,Ren Y,etal，ICCAIP 2017)的方法进行了对比。由于各个库中图像来源的相机信息未知，实验中相机响应模型均使用该文献中的BTF函数

且参数a＝-0.3293，b＝1.1258，另外，图像灰度值归一化到区间[0,1]后灰度阈值τ₁＝0.4，τ₂＝0.75，高斯滤波器参数σ₁＝1，σ₂＝2，σ₃＝4，r_g＝σ_g＝5，引导滤波的参数r₁＝45,∈₁＝0.3,r₂＝7,∈₂＝10^-6。比较结果如图2和图3所示，左边为输入的不均匀光照图像以及放大的局部，图像中均存在过曝和欠曝区域，中间为所比较的方法的处理效果，右边为本专利提供的方法处理的效果，可见，本专利提供方法在过曝和欠曝区域的纹理细节展现得更加丰富。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (5)

1.一种基于虚拟多曝光融合的不均匀光照图像增强方法，其特征在于，包括以下步骤：

步骤一：将输入的不均匀光照图像从RGB颜色空间转换到HSV颜色空间,并分离出图像的亮度分量V、色调分量H与饱和度分量S；

步骤二：依据相机响应模型采用合适的亮度映射函数，对亮度分量V中曝光不足的像素寻优大于1的最佳曝光比k_opt1使亮度映射后的信息熵最大，进而利用k_opt1对V通道分量所有像素进行虚拟曝光，生成一幅增强曝光的图像V₁，同理，对亮度分量V中曝光过多的像素寻优小于1的最佳曝光比k_opt2使亮度映射后的信息熵最大，进而利用k_opt2对V通道分量所有像素进行虚拟曝光，生成一幅减弱曝光的图像V₂，将V、V₁和V₂这三幅图像组成曝光序列图像；

步骤三，采用带细节提升的多曝光图像融合方法，对步骤二所得曝光序列图像进行融合，得到增强后的图像V分量；

步骤四，用增强后的V分量和保持不变的H分量和S分量重新合成HSV图像，并将其转换回RGB颜色空间作为最终的图像增强结果输出。

2.根据权利要求1所述的一种基于虚拟多曝光融合的不均匀光照图像增强方法，其特征在于，所述步骤一的实现过程为：

利用彩色图像的颜色空间转换公式，将输入的不均匀光照图像从RGB颜色空间转换到HSV颜色空间，从而得到相应的亮度分量V、色调分量H与饱和度分量S，其中亮度分量V用于后续步骤的处理。

3.根据权利要求1所述的一种基于虚拟多曝光融合的不均匀光照图像增强方法，其特征在于，所述步骤二的实现过程为：

描述相机响应模型的亮度映射函数即BMF函数g(V,k)，以亮度分量V为参考图像，通过设置不同的曝光比k可生成具有不同曝光比的图像，起到改变图像像素亮度值的作用；

采用BMF函数对不均匀光照图像的V通道进行增强曝光，为了找到最佳曝光比提高曝光不足的像素的亮度，先利用Q＝{V(x)|T(x)<τ₁}过滤得到曝光不足的像素的灰度值集合Q，其中T为原始图像V的光照分量，可基于Retinex理论估计T，τ₁是区分曝光不足像素的灰度阈值，比它小的灰度值对应的像素被认为是曝光不足的，则曝光不足的像素点的信息熵为：

其中p_i代表Q中每个灰度等级i出现的概率，将曝光不足的像素转化为曝光好的像素有助于提升图像可见度、增大图像信息量，所以使用图像信息熵最大化的原则来求解增强曝光的最佳曝光比为：

同理，采用BMF函数对不均匀光照图像的V通道进行减弱曝光，为了找到最佳曝光比降低曝光过多的像素的亮度，只需改变灰度阈值条件，就可得到曝光过多的像素点的灰度值集合Q＝{P₀(x)|T(x)>τ₂}，其中τ₂是区分曝光过多像素的灰度阈值，使用图像信息熵最大化的原则来求解减弱曝光的最佳曝光比为：

从而，得到增强曝光的图像V₁＝g(V,k_opt1)和减弱曝光的图像V₂＝g(V,k_opt2)，V以及由它虚拟曝光生成的V₁、V₂三幅图像组成同一场景不同曝光的图像序列。

4.根据权利要求1所述的一种基于虚拟多曝光融合的不均匀光照图像增强方法，其特征在于，所述步骤三的实现过程为：

对于由V以及V₁、V₂组成的图像序列曝光序列中的每一幅图像，使用3个不同尺度的高斯滤波器分别对其进行滤波，得到对应的基础层B_n,1＝G₁*V_n,B_n,2＝G₂*V_n,B_n,3＝G₃*V_n和细节层D_n,1＝V_n-B_n,1,D_n,2＝V_n-B_n,2,D_n,3＝V_n-B_n,3，其中，*表示卷积运算，V_n表示曝光序列中的第n张图像，G₁、G₂和G₃分别是标准差为σ₁、σ₂和σ₃的高斯核，且σ₁<σ₂<σ₃；标准差代表着高斯核尺度的大小，取最小尺度的高斯核卷积得到的基础层作为后续融合的基础层，即第n张曝光图像对应的基础层取为B_n＝B_n,1，后续融合的细节层图像则由3种尺度下的细节层D_n,1,D_n,2,D_n,3加权重构得到，即：D_n＝(1-w₁×sgn(D_n,1))×D_n,1+w₂×D_n,2+w₃×D_n,3，其中，sgn是符号函数，w₁,w₂,w₃分别为3种尺度下细节层对应的加权系数，这种基于多尺度细节增强的方法不仅能突出边缘，还能增强图像中的局部纹理细节；

这样，得到不同曝光图像的基础层和增强的细节层后，需要构造相应的权重图进行融合，采用将像素显著性和空间一致性相结合的方法：首先，利用3×3大小的拉普拉斯滤波器L与每张源图像V_n进行卷积，得高通图像H_n＝V_n*L，用H_n绝对值的局部高斯平滑值构建显著性图像

其中

是大小为(2r_g+1)×(2r_g+1)标准差为σ_g的高斯低通滤波器；S_n较好地反映了图像像素的显著性水平，接下来通过比较不同的S_n中相同位置像素的显著性数值确定初始权重图P_n中对应位置的权重值为

其中，N表示源图像的数量，

表示第n张图像在第j个像素处的显著性数值；

初始权重图P_n常含有噪声，可能会造成融合图像产生伪影，利用引导滤波具有保持像素空间一致性的优点进行改善，将初始权重图P_n作为引导滤波的输入图像，将与P_n对应的源图像V_n作为引导图像，采用引导滤波的方法得到基础层和细节层的权重图分别为：

和

其中，r₁,∈₁,r₂,∈₂为引导滤波参数，且满足窗口半径r₁>r₂、截断值∈₁>∈₂，

和

分别为基础层和细节层的权重图；

确定了各个权重图后，将N个基础层权重图和N个细节层权重图在相同像素位置分别做和为1的归一化处理，再通过线性加权的方法分别进行融合，得：

和

最后，将融合后的基础层

与融合后的细节层

相加，重构出V通道最终的图像

5.根据权利要求1所述的一种基于虚拟多曝光融合的不均匀光照图像增强方法，其特征在于，所述步骤四的实现过程为：

利用V通道增强后的图像V′和步骤一中保持不变的色调分量H与饱和度分量S，利用彩色图像的颜色空间转换公式，实现HSV颜色空间到RGB颜色空间的图像数据转换，结果即为原始输入的不均匀光照图像的最终增强图像。

Images