CN113129391B - 基于多曝光图像特征分布权重的多曝光融合方法 - Google Patents

基于多曝光图像特征分布权重的多曝光融合方法 Download PDF

Info

Publication number
CN113129391B
CN113129391B CN202110459450.7A CN202110459450A CN113129391B CN 113129391 B CN113129391 B CN 113129391B CN 202110459450 A CN202110459450 A CN 202110459450A CN 113129391 B CN113129391 B CN 113129391B
Authority
CN
China
Prior art keywords
image
exposure
weight
determining
fusion method
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.)
Active
Application number
CN202110459450.7A
Other languages
English (en)
Other versions
CN113129391A (zh
Inventor
刘卫华
马碧燕
刘颖
公衍超
王富平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202110459450.7A priority Critical patent/CN113129391B/zh
Publication of CN113129391A publication Critical patent/CN113129391A/zh
Priority to US17/679,400 priority patent/US11763432B2/en
Application granted granted Critical
Publication of CN113129391B publication Critical patent/CN113129391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/92—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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 by the use of more than one image, e.g. averaging, 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10144—Varying exposure
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • 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

Abstract

一种基于多曝光图像特征分布权重的多曝光融合方法，由图像颜色空间转换、确定图像亮度分布权重、确定图像曝光分布权重、确定图像局部梯度权重、确定最终权重、确定融合图像步骤组成。本发明将图像亮度分布权重、图像曝光分布权重、图像局部梯度权重组合，得到最终权重，用现有的金字塔分解的多分辨率融合方法对输入图像与权重进行融合，得到融合图像，解决了现有多曝光融合方法没有考虑多曝光图像整体特征分布的技术问题。本发明具有融合质量高、计算简单、融合图像信息量丰富、细节清晰等优点，可用于多曝光融合的高动态范围图像重建。

Description

基于多曝光图像特征分布权重的多曝光融合方法
技术领域
本发明属于图像处理技术领域，具体涉及到高动态范围图像重建。
背景技术
自然界的动态范围非常宽广，夜晚可到10-3cd/m2，白天达到的106cd/m2。人眼具有自适应光照的能力，能够感受到1：104动态范围的自然场景，一般的数码相机能够捕获的动态范围只有0-255。普通的低动态范围图像所包含的信息不能完全表现高动态范围的场景。为了解决这个问题，研究人员已近提出了很多方法。传统的方法是应用展开算子扩展低动态范围图像的动态范围及内容，根据相机响应函数重构得到高动态范围图像。传统方法中相机响应函数的计算复杂且不容易获得，比较流行的方法是输入具有不同曝光程度的多幅低动态范围图像，确定它们各自的权重图，通过加权融合技术得到更高质量的低动态范围图像。因为高动态范围图像不能直接在普通的显示设备上进行显示，需要进行色调映射成低动态范围图像才能显示，所以通过多曝光图像融合后得到的低动态范围图像可以看作色调映射后的高动态范围图像，这种算法被称作多曝光融合方法。
多曝光融合方法有逐块方法和逐像素方法，逐块方法将输入图像分为不同的块，根据每个块的特征确定图像的权重图，但逐块多曝光融合方法得到的融合图像需要消除块与块之间的空间伪影，需要预处理或后处理步骤。逐像素方法通过计算输入图像每个像素点的权重值得到权重图，其中如何确定计算权重图的权重函数是关键步骤，目前的逐像素多曝光融合方法一般只根据输入图像自身的特征分布设计其权重函数，而且大部分方法都需要设置参数，不能完全自适应地确定权重。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种融合质量高、计算简单、融合图像信息量丰富、细节清晰的基于多曝光图像特征分布权重的多曝光融合方法。
解决上述技术问题所采用的技术方案是由下述步骤组成：
(1)图像颜色空间转换
将输入多曝光图像的红、绿、蓝颜色分量转换成亮度分量Yn(x,y)、蓝色色度分量Cbn(x,y)、红色色度分量Crn(x,y)如下：
Yn(x,y)＝0.257Rn(x,y)+0.564Gn(x,y)+0.098Bn(x,y)+16 (1)
Cbn(x,y)＝-0.148Rn(x,y)-0.291Gn(x,y)+0.439Bn(x,y)+128
Crn(x,y)＝0.439Rn(x,y)-0.368Gn(x,y)-0.071Bn(x,y)+128
其中Rn(x,y)为第n幅图像(x,y)点的红色分量，Gn(x,y)为第n幅图像(x,y)点的绿色分量，Bn(x,y)为第n幅图像(x,y)点的蓝色分量，n为有限的正整数，n∈[1,N]，(x,y)是像素点的位置坐标，N是曝光图像的数量、为有限的正整数。
(2)确定图像亮度分布权重
按式(2)确定图像亮度分布权重w1,n(x,y)：
Figure BDA0003041837240000021
Figure BDA0003041837240000022
其中mn是第n幅图像的均值。
(3)确定图像曝光分布权重
按式(3)确定图像曝光分布权重w2,n(x,y)：
w2,n(x,y)＝1-Dn(x,y) (3)
Dn(x,y)＝|Yn(x,y)-m(x,y)|
Figure BDA0003041837240000023
(4)确定图像局部梯度权重
按式(4)确定图像局部梯度权重w3,n(x,y)：
Figure BDA0003041837240000024
Figure BDA0003041837240000025
Figure BDA0003041837240000026
Figure BDA0003041837240000027
Figure BDA0003041837240000031
其中ε取值为[10-14,10-10]，
Figure BDA0003041837240000035
为滤波操作，G1(x,y)为二维高斯核函数，k1为滤波器窗口大小的参数，k1∈[2,16]，σ1是滤波器的标准差，σ1∈(0,5]。
(5)确定最终权重
按式(5)确定最终权重Wn(x,y)：
Figure BDA0003041837240000032
Figure BDA0003041837240000033
Figure BDA0003041837240000034
wn(x,y)＝w1,n(x,y)×w2,n(x,y)×w3,n(x,y)
其中G2(x,y)为二维高斯核函数，k2是滤波器窗口大小的参数，k2∈[2,20]，σ2是滤波器的标准差，σ2∈(0,10]。
(6)确定融合图像
采用现有的金字塔分解的多分辨率融合方法对输入图像与权重进行融合确定融合图像；
完成基于多曝光图像特征分布权重的多曝光融合方法。
在本发明的(4)步骤中，所述的k1的取值为8，σ1的取值为2。
在本发明的(5)步骤中，所述的k2的取值为10，σ2的取值为5。
由于本发明采用了确定图像亮度分布权重、确定图像曝光分布权重、确定图像局部梯度权重步骤，将图像亮度分布权重、图像曝光分布权重、图像局部梯度权重组合，得到最终权重，应用现有的金字塔分解的多分辨率融合方法对输入图像与权重进行融合，得到融合图像。在确定输入图像的权重时，考虑到多曝光图像的特征分布，所提出的权重函数对每幅图像的每个像素都能够自适应的计算权重，可以简单快速地获得图像的权重，解决了现有多曝光融合方法没有考虑多曝光图像整体特征分布的技术问题。本发明具有融合质量高、计算简单、融合图像信息量丰富、细节清晰等优点，可用于多曝光融合的高动态范围图像重建。
附图说明
图1是本发明实施例1的流程图。
图2是实施例1洞穴多曝光图像的输入4幅图。
图3是实施例1的融合结果图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下面的实施例。
实施例1
以输入洞穴多曝光图像4幅为例，本实施例的基于多曝光图像特征分布权重的多曝光融合方法由下述步骤组成(参见图1)：
(1)图像颜色空间转换
将输入多曝光图像的红、绿、蓝颜色分量转换成亮度分量Yn(x,y)、蓝色色度分量Cbn(x,y)、红色色度分量Crn(x,y)如下：
Yn(x,y)＝0.257Rn(x,y)+0.564Gn(x,y)+0.098Bn(x,y)+16 (6)
Cbn(x,y)＝-0.148Rn(x,y)-0.291Gn(x,y)+0.439Bn(x,y)+128
Crn(x,y)＝0.439Rn(x,y)-0.368Gn(x,y)-0.071Bn(x,y)+128
其中Rn(x,y)为第n幅图像(x,y)点的红色分量，Gn(x,y)为第n幅图像(x,y)点的绿色分量，Bn(x,y)为第n幅图像(x,y)点的蓝色分量，n为有限的正整数，n∈[1,N]，(x,y)是像素点的位置坐标，N是曝光图像的数量，本实施例的输入图像见图2，N取值为4。对输入的图像不同，N取值与输入图像的数量相同。
(2)确定图像亮度分布权重
按式(2)确定图像亮度分布权重w1,n(x,y)：
Figure BDA0003041837240000041
Figure BDA0003041837240000042
其中mn是第n幅图像的均值。
(3)确定图像曝光分布权重
按式(3)确定图像曝光分布权重w2,n(x,y)：
w2,n(x,y)＝1-Dn(x,y) (8)
Dn(x,y)＝|Yn(x,y)-m(x,y)|
Figure BDA0003041837240000051
(4)确定图像局部梯度权重
按式(4)确定图像局部梯度权重w3,n(x,y)：
Figure BDA0003041837240000052
Figure BDA0003041837240000053
Figure BDA0003041837240000054
Figure BDA0003041837240000055
Figure BDA0003041837240000056
其中ε取值为[10-14,10-10]，本实施例的ε取值为10-12，
Figure BDA00030418372400000510
为滤波操作，G1(x,y)为二维高斯核函数，k1为滤波器窗口大小的参数，k1∈[2,16]，本实施例的k1取值为8，σ1是滤波器的标准差，σ1∈(0,5]，本实施例的σ1取值为2。
(5)确定最终权重
按式(5)确定最终权重Wn(x,y)：
Figure BDA0003041837240000057
Figure BDA0003041837240000058
Figure BDA0003041837240000059
wn(x,y)＝w1,n(x,y)×w2,n(x,y)×w3,n(x,y)
其中G2(x,y)为二维高斯核函数，k2是滤波器窗口大小的参数，k2∈[2,20]，本实施例的k2取值为10，σ2是滤波器的标准差，σ2∈(0,10]，本实施例的σ2取值为5。
该步骤采用了确定图像亮度分布权重、确定图像曝光分布权重、确定图像局部梯度权重步骤，将图像亮度分布权重、图像曝光分布权重、图像局部梯度权重组合，得到最终权重，在确定输入图像的权重时，考虑到多曝光图像的特征分布，所提出的权重函数对每幅图像的每个像素都能够自适应的计算权重，可以简单快速地获得图像的权重，解决了现有多曝光融合方法没有考虑多曝光图像整体特征分布的技术问题。融合后的图像具有融合质量高、计算简单、信息量丰富、细节清晰等优点。
(6)确定融合图像
采用现有的金字塔分解的多分辨率融合方法对输入图像与权重进行融合确定融合图像。金字塔分解的多分辨率融合方法已在下面的网址公开：
https://github.com/tkd1088/multi-exposure-image-fusion/blob/master/ code/functions/fusion_pyramid.m.
完成基于多曝光图像特征分布权重的多曝光融合方法，融合后的图像结果见图3，由图3可见，采用本实施例方法处理后的图像信息量丰富，细节更清晰。
实施例2
以输入洞穴多曝光图像4幅为例，本实施例的基于多曝光图像特征分布权重的多曝光融合方法由下述步骤组成：
(1)图像颜色空间转换
该步骤与实施例1相同。
(2)确定图像亮度分布权重
该步骤与实施例1相同。
(3)确定图像曝光分布权重
该步骤与实施例1相同。
(4)确定图像局部梯度权重
按式(4)确定图像局部梯度权重w3,n(x,y)：
Figure BDA0003041837240000061
Figure BDA0003041837240000062
Figure BDA0003041837240000063
Figure BDA0003041837240000064
Figure BDA0003041837240000065
其中ε取值为[10-14,10-10]，本实施例的ε取值为10-14，
Figure BDA0003041837240000066
为滤波操作，G1(x,y)为二维高斯核函数，k1为滤波器窗口大小的参数，k1∈[2,16]，本实施例的k1取值为2，σ1是滤波器的标准差，σ1∈(0,5]，本实施例的σ1取值为0.5。
(5)确定最终权重
按式(5)确定最终权重Wn(x,y)：
Figure BDA0003041837240000071
Figure BDA0003041837240000072
Figure BDA0003041837240000073
wn(x,y)＝w1,n(x,y)×w2,n(x,y)×w3,n(x,y)
其中G2(x,y)为二维高斯核函数，k2是滤波器窗口大小的参数，k2∈[2,20]，本实施例的k2取值为2，σ2是滤波器的标准差，σ2∈(0,10]，本实施例的σ2取值为0.5。
其它步骤与实施例1相同。
完成基于多曝光图像特征分布权重的多曝光融合方法。
实施例3
以输入洞穴多曝光图像4幅为例，本实施例的基于多曝光图像特征分布权重的多曝光融合方法由下述步骤组成：
(1)图像颜色空间转换
该步骤与实施例1相同。
(2)确定图像亮度分布权重
该步骤与实施例1相同。
(3)确定图像曝光分布权重
该步骤与实施例1相同。
(4)确定图像局部梯度权重
按式(4)确定图像局部梯度权重w3,n(x,y)：
Figure BDA0003041837240000074
Figure BDA0003041837240000075
Figure BDA0003041837240000076
Figure BDA0003041837240000081
Figure BDA0003041837240000082
其中ε取值为[10-14,10-10]，本实施例的ε取值为10-10，
Figure BDA0003041837240000086
为滤波操作，G1(x,y)为二维高斯核函数，k1为滤波器窗口大小的参数，k1∈[2,16]，本实施例的k1取值为16，σ1是滤波器的标准差，σ1∈(0,5]，本实施例的σ1取值为5。
(5)确定最终权重
按式(5)确定最终权重Wn(x,y)：
Figure BDA0003041837240000083
Figure BDA0003041837240000084
Figure BDA0003041837240000085
wn(x,y)＝w1,n(x,y)×w2,n(x,y)×w3,n(x,y)
其中G2(x,y)为二维高斯核函数，k2是滤波器窗口大小的参数，k2∈[2,20]，本实施例的k2取值为20，σ2是滤波器的标准差，σ2∈(0,10]，本实施例的σ2取值为10。
其它步骤与实施例1相同。
完成基于多曝光图像特征分布权重的多曝光融合方法。
为了验证本发明的效果，发明人采用输入洞穴多曝光图像4幅为例，采用实施例1的基于多曝光图像特征分布权重的多曝光融合方法(以下简称本发明)与Exposure Fusion方法(以下简称为序号1)、Multi-exposure image fusion:A patch-wise approach方法(以下简称为序号2)、AMulti-Exposure Image Fusion Based on the Adaptive WeightsReflecting the Relative Pixel Intensity and Global Gradient方法(以下简称为序号3)、Multi-exposure image fusion via a pyramidal integration of the phasecongruency of input images with the intensity-based maps方法(以下简称为序号4)进行了对比仿真实验，使用现有的多曝光融合客观质量评价指标MEF-SSIM、平均信息熵、平均颜色饱和度进行评价。MEF-SSIM得分越高融合图像的质量越好；平均信息熵值越高图像包含的信息越丰富；平均颜色饱和度值越大说明图像的颜色越鲜艳。比较本发明与序号1、序号2、序号3、序号4的MEF-SSIM得分。
实验结果见表1。
表1本发明与其他方法的MEF-SSIM得分结果
多曝光融合方法 序号1 序号2 序号3 序号4 本发明
MEF-SSIM得分 0.980 0.975 0.977 0.981 0.982
由表1可见，本发明与序号1、序号2、序号3、序号4的MEF-SSIM得分相比，本发明的MEF-SSIM得分最高，为0.982，融合图像质量优于其他方法。
比较本发明与序号3、序号4的平均信息熵，结果见表2。
表2本发明与其他方法的平均信息熵
多曝光融合方法 序号3 序号4 本发明
平均信息熵值 3.231 3.220 3.238
由表2可见，本发明与序号3、序号4的平均信息熵值相比，本发明的平均信息熵值最大，为3.238，融合图像包含的信息更丰富。
比较本发明与序号3、序号4的平均颜色饱和度，结果见表3。
表3本发明与其他方法的平均颜色饱和度
多曝光融合方法 序号3 序号4 本发明
平均颜色饱和度值 0.280 0.289 0.290
由表3可见，本发明与序号3、序号4的平均颜色饱和度相比，本发明获得的平均颜色饱和度值最高，为0.290，融合图像的颜色更鲜艳。

Claims (3)

1.一种基于多曝光图像特征分布权重的多曝光融合方法，其特征在于它是由下述步骤组成：
(1)图像颜色空间转换
将输入多曝光图像的红、绿、蓝颜色分量转换成亮度分量Yn(x,y)、蓝色色度分量Cbn(x,y)、红色色度分量Crn(x,y)如下：
Yn(x,y)＝0.257Rn(x,y)+0.564Gn(x,y)+0.098Bn(x,y)+16 (1)
Cbn(x,y)＝-0.148Rn(x,y)-0.291Gn(x,y)+0.439Bn(x,y)+128
Crn(x,y)＝0.439Rn(x,y)-0.368Gn(x,y)-0.071Bn(x,y)+128
其中Rn(x,y)为第n幅图像(x,y)点的红色分量，Gn(x,y)为第n幅图像(x,y)点的绿色分量，Bn(x,y)为第n幅图像(x,y)点的蓝色分量，n为有限的正整数，n∈[1,N]，(x,y)是像素点的位置坐标，N是曝光图像的数量、为有限的正整数；
(2)确定图像亮度分布权重
按式(2)确定图像亮度分布权重w1,n(x,y)：
Figure FDA0003041837230000011
Figure FDA0003041837230000012
其中mn是第n幅图像的均值；
(3)确定图像曝光分布权重
按式(3)确定图像曝光分布权重w2,n(x,y)：
w2,n(x,y)＝1-Dn(x,y) (3)
Dn(x,y)＝|Yn(x,y)-m(x,y)|
Figure FDA0003041837230000013
(4)确定图像局部梯度权重
按式(4)确定图像局部梯度权重w3,n(x,y)：
Figure FDA0003041837230000014
Figure FDA0003041837230000021
Figure FDA0003041837230000022
Figure FDA0003041837230000023
Figure FDA0003041837230000024
其中ε取值为[10-14,10-10]，
Figure FDA0003041837230000025
为滤波操作，G1(x,y)为二维高斯核函数，k1为滤波器窗口大小的参数，k1∈[2,16]，σ1是滤波器的标准差，σ1∈(0,5]；
(5)确定最终权重
按式(5)确定最终权重Wn(x,y)：
Figure FDA0003041837230000026
Figure FDA0003041837230000027
Figure FDA0003041837230000028
wn(x,y)＝w1,n(x,y)×w2,n(x,y)×w3,n(x,y)
其中G2(x,y)为二维高斯核函数，k2是滤波器窗口大小的参数，k2∈[2,20]，σ2是滤波器的标准差，σ2∈(0,10]；
(6)确定融合图像
采用现有的金字塔分解的多分辨率融合方法对输入图像与权重进行融合确定融合图像；
完成基于多曝光图像特征分布权重的多曝光融合方法。
2.根据权利要求1所述的基于多曝光图像特征分布权重的多曝光融合方法，其特征在于：在(4)步骤中，所述的k1的取值为8，σ1的取值为2。
3.根据权利要求1所述的基于多曝光图像特征分布权重的多曝光融合方法，其特征在于：在(5)步骤中，所述的k2的取值为10，σ2的取值为5。
CN202110459450.7A 2021-04-27 2021-04-27 基于多曝光图像特征分布权重的多曝光融合方法 Active CN113129391B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110459450.7A CN113129391B (zh) 2021-04-27 2021-04-27 基于多曝光图像特征分布权重的多曝光融合方法
US17/679,400 US11763432B2 (en) 2021-04-27 2022-02-24 Multi-exposure image fusion method based on feature distribution weight of multi-exposure image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110459450.7A CN113129391B (zh) 2021-04-27 2021-04-27 基于多曝光图像特征分布权重的多曝光融合方法

Publications (2)

Publication Number Publication Date
CN113129391A CN113129391A (zh) 2021-07-16
CN113129391B true CN113129391B (zh) 2023-01-31

Family

ID=76780182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110459450.7A Active CN113129391B (zh) 2021-04-27 2021-04-27 基于多曝光图像特征分布权重的多曝光融合方法

Country Status (2)

Country Link
US (1) US11763432B2 (zh)
CN (1) CN113129391B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638764B (zh) * 2022-03-25 2023-01-24 江苏元贞智能科技有限公司 基于人工智能的多曝光图像融合方法及系统
CN115731146B (zh) * 2022-12-26 2023-05-12 中国人民解放军战略支援部队航天工程大学 基于色彩梯度直方图特征光流估计多曝光图像融合方法
CN115953346B (zh) * 2023-03-17 2023-06-16 广州市易鸿智能装备有限公司 一种基于特征金字塔的图像融合方法、装置及存储介质
CN116563190B (zh) * 2023-07-06 2023-09-26 深圳市超像素智能科技有限公司 图像处理方法、装置、计算机设备及计算机可读存储介质
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077759A (zh) * 2014-02-28 2014-10-01 西安电子科技大学 一种基于色觉感知及全局质量因子的多曝光度图像融合方法
CN104881854A (zh) * 2015-05-20 2015-09-02 天津大学 基于梯度和亮度信息的高动态范围图像融合方法
CN107220956A (zh) * 2017-04-18 2017-09-29 天津大学 一种基于多幅具有不同曝光度的ldr图像的hdr图像融合方法
CN109754377A (zh) * 2018-12-29 2019-05-14 重庆邮电大学 一种多曝光图像融合方法
KR102045538B1 (ko) * 2018-05-31 2019-11-15 한양대학교 산학협력단 패치 기반 다중 노출 영상 융합 방법 및 장치
WO2020143257A1 (zh) * 2019-01-11 2020-07-16 影石创新科技股份有限公司 一种抗运动伪影的hdr方法及便携式终端
JP6806394B1 (ja) * 2020-03-31 2021-01-06 国立大学法人広島大学 振動解析システム、振動解析方法及びプログラム
CN112235512A (zh) * 2020-09-16 2021-01-15 浙江大华技术股份有限公司 图像曝光参数调节方法、设备及装置
CN112634187A (zh) * 2021-01-05 2021-04-09 安徽大学 基于多重权重映射的宽动态融合算法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101699919B1 (ko) * 2011-07-28 2017-01-26 삼성전자주식회사 다중 노출 퓨전 기반에서 고스트 흐림을 제거한 ｈｄｒ 영상 생성 장치 및 방법
KR20130031574A (ko) * 2011-09-21 2013-03-29 삼성전자주식회사 영상 처리 방법 및 영상 처리 장치
US9654700B2 (en) * 2014-09-16 2017-05-16 Google Technology Holdings LLC Computational camera using fusion of image sensors
US10462445B2 (en) * 2016-07-19 2019-10-29 Fotonation Limited Systems and methods for estimating and refining depth maps
CN107389782B (zh) * 2017-06-29 2021-04-27 清华大学 用于管道微小缺陷检测的螺旋磁矩阵高精度成像检测装置
CA3090301A1 (en) * 2018-03-08 2019-09-12 Simile Inc. Methods and systems for producing content in multiple reality environments
GB2570528B (en) * 2018-06-25 2020-06-10 Imagination Tech Ltd Bilateral filter with data model
CN108828059B (zh) * 2018-06-29 2020-04-07 清华大学 电磁多场耦合缺陷综合检测评价方法及装置
US11503221B2 (en) * 2020-04-01 2022-11-15 Samsung Electronics Co., Ltd. System and method for motion warping using multi-exposure frames
US11458542B2 (en) * 2020-10-30 2022-10-04 Ut-Battelle, Llc Systems and methods for powder bed additive manufacturing anomaly detection
KR20220155840A (ko) * 2021-05-17 2022-11-24 삼성전자주식회사 관심 영역의 심도 정보를 생성하는 전자 장치 및 이의 동작 방법
US20220375043A1 (en) * 2021-05-24 2022-11-24 Verily Life Sciences Llc Specular reflection reduction in endoscope visualization

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077759A (zh) * 2014-02-28 2014-10-01 西安电子科技大学 一种基于色觉感知及全局质量因子的多曝光度图像融合方法
CN104881854A (zh) * 2015-05-20 2015-09-02 天津大学 基于梯度和亮度信息的高动态范围图像融合方法
CN107220956A (zh) * 2017-04-18 2017-09-29 天津大学 一种基于多幅具有不同曝光度的ldr图像的hdr图像融合方法
KR102045538B1 (ko) * 2018-05-31 2019-11-15 한양대학교 산학협력단 패치 기반 다중 노출 영상 융합 방법 및 장치
CN109754377A (zh) * 2018-12-29 2019-05-14 重庆邮电大学 一种多曝光图像融合方法
WO2020143257A1 (zh) * 2019-01-11 2020-07-16 影石创新科技股份有限公司 一种抗运动伪影的hdr方法及便携式终端
JP6806394B1 (ja) * 2020-03-31 2021-01-06 国立大学法人広島大学 振動解析システム、振動解析方法及びプログラム
CN112235512A (zh) * 2020-09-16 2021-01-15 浙江大华技术股份有限公司 图像曝光参数调节方法、设备及装置
CN112634187A (zh) * 2021-01-05 2021-04-09 安徽大学 基于多重权重映射的宽动态融合算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multi-exposure image fusion via a pyramidal integration of the phase congruency of input images with the intensity-based maps;Alireza Asadi 等，;《IET Image Processing》;20201005;第14卷(第13期);全文 *
一种改进的基于小波域的多曝光图像融合算法;马洋花 等，;《数字视频》;20181231;第42卷(第3期);全文 *
顾及欠曝光亮度映射的HDR 图像生成方法;晏玲，;《软件》;20201231;第41卷(第2期);全文 *

Also Published As

Publication number Publication date
US20220351344A1 (en) 2022-11-03
CN113129391A (zh) 2021-07-16
US11763432B2 (en) 2023-09-19

Similar Documents

Publication Publication Date Title
CN113129391B (zh) 基于多曝光图像特征分布权重的多曝光融合方法
CN109754377B (zh) 一种多曝光图像融合方法
CN108022223B (zh) 一种基于对数映射函数分块处理融合的色调映射方法
CN105915909B (zh) 一种高动态范围图像分层压缩方法
CN106485668A (zh) 用于过曝修正的方法、系统和装置
Chaudhry et al. A framework for outdoor RGB image enhancement and dehazing
CN110335221B (zh) 一种基于无监督学习的多曝光图像融合方法
CN111260580B (zh) 图像去噪方法、计算机装置及计算机可读存储介质
CN113039576A (zh) 图像增强系统和方法
CN112508812A (zh) 图像色偏校正方法、模型训练方法、装置及设备
Shutova et al. NTIRE 2023 challenge on night photography rendering
CN110211077A (zh) 一种基于高阶奇异值分解的多曝光图像融合方法
CN110599418A (zh) 一种变换域融合的全局色调映射方法
CN112785534A (zh) 一种动态场景下去鬼影多曝光图像融合方法
CN109427041B (zh) 一种图像白平衡方法及系统、存储介质及终端设备
CN113706393A (zh) 视频增强方法、装置、设备及存储介质
CN112927160B (zh) 一种基于深度Retinex的单张低光图像增强方法
CN113409247A (zh) 一种多曝光融合图像质量评价方法
CN110545414B (zh) 一种图像锐化方法
CN111161189A (zh) 一种基于细节弥补网络的单幅图像再增强方法
CN110930343A (zh) 基于sr-mdcnn的遥感图像融合方法
CN115809966A (zh) 一种低照度图像的增强方法和系统
CN113256533B (zh) 基于msrcr的自适应低照度图像增强方法及系统
CN114897811A (zh) 基于卷积梯度优化的图像Retinex增强方法、系统与计算机可读介质
Liang et al. Reconstructing hdr image from a single filtered ldr image base on a deep hdr merger network

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