張淑芳, 丁文鑫, 韓澤欣, 劉孟婭, 郭志鵬

(天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院, 300072, 天津)

高動(dòng)態(tài)范圍(HDR)圖像能夠記錄具有很高亮度動(dòng)態(tài)范圍的景象,能夠呈現(xiàn)細(xì)膩的色彩信息以及清晰的亮度層次。因此,HDR圖像廣泛應(yīng)用于攝影、游戲、醫(yī)療和計(jì)算機(jī)視覺等對(duì)圖像質(zhì)量要求較高的領(lǐng)域。

目前,獲取HDR圖像主要有兩種方法。第一種是通過采集多曝光低動(dòng)態(tài)范圍(LDR)圖像來融合生成HDR圖像。Mann和Picard通過設(shè)置不同曝光時(shí)間來獲取多曝光LDR圖像,進(jìn)而生成HDR圖像[1];Goshtasby等人提出基于最優(yōu)塊的HDR圖像融合算法[2],但上述算法對(duì)采集設(shè)備要求高且不適用于動(dòng)態(tài)場(chǎng)景。第二種是基于單幅LDR圖像生成HDR圖像,主要分為多曝光LDR圖像獲取和HDR圖像融合兩個(gè)過程。針對(duì)多曝光LDR圖像獲取過程中的映射問題,Tumblin等人借助Stevens定律[3]從全局的角度壓縮亮度動(dòng)態(tài)范圍[4],但只適用于信息簡(jiǎn)單且有條理的灰度圖像;方華猛等人從主成分分析(Principal Component Analysis,PCA)和引導(dǎo)濾波角度進(jìn)行色調(diào)映射[5],該算法對(duì)圖像的色彩和邊緣保持較好,但變換較為繁雜。Mertens等人根據(jù)對(duì)比度、飽和度及曝光度計(jì)算圖像標(biāo)量權(quán)重圖,借助金字塔變換將對(duì)應(yīng)分辨率的LDR圖像和權(quán)重圖融合得到HDR圖像[6],該算法更加切合實(shí)際,但當(dāng)多曝光LDR圖像的亮度范圍變化較大時(shí),會(huì)出現(xiàn)光暈;Shen等人將局部權(quán)重、全局權(quán)重和基于恰可察覺差異的顯著權(quán)重組合生成新的曝光權(quán)重圖,使用曝光權(quán)重對(duì)圖像的細(xì)節(jié)和基礎(chǔ)信號(hào)進(jìn)行增強(qiáng),并結(jié)合拉普拉斯金字塔進(jìn)行圖像融合[7],融合后的圖像很好地保留了顏色和紋理結(jié)構(gòu)信息,但只適用于靜態(tài)圖像;Qin等人考慮顏色信息,能量?jī)?yōu)化過程中尺度、平移和旋轉(zhuǎn)等幾何信息,構(gòu)造新的能量成本函數(shù),并利用新的迭代方法,同時(shí)進(jìn)行匹配和融合過程,使用隨機(jī)游走算法保留輸入曝光序列的顏色和紋理細(xì)節(jié)[8]。該算法可用于捕捉現(xiàn)實(shí)、HDR圖像和視頻處理。

本文研究基于單幅LDR圖像融合生成HDR圖像的方法。首先,利用PCA變換提取輸入LDR圖像的亮度圖,對(duì)該亮度圖進(jìn)行改進(jìn)的S曲線全局映射和Retinex局部色調(diào)映射處理,利用PCA逆變換獲取多張曝光值不同的LDR圖像;然后,利用多曝光LDR圖像的對(duì)比度、飽和度與最佳曝光度和亮度信息,構(gòu)造多曝光LDR圖像的標(biāo)量權(quán)重圖;最后,利用梯度金字塔模型生成HDR圖像。本文方法適用于動(dòng)態(tài)場(chǎng)景,生成的HDR圖像能夠較好地展現(xiàn)真實(shí)場(chǎng)景,有較好的魯棒性。

1　單幅LDR圖像生成HDR圖像方法

與直接獲取多曝光LDR圖像相比,基于單幅LDR圖像生成多幅曝光值不同的LDR圖像對(duì)采集設(shè)備要求低,且適用于動(dòng)態(tài)場(chǎng)景。圖1為該類方法的示意圖。

本文借鑒了Wang等人提出的基于局部區(qū)域調(diào)整的偽多曝光融合方法[9],該方法用改進(jìn)的S曲線對(duì)單幅LDR圖像進(jìn)行映射獲取多曝光LDR圖像,并采用亮度信息權(quán)重計(jì)算函數(shù)分別計(jì)算多曝光LDR圖像對(duì)應(yīng)的權(quán)重圖,最后將多曝光LDR圖像與權(quán)重圖進(jìn)行融合生成HDR圖像。

圖1　基于單幅LDR圖像生成HDR圖像示意圖

1.1　改進(jìn)的S曲線

由于S曲線具有增強(qiáng)高光、陰影和重要的中間亮度區(qū)域?qū)Ρ榷鹊男Ч?符合視覺系統(tǒng)早期階段的全局自適應(yīng)特性,因此Wang等人將改進(jìn)的S曲線作為全局映射曲線[9]。改進(jìn)的S曲線亮度值為

(1)

式中:Ls,k(i,j)表示經(jīng)改進(jìn)的S曲線映射的第k幅LDR圖像(i,j)位置處的亮度值;Pk是LDR圖像的調(diào)節(jié)因子,10-Pk用于控制相鄰LDR圖像之間的亮度差,Pk越大,亮度差越大;La,k表示第k幅LDR圖像的平均亮度值,滿足La,k=1+exp(λEk),其中Ek表示第k幅LDR圖像的曝光值,Ek越大,LDR圖像的平均亮度越大,λ是可調(diào)節(jié)的常數(shù),取λ=0.85;Lr(i,j)表示參考LDR圖像中(i,j)位置處的亮度值,亮度范圍為[0,1];η是個(gè)亮度常量,實(shí)驗(yàn)中取值為382.5;Lmax,k表示第k幅LDR圖像的最大亮度,由參數(shù)Pk和Ek共同控制。實(shí)驗(yàn)表明,將Pk設(shè)為(1.6,1.3,1,0.85,0.75)、Ek設(shè)為(-1,-0.5,0,0.5,1)時(shí)生成的LDR圖像效果最好。

1.2　亮度信息權(quán)重計(jì)算函數(shù)

為了增強(qiáng)明亮圖像的暗區(qū)細(xì)節(jié),以及黑暗圖像中明亮區(qū)域的細(xì)節(jié),Wang等人為不同曝光度的圖像賦予不同的權(quán)重[9],其權(quán)重函數(shù)為

(2)

式中:wk(i,j)表示第k張圖像(i,j)位置處的亮度權(quán)重值;Ls,k(i,j)表示經(jīng)過改進(jìn)的S曲線映射后的第k張圖像(i,j)位置處的亮度值,由式(1)得到;Lmid,k是第k張圖像的中間亮度值,由第k幅圖像的最大和最小亮度值Lmax,k和Lmin,k求得,滿足Lmid,k=(Lmax,k-Lmin,k)/2;αk表示用于調(diào)節(jié)的常數(shù);αk和Lmid,k都是與k相關(guān)的。為了提高較暗圖像中較亮區(qū)域的亮度,選擇較亮區(qū)域的中間亮度值作為L(zhǎng)mid,k。相似地,為了降低較亮圖像中較暗區(qū)域的亮度,選擇較暗區(qū)域的中間亮度值作為L(zhǎng)mid,k。圖像亮暗區(qū)域劃分用下面的直方圖法。

(1)多曝光圖像選取。取5幅曝光度不同的LDR亮度圖像組成多曝光序列,分別記為L(zhǎng)1,…,L5。L1和L2為不同程度的欠曝光圖像,L3為曝光度正常的圖像,L4和L5為過曝光的圖像。

(2)局部區(qū)域劃分。局部區(qū)域劃分是基于曝光良好的圖像的直方圖,即L3的直方圖。首先,使用直方圖的中間亮度Lmid將L3劃分為兩個(gè)區(qū)域。對(duì)于由Lmid分成的兩部分,再使用Llow和Lhigh分別將上述兩個(gè)區(qū)域再分成兩部分。這樣,就將整幅圖像劃分成4個(gè)部分,記為b1、b2、b3和b4。

(3)各區(qū)域中間亮度值。對(duì)于L3的上述4個(gè)區(qū)域,利用公式Lmid=(Lmax-Lmin)/2,求出各個(gè)區(qū)域的中間亮度值,記為L(zhǎng)mid,bi,其中i=1,2,3,4。

(4)分配中間亮度值。對(duì)于最暗的圖像L1,將中間亮度值Lmid,1設(shè)為L(zhǎng)mid,b4。對(duì)于最亮的圖像L5,將中間亮度值Lmid,5設(shè)為L(zhǎng)mid,b1。以此類推,Lmid,2=Lmid,b3,Lmid,4=Lmid,b2,Lmid,3=(Lmax,3-Lmin,3)/2。

(5)確定調(diào)整常數(shù)αk。αk用來調(diào)整第k張圖像的亮度測(cè)量因子高斯曲線的斜率。當(dāng)αk的值較小時(shí),權(quán)重值變化較快;當(dāng)αk的值較大時(shí),權(quán)重值變化較慢。為了減弱最亮和最暗圖像對(duì)融合圖像的影響,應(yīng)為最亮圖像和最暗圖像設(shè)定較大的αk。經(jīng)過實(shí)驗(yàn),αk取(1,0.1,0.1,0.1,1)時(shí)效果最好。

2　基于亮色分離和梯度金字塔的HRD圖像生成方法

2.1　基于PCA變換的多曝光LDR圖像獲取

本文提出用PCA變換提取圖像亮度成分,結(jié)合改進(jìn)的S曲線全局映射和改進(jìn)的Retinex色調(diào)映射算法獲取多曝光LDR圖像,獲取過程如圖2所示。

圖2　基于PCA變換的多曝光LDR圖像獲取過程示意圖

(1)PCA變換提取亮度圖像。PCA變換能夠完美地去除自然圖像亮度和色度之間的相關(guān)性,降低由亮度變動(dòng)引起的色差,進(jìn)而防止光暈和泛灰現(xiàn)象。本文采用PCA變換算法[10],對(duì)輸入LDR彩色圖像I進(jìn)行PCA變換,將變換后的第一主成分作為亮度圖像。

(2)改進(jìn)的S曲線映射。常用于調(diào)整亮度的色調(diào)映射曲線包括線性曲線、γ曲線和S曲線。其中,S曲線更符合視覺系統(tǒng)早期階段的全局自適應(yīng)特性。利用1.1節(jié)改進(jìn)的S曲線對(duì)PCA變換后的亮度圖像進(jìn)行全局映射,得到(i,j)位置處的亮度值L(i,j)。

(3)基于Retinex的局部自適應(yīng)濾波。經(jīng)過全局處理后的圖像細(xì)節(jié)及清晰度并不是很高。本文使用基于Retinex的色調(diào)映射算法,通過局部自適應(yīng)地改變?yōu)V波器的形狀使之與高對(duì)比度邊緣匹配,從而消除光暈現(xiàn)象[10]。基于Retinex的局部自適應(yīng)濾波后的亮度值為

Lad(i,j)=log(L(i,j))-β(i,j)log(mask(i,j))

(3)

式中:Lad(i,j)表示(i,j)位置處經(jīng)過Retinex局部自適應(yīng)濾波后的亮度值;L(i,j)表示位置在(i,j)處的經(jīng)過改進(jìn)的S曲線映射后的亮度值,為浮點(diǎn)型數(shù)據(jù),范圍為[0,1]。為了進(jìn)行對(duì)數(shù)運(yùn)算,先將L(i,j)范圍擴(kuò)展到[0.01,100],然后再將對(duì)數(shù)編碼后的L(i,j)縮小到[0,1],計(jì)算公式如下

(4)

本文采用(i,j)位置處像素點(diǎn)來衡量掩模的權(quán)重,其基于sigmoid函數(shù)的計(jì)算公式為

(5)

式(5)可以讓中間亮度值不受約束地變化,對(duì)于高強(qiáng)度像素,(i,j)處像素點(diǎn)的掩模會(huì)被一個(gè)接近0的值進(jìn)行加權(quán)。低強(qiáng)度像素會(huì)被一個(gè)接近1的值進(jìn)行加權(quán)。

對(duì)于每一個(gè)像素來說,濾波器是不同的,所以不能使用卷積的方法。本文通過自適應(yīng)地改變?yōu)V波器的形狀使明亮區(qū)域?qū)ο噜彴档瓍^(qū)域的影響減小,從而消除光暈。掩模采用下面公式計(jì)算

(6)

式中:mask(i,j)為(i,j)處像素點(diǎn)的掩模;θ表示徑向角度;d表示與中心像素的距離;σθ,d的定義如下

(7)

mask(i,j)以徑向方式連續(xù)地選擇像素。首先,第一個(gè)像素即為(i,j)處的中心像素;然后,沿徑向方向的所有像素進(jìn)行累加,將空間常數(shù)為σ0的高斯函數(shù)作為加權(quán)函數(shù),如果一個(gè)邊緣沿著徑向方向跨過,σθ,d會(huì)取值為相對(duì)較小的σ1,并會(huì)保持這一值直至d=dmax,其中dmax=3σ0;不斷對(duì)每個(gè)方向的像素進(jìn)行加權(quán)和,直到環(huán)繞完成。對(duì)于新的徑向方向,σθ,d重置為初始值σ0。像素的權(quán)重會(huì)被權(quán)重和歸一化,即使該像素被邊緣環(huán)繞,也能保證每一個(gè)像素的掩膜是同等效果。σ0和σ1的值由圖像的尺寸確定。由于篇幅限制,具體參數(shù)確定可參考文獻(xiàn)[10]。

(4)PCA逆變換。將上一步得到的亮度圖插入到輸入圖像I中,參考Wang方法[9],本文生成了5張曝光值不同的LDR圖像,記為I1,I2,I3,I4,I5。通常設(shè)置Pk=(2.4,2.1,1.8,1.4,1.2)可以規(guī)避噪聲。

2.2　權(quán)重圖的獲取

目前,廣泛使用的融合算法將對(duì)比度、飽和度與最佳曝光度作為測(cè)量因子。在此基礎(chǔ)上,本文將上述3個(gè)測(cè)量因子與亮度信息組合,構(gòu)造多曝光LDR圖像的標(biāo)量權(quán)重圖。

對(duì)2.1節(jié)中得到的多曝光LDR圖像對(duì)應(yīng)的灰度圖進(jìn)行拉普拉斯濾波,將(i,j)位置處的濾波器響應(yīng)的絕對(duì)值作為對(duì)比度測(cè)量因子[6],記為C(i,j)。計(jì)算過程如下

C(i,j)=|imfilter(g(i,j))|

(8)

式中:imfilter表示拉普拉斯濾波,g(i,j)表示LDR圖像(i,j)位置處的灰度值。

將多曝光LDR圖像(i,j)位置處R、G、B這3個(gè)色彩通道的色彩值的標(biāo)準(zhǔn)差作為飽和度測(cè)量因子[6],記為S(i,j)。飽和度的計(jì)算過程如下

(9)

式中:ΔR(i,j)、ΔG(i,j)和ΔB(i,j)分別表示紅、綠和藍(lán)分量值相對(duì)于均值μ(i,j)的偏差;R(i,j)、G(i,j)和B(i,j)分別表示3個(gè)顏色通道的值;μ(i,j)表示R(i,j)、G(i,j)和B(i,j)分量的平均值。

使用高斯曲線來衡量多曝光LDR圖像的R、G和B通道(i,j)位置處像素值距離0.5的遠(yuǎn)近程度(靠近0表示曝光不足,靠近1表示曝光過度)[6],然后將3個(gè)通道的結(jié)果相乘得到曝光度因子Ex(i,j),計(jì)算公式為

(10)

式中:Lexp,R(i,j)、Lexp,G(i,j)和Lexp,B(i,j)分別表示第k張LDR圖像的R(i,j)、G(i,j)和B(i,j)分量經(jīng)過高斯曲線處理后的曝光值;σ為標(biāo)準(zhǔn)差,根據(jù)文獻(xiàn)[6],σ取值為0.2。

亮度測(cè)量因子的計(jì)算過程為:首先,得到多曝光LDR圖像對(duì)應(yīng)的亮度圖像;然后,利用1.2節(jié)的亮度信息權(quán)重函數(shù)來獲取第k幅圖像(i,j)位置處的實(shí)際亮度信息Lad(i,j)。

由4個(gè)測(cè)量因子得到LDR圖像標(biāo)量權(quán)重的計(jì)算公式為

W(i,j)=

(C(i,j))ωC(S(i,j))ωS(Ex(i,j))ωE(Lad(i,j))ωL

(11)

式中:W(i,j)表示(i,j)位置處的標(biāo)量權(quán)重值;ωC、ωS、ωE和ωL分別用來控制對(duì)比度測(cè)量因子C(i,j)、飽和度測(cè)量因子S(i,j)、曝光度測(cè)量因子Ex(i,j)以及亮度測(cè)量因子Lad(i,j)對(duì)標(biāo)量權(quán)重圖W(i,j)的影響程度。如果指數(shù)ω等于0,則沒有考慮相應(yīng)的度量因子。參考Mertens等人提出的算法[6],文中使用的圖片都是由JPEG編碼生成的,伽馬校正和相機(jī)的響應(yīng)曲線都是未知的。因此,本方法采用同樣的加權(quán)質(zhì)量度量ωC=ωS=ωE=1。亮度信息Lad(i,j)的取值范圍為[0,1]。通過實(shí)驗(yàn)發(fā)現(xiàn),ωL的取值越小,融合后圖像的亮度范圍越小,不能很好地實(shí)現(xiàn)HDR圖像顯示更高動(dòng)態(tài)范圍亮度的目標(biāo)。因此,為保證融合生成的HDR圖像有較高的亮度范圍,本文將ωL設(shè)為1。

對(duì)式(11)進(jìn)行歸一化,得到第k張多曝光LDR圖像在(i,j)位置處的權(quán)重值為

(12)

2.3　基于梯度金字塔的HDR圖像融合過程

(13)

3　實(shí)驗(yàn)結(jié)果與分析

3.1　基于PCA變換的多曝光LDR圖像獲取實(shí)驗(yàn)

本實(shí)驗(yàn)使用的CCD數(shù)碼相機(jī)型號(hào)為佳能PowerShot Pro90 IS,該款相機(jī)能夠還原較高的亮度動(dòng)態(tài)范圍。通過調(diào)整光圈和快門,獲取曝光良好的LDR圖像。用基于S型曲線的色調(diào)映射算法和本文提出的基于PCA變換的多曝光LDR圖像獲取方法分別對(duì)同一幅LDR圖像進(jìn)行處理,生成多幅曝光值不同的LDR圖像,如圖3所示。

(a)基于S型曲線的色調(diào)映射算法[9]

(b)本文提出的色調(diào)映射算法圖3　兩種色調(diào)映射算法對(duì)同一幅LDR圖像的處理結(jié)果對(duì)比

從圖3a可以看出,基于S型曲線的色調(diào)映射處理在高亮區(qū)域容易出現(xiàn)光暈現(xiàn)象,生成的LDR圖像較為模糊,如圖3a第5張圖像的窗戶邊緣模糊;低對(duì)比度區(qū)域容易出現(xiàn)泛灰,如圖3a第1張圖像,樹邊緣很模糊,天空顏色泛灰。本文提出的方法,利用PCA變換去除亮度和色度之間的相關(guān)性,降低由于亮度變動(dòng)引起的色差;使用改進(jìn)S曲線實(shí)現(xiàn)亮度圖像動(dòng)態(tài)范圍的首次壓縮;用改進(jìn)的Retinex色調(diào)映射算法來消除光暈。從圖3b可以看出,第1張圖像的樹邊緣清晰,天空顏色也較飽和;第5張圖像保留了窗戶細(xì)節(jié),且動(dòng)態(tài)范圍較高。因而,本方法獲取的多曝光LDR圖像不僅能獲得較高的動(dòng)態(tài)范圍,而且能夠有效規(guī)避光暈和泛灰。

3.2　改進(jìn)的梯度金字塔融合生成HDR實(shí)驗(yàn)

本實(shí)驗(yàn)使用圖4所示的曝光度良好的LDR圖像,參考HDR圖像是由Photomatix生成的,如圖5所示,Photomatix是采用多曝光融合技術(shù)生成HDR圖像的工具軟件。使用的電腦為64 bit操作系統(tǒng),處理器為Intel(R) Core(TM) i5-6500 CPU @ 3.20 GHz,內(nèi)存為8.00 GB,顯示器是分辨率為1920×1080像素的BENQ GW2270-T;使用軟件為MATLAB R2015b。

(a)建筑 (b)教堂 (c)廚房

(d)窗外 (e)書房 (f)書桌圖4　LDR圖像

(a)建筑 (b)教堂 (c)廚房

(d)窗外 (e)書房 (f)書桌圖5　Photomatix生成的HDR圖像

(a)拉普拉斯算法　(b)梯度算法　(c)改進(jìn)的梯度算法圖6　3種基于金字塔的融合算法實(shí)驗(yàn)結(jié)果

用2.1節(jié)方法處理圖4的LDR圖像,獲得多幅曝光值不同的LDR圖像,然后分別用拉普拉斯金字塔融合算法、梯度金字塔融合算法及本文提出的改進(jìn)梯度金字塔融合算法來生成HDR圖像。實(shí)驗(yàn)結(jié)果如圖6所示。與原LDR圖像對(duì)比,上述3種算法都較好地展現(xiàn)了原始場(chǎng)景。如圖6a所示,拉普拉斯金字塔融合算法的多分辨率和多尺度特性,生成的HDR圖像能夠有效地規(guī)避光暈,保留圖像細(xì)節(jié)。圖6b中,由梯度金字塔生成的HDR圖像與圖6a對(duì)應(yīng)的HDR圖像相比,更加充分地展示了圖像的紋理和邊緣信息。本文改進(jìn)的梯度金字塔融合算法,引入亮度高斯函數(shù),生成的HDR圖像,如圖6c所示,相比另外兩種算法,進(jìn)一步提高了圖像對(duì)比度,亮暗區(qū)域更加分明且邊緣細(xì)節(jié)更加清晰。因此,本文提出的改進(jìn)梯度金字塔融合算法,對(duì)不同場(chǎng)景下的圖像都能取得較理想的效果,具有較好的魯棒性和實(shí)用性。

采用高動(dòng)態(tài)范圍圖像可見差異預(yù)測(cè)2.2方法(High Dynamic Range Visible Difference Predictor,HDR-VDP-2.2)[12]和Deng等人提出的相對(duì)熵模型[13],對(duì)本文提出的融合方法、拉普拉斯和梯度金字塔融合方法進(jìn)行客觀質(zhì)量評(píng)價(jià)。HDR-VDP-2.2的統(tǒng)計(jì)評(píng)價(jià)是基于測(cè)試HDR圖像和參考HDR圖像,當(dāng)視覺差異大于75%時(shí)其圖像像素分布概率結(jié)果如表1所示。用相對(duì)熵模型評(píng)價(jià)圖像的局部對(duì)比度,平均相對(duì)熵與噪聲程度比值(用符號(hào)ξ表示)越大,則該方法合成的圖像質(zhì)量越高[13],結(jié)果如表2所示。

表1　視覺差異大于75%時(shí)圖像像素分布概率

從表1的數(shù)據(jù)來看:在視覺差異概率大于75%時(shí),由拉普拉斯金字塔、梯度金字塔和本文提出的改進(jìn)梯度金字塔算法融合生成的HDR圖像與參考HDR圖像的平均像素分布概率分別為16.94%、36.85%和6.1%;對(duì)于窗外和書房?jī)蓚€(gè)場(chǎng)景,由于涉及屋內(nèi)和屋外環(huán)境,亮度范圍差異較大,從而由單幅LDR圖像生成的多幅LDR曝光圖像差異較大,因此利用3種融合方法生成的HDR圖像效果較好,并且由于原始LDR圖像具有門窗等結(jié)構(gòu)度較強(qiáng)的信息,所以無梯度信息的拉普拉斯方法融合效果較好,但與本文所提算法相比,效果差異很小;3種算法中,本文所提融合算法對(duì)建筑圖像的合成效果最好,和梯度算法相比,其圖像像素分布概率降低了55.47%,降低率為98.96%。

表2　3種算法的平均相對(duì)熵與噪聲程度比值

從表2可看出,本文算法的ξ與拉普拉斯金字塔和梯度金字塔算法相比,ξ分別提高了0.542 1和0.508 9,說明本文方法合成的HDR圖像信息損失更小,合成效果較好。

單次運(yùn)行時(shí)間能夠體現(xiàn)算法的復(fù)雜度。使用2.1節(jié)的方法獲取多曝光LDR圖像,對(duì)3種金字塔融合算法的運(yùn)行時(shí)間進(jìn)行測(cè)量,結(jié)果如表3所示。

表3　3種融合算法的運(yùn)行時(shí)間對(duì)比

從表3中看出,對(duì)于不同尺寸的圖像,本文提出的改進(jìn)梯度金字塔,因?yàn)橐肓肆炼葴y(cè)量因子,導(dǎo)致運(yùn)行時(shí)間相對(duì)較長(zhǎng)。下一步工作應(yīng)研究降低運(yùn)算復(fù)雜度,規(guī)范代碼,減少算法運(yùn)行時(shí)間。

4　結(jié)　論

本文提出一種基于單曝光LDR圖像的HDR圖像生成方法。首先利用改進(jìn)的S曲線全局映射算法和基于Retinex的自適應(yīng)濾波算法對(duì)PCA變換后的亮度圖像進(jìn)行處理,并結(jié)合PCA逆變換獲取多曝光LDR圖像;其次利用多曝光LDR圖像的對(duì)比度、飽和度、曝光度和亮度信息構(gòu)造標(biāo)量權(quán)重圖;最后利用梯度金字塔生成HDR圖像。實(shí)驗(yàn)結(jié)果表明,本文方法生成的多曝光LDR圖像能有效地規(guī)避光暈和泛灰,融合生成的HDR圖像亮暗區(qū)域分明且細(xì)節(jié)豐富。總體來講,本文提出的方法能夠較好地保留真實(shí)場(chǎng)景的亮度動(dòng)態(tài)范圍特性,具有一定的參考價(jià)值。

參考文獻(xiàn):

[1]MANN S, PICARD R W. On being ‘undigital’ with digital cameras: extending dynamic range by combining differently exposed pictures [C]∥Proceedings of the 1995 IS & I’s 48th Annual Conference. Springfield, VA, USA: Society for Imaging Science and Technology, 1995: 442-448.

[2]GOSHTASBY A. Fusion of multi-exposure images [J]. Image & Vision Computing, 2005, 23(6): 611-618.

[3]ZWISLOCKI J, HELLMAN R P. On the “psychophysical law” [J]. The Journal of the Acoustical Society of America, 1960, 32(7): 924-924.

[4]TUMBLIN J, RUSHMEIER H. Tone reproduction for realistic images [J]. IEEE Computer Graphics and Applications, 1993, 13(6): 42-48.

[5]方華猛, 易本順, 趙繼勇. 基于主成分分析和引導(dǎo)濾波的色調(diào)映射算法 [J]. 光電子·激光, 2014, 25(12): 2423-2429.

FANG Huameng, YI Benshun, ZHAO Jiyong. A tone mapping algorithm based on PCA and guided filter [J]. Journal of Optoelectronics·Laser, 2014, 25(12): 2423-2429.

[6]MERTENS T, KAUTZ J, VAN REETH F. Exposure fusion: a simple and practical alternative to high dynamic range photography [J]. Computer Graphics Forum, 2009, 28(1): 161-171.

[7]SHEN Jianbin, ZHAO Ying, YAN Shuicheng, et al. Exposure fusion using boosting Laplacian pyramid [J]. IEEE Transactions on Cybernetics, 2014, 44(9): 1579-1590.

[8]QIN Xiameng, SHEN Jianbin, MAO Xiaoyang, et al. Robust match fusion using optimization [J]. IEEE Transactions on Cybernetics, 2015, 45(8): 1549-1560.

[9]WANG T H, CHIU C W, WU W C, et al. Pseudo multiple exposure-based tone fusion with local region adjustment [J]. IEEE Transactions on Multimedia, 2015, 17(4): 470-484.

[10] MEYLAN L, SUSSTRUNK S. High dynamic range image rendering with a Retinex-based adaptive filter [J]. IEEE Transactions on Image Processing, 2006, 15(9): 2820-2830.

[11] 李建林, 俞建成, 孫勝利. 基于梯度金字塔圖像融合的研究 [J]. 科學(xué)技術(shù)與工程, 2007, 7(22): 5818-5822.

LI Jianlin, YU Jiancheng, SUN Shengli. The image fusion based on gradient pyramid [J]. Science Technology and Engineering, 2007, 7(22): 5818-5822.

[12] NARWARIA M, MANTIUK R, CALLET P L. HDR-VDP-2.2: a calibrated method for objective quality prediction of high-dynamic range and standard images [J]. Journal of Electronic Imaging, 2015, 24(1): 010501.

[13] DENG G. An entropy interpretation of the logarithmic image processing model with application to contrast enhancement [J]. IEEE Transactions on Image Processing, 2009, 18(5): 1135-1140.