朱仲杰，崔偉鋒，白永強(qiáng)，井維一，金敏紅

1.浙江萬里學(xué)院寧波市DSP重點(diǎn)實(shí)驗(yàn)室，寧波 315000；2.鄭州大學(xué)物理工程學(xué)院，鄭州 450000

0 引言

與普通圖像相比，高動(dòng)態(tài)范圍（high dynamic range，HDR）圖像可以提供更寬的動(dòng)態(tài)范圍，呈現(xiàn)更真實(shí)的自然場(chǎng)景和更逼真的視覺效果，但其無法在現(xiàn)有常規(guī)低動(dòng)態(tài)顯示設(shè)備上直接顯示（Marnerides等，2021）。色調(diào)映射（tone mapping，TM）技術(shù)可以在保留視覺效果基本不變的前提下，將HDR 圖像映射到常規(guī)低動(dòng)態(tài)顯示設(shè)備上進(jìn)行顯示，已經(jīng)在衛(wèi)星遙感、醫(yī)學(xué)成像、虛擬現(xiàn)實(shí)和數(shù)字成像等領(lǐng)域得到了廣泛的應(yīng)用（Ou 等，2022；Liu 等，2021）。但其高強(qiáng)度的場(chǎng)景亮度壓縮，極易造成場(chǎng)景信息不同程度的丟失和畸變，特別是面對(duì)復(fù)雜場(chǎng)景，經(jīng)常導(dǎo)致細(xì)節(jié)丟失、亮度失衡、邊緣光暈及色彩失真等問題，如圖1所示。因此，設(shè)計(jì)高效、魯棒的色調(diào)映射算法具有重要的研究意義和應(yīng)用價(jià)值。

圖1 色調(diào)映射常見問題Fig.1 Common problems of tone mapping algorithms（（a）detail lost（Khan et al.，2018）；（b）brightness imbalance（Jung and Xu，2017）；（c）edge halation（Liang et al.，2018）；（d）color distortion（Li et al.，2018））

根據(jù)圖像特征與處理技術(shù)的不同，現(xiàn)有色調(diào)映射方法可以分為全局算法、局部算法以及混合算法3 類（Iizuka 等，2017；Miao 等，2019）。全局色調(diào)映射對(duì)HDR 圖像中所有像素采用相同策略進(jìn)行統(tǒng)一處理，主要包括Gamma 校正、對(duì)數(shù)校正、直方圖規(guī)定化和分段灰度變換等方法（郭繼昌 等，2022）。Jung 和Xu（2017）提出了一種基于感知量化傳遞函數(shù)的極限曲線進(jìn)行圖像亮度對(duì)比度的調(diào)整。Khan 等人（2018）以人類視覺敏感度作為視覺適應(yīng)函數(shù)進(jìn)行直方圖建模，有利于減少視覺偽影。Lee 等人（2018）基于對(duì)稱視網(wǎng)膜響應(yīng)模型提出非對(duì)稱S 型曲線來增強(qiáng)全局對(duì)比度。Yang 等人（2021）提出基于積分圖像和積分直方圖的色調(diào)映射算法。這些全局算法可以保留整幅圖像的全局對(duì)比度，具有操作簡(jiǎn)單、響應(yīng)速度快等優(yōu)點(diǎn)，但其亮度范圍的高強(qiáng)度壓縮也極易導(dǎo)致出現(xiàn)對(duì)比度失衡和細(xì)節(jié)信息丟失等問題。局部映射主要考慮HDR 圖像不同區(qū)域的特征信息，著重優(yōu)化局部細(xì)節(jié)和紋理信息。Eilertsen 等人（2016）利用各項(xiàng)同性濾波器提取細(xì)節(jié)層，進(jìn)行細(xì)節(jié)優(yōu)化。Liang 等人（2018）提出L0—L1混合分解模型，分別在基礎(chǔ)層和細(xì)節(jié)層進(jìn)行亮度壓縮和細(xì)節(jié)增強(qiáng)。Farbman 等人（2008）基于加權(quán)最小二乘框架提出邊緣保持平滑算子，進(jìn)行多尺度圖像分解和邊緣優(yōu)化。Su等人（2021）利用Bicycle-GAN（generative adversarial network）網(wǎng)絡(luò)構(gòu)架多模態(tài)色調(diào)映射方法，可以得到多幅不同細(xì)節(jié)優(yōu)化的映射結(jié)果。Gu 等人（2013）對(duì)圖像分解后的3 個(gè)細(xì)節(jié)層進(jìn)行局部邊緣濾波，有效增強(qiáng)了局部細(xì)節(jié)信息。上述局部算法可以有效增強(qiáng)細(xì)節(jié)和紋理信息，但在邊緣區(qū)域會(huì)導(dǎo)致光暈現(xiàn)象，影響主觀感知。對(duì)此，部分學(xué)者綜合上述全局和局部算法的優(yōu)缺點(diǎn)，提出混合色調(diào)映射方法（Gao 等，2016；邵華和郁梅，2017），很大程度上改善了場(chǎng)景亮度和紋理細(xì)節(jié)的均衡性。但是考慮到真實(shí)場(chǎng)景亮度的波動(dòng)性和內(nèi)容的多樣性，現(xiàn)有算法仍存在不同程度的亮度失衡、細(xì)節(jié)丟失等問題。同時(shí)，現(xiàn)有算法尚未考量亮度壓縮對(duì)場(chǎng)景顏色所造成的畸變，也會(huì)直接導(dǎo)致人眼主觀感知的失真（Li等，2018）。

為此，提出一種宏微觀信息增強(qiáng)色彩校正的色調(diào)映射算法，從亮度通道和色度通道出發(fā)，分別構(gòu)建亮度感知壓縮模型和色度飽和度偏移模型?；谌祟愐曈X感知機(jī)制，將圖像從RGB 色彩空間轉(zhuǎn)換至通道相互獨(dú)立的HSV（hue，saturation，value）色彩空間，并對(duì)亮度通道和色度通道分別處理，亮度圖像壓縮時(shí)充分考慮場(chǎng)景內(nèi)容的宏觀一致性和微觀顯著性，保證壓縮后圖像亮度的整體統(tǒng)一及細(xì)節(jié)信息的完整。同時(shí)基于顏色恒常性原理，融合亮度壓縮信息自適應(yīng)調(diào)整圖像的色度飽和度，使其與壓縮后的亮度圖像相匹配，避免通道融合產(chǎn)生的顏色畸變，解決色調(diào)映射所造成的主觀色彩失真問題。

1 本文算法

本文所提色調(diào)映射算法流程如圖2 所示。首先，將高動(dòng)態(tài)范圍圖像轉(zhuǎn)化至HSV 色彩空間，進(jìn)行亮度信息與色彩信息分離。然后，亮度圖像經(jīng)過加權(quán)引導(dǎo)濾波器分離并得到基礎(chǔ)層和細(xì)節(jié)層（He 等，2013）。基礎(chǔ)層結(jié)合宏觀統(tǒng)計(jì)信息進(jìn)行宏觀亮度壓縮，細(xì)節(jié)層結(jié)合提取的顯著性區(qū)域進(jìn)行微觀細(xì)節(jié)增強(qiáng)。同時(shí)，基于顏色恒常性理論（Agarwal 等，2006；Barnard 等，2002），色彩信息結(jié)合亮度壓縮圖像統(tǒng)計(jì)信息的變化，自適應(yīng)調(diào)節(jié)色度飽和度。最后，處理后的亮度信息與色彩信息融合，得到期望的低動(dòng)態(tài)范圍（low dynamic range，LDR）圖像。

圖2 本文算法流程圖Fig.2 Proposed algorithm flow chart

1.1 色彩空間轉(zhuǎn)換

計(jì)算機(jī)顯示器采用的顏色模型通常為RGB 三基色模型，紅、綠、藍(lán)3 個(gè)分量相關(guān)度較高，直接處理易導(dǎo)致圖像色彩的失真。本文將圖像轉(zhuǎn)換到HSV色彩空間，通過色調(diào)、飽和度和亮度3 個(gè)分量表征圖像，亮度信息與色彩信息分離并行處理，避免圖像色彩失真（Manchanda和Sharma，2017）。

1.2 亮度壓縮處理

如圖2 所示，在亮度通道，設(shè)計(jì)了宏觀亮度一致性和微觀顯著性的亮度感知壓縮模型，通過加權(quán)引導(dǎo)濾波器將亮度圖像分解為基礎(chǔ)層和細(xì)節(jié)層，一方面通過統(tǒng)計(jì)信息對(duì)基礎(chǔ)層進(jìn)行宏觀壓縮；另一方面通過顯著性區(qū)域?qū)?xì)節(jié)層進(jìn)行微觀增強(qiáng)；最后，將處理后的基礎(chǔ)層和細(xì)節(jié)層圖像融合為壓縮后的亮度圖像。

1.2.1 亮度圖像分解

基于人眼注意力機(jī)制（Li等，2010），圖像的邊緣應(yīng)該給與更多的關(guān)注，本文利用加權(quán)引導(dǎo)濾波器將亮度圖像分解為基礎(chǔ)層和細(xì)節(jié)層。

式中，F(xiàn)表示加權(quán)引導(dǎo)濾波函數(shù)，Vb表示濾波后的基礎(chǔ)層圖像，VG表示引導(dǎo)圖像，VHDR為輸入亮度圖像，T表示圖像各個(gè)像素點(diǎn)的權(quán)重值，此外細(xì)節(jié)層Vd由亮度圖像減去基礎(chǔ)層得到。

式中，N為總像素?cái)?shù)，σ是確保分母不為零而設(shè)的微小常數(shù)10-6。

1.2.2 宏觀壓縮基礎(chǔ)層

圖像基礎(chǔ)層包含了大量的背景及結(jié)構(gòu)信息，基于場(chǎng)景

亮度一致性，利用限制對(duì)比度自適應(yīng)直方圖均衡化（Hana 和Maulida，2021），對(duì)亮度圖像進(jìn)行宏觀信息統(tǒng)計(jì)并壓縮基礎(chǔ)層，降低圖像亮度對(duì)比度，削弱圖像噪聲影響，確保整體場(chǎng)景及結(jié)構(gòu)信息的完整性與真實(shí)性。

式中，VG是宏觀處理后的亮度圖像為亮度圖像平均亮度值，NL表示低于平均亮度值的像素個(gè)數(shù)，α，β，γ是可變參數(shù)，經(jīng)過大量實(shí)驗(yàn)，本文分別設(shè)定為0.741 9、-0.142、0.59。

由最小可查覺誤差（just noticeable difference，JND）試驗(yàn)可知（Larson 等，1997），人類視覺系統(tǒng)對(duì)圖像亮度感知可以近似用對(duì)數(shù)函數(shù)表達(dá)，從而對(duì)基礎(chǔ)層Vb進(jìn)行對(duì)數(shù)變換。基于場(chǎng)景亮度一致性，結(jié)合統(tǒng)計(jì)信息對(duì)基礎(chǔ)層Vb進(jìn)行亮度感知壓縮，降低整體亮度對(duì)比度，得到壓縮后的基礎(chǔ)層。具體為

1.2.3 微觀顯著性增強(qiáng)細(xì)節(jié)層

細(xì)節(jié)層包含大量的紋理和細(xì)節(jié)信息，本文采用自下而上（Lu等，2014）的機(jī)制來提取HDR圖像的顯著性區(qū)域?qū)?xì)節(jié)層增強(qiáng)（李明旭和翟東海，2020）。利用灰度共生矩陣提取HDR 圖像的顯著性區(qū)域（Lu和Lin，2012），圖像共生矩陣H定義為

式中，H是一個(gè)大小為K×K的方陣，本文設(shè)定量化等級(jí)K=20，鄰域半徑r=4，H（m，n）是灰度值m、n在窗口（2r+1，2r+1）共生計(jì)數(shù)的統(tǒng)計(jì)值，對(duì)矩陣H歸一化得到概率質(zhì)量函數(shù)P，像素p點(diǎn)的視覺顯著性S（p）是由反向的概率質(zhì)量函數(shù)計(jì)算得出，具體為

基于人眼視覺注意力機(jī)制（趙興運(yùn)和孫幫勇，2022）對(duì)細(xì)節(jié)層所包含的顯著區(qū)域和非顯著區(qū)域進(jìn)行了不同處理，增強(qiáng)顯著區(qū)域的紋理信息，對(duì)非顯著區(qū)域進(jìn)行細(xì)節(jié)保留（何偉和潘晨，2022）。

式中，θ1和θ2為縮放因子，據(jù)經(jīng)驗(yàn)設(shè)置θ1=0.17，θ2=1.5。將經(jīng)過壓縮后的基礎(chǔ)層和增強(qiáng)后的細(xì)節(jié)層指數(shù)融合，得到處理后的亮度圖像VLDR。具體為

圖3 為亮度通道圖像。其中，圖3（a）為亮度圖像分解得到的基礎(chǔ)層圖像，圖3（b）為亮度圖像分解得到的細(xì)節(jié)層圖像，圖3（c）為亮度圖像的顯著性區(qū)域，圖3（d）為經(jīng)過處理后的亮度壓縮圖像。

圖3 亮度通道圖像Fig.3 Brightness domain images（（a）base layer；（b）detail layer；（c）salient region；（d）compressed brightness image）

1.3 飽和度校正

當(dāng)照射物體表面的顏色光發(fā)生變化時(shí)，人們對(duì)該物體表面顏色的感知仍然保持不變的視覺特性稱為顏色恒常性，它與人類的知識(shí)經(jīng)驗(yàn)及心理傾向有關(guān)。如圖4 所示，經(jīng)過相機(jī)補(bǔ)償，可以消除光照對(duì)物體顏色的影響，使物體在不同光照下仍呈現(xiàn)主觀認(rèn)知的視覺效果（Gijsenij 等，2011）。但是對(duì)于TM 而言，保持色彩的一致性需要根據(jù)TM 前后亮度變化情況對(duì)飽和度進(jìn)行主動(dòng)調(diào)整（Mantiuk等，2009）。

圖4 顏色恒常性Fig.4 Color constancy（（a）original image；（b）camera compensation image）

圖5 為不同飽和度色調(diào)映射圖像的視覺效果，很明顯，為了符合人眼的主觀色彩感知，需對(duì)TM 圖像的飽和度進(jìn)行校正。本文構(gòu)建自適應(yīng)飽和度偏移模型，通過圖像亮度壓縮統(tǒng)計(jì)信息的變化，計(jì)算圖像飽和度偏移量，自適應(yīng)調(diào)節(jié)色度飽和度。由于HDR圖像的亮度范圍遠(yuǎn)大于LDR 圖像，利用傳統(tǒng)的均值計(jì)算易造成較大誤差，本文采用圖像中值信息計(jì)算，結(jié)合宏觀統(tǒng)計(jì)信息及亮度壓縮圖像統(tǒng)計(jì)信息，計(jì)算飽和度偏移量η。具體為

圖5 不同飽和度圖像Fig.5 Different saturation images（（a）low saturation images；（b）medium saturation images；（c）high saturation images）

式中，Vmedian表示亮度圖像VLDR的中值，當(dāng)η＞0時(shí)，圖像整體偏暗，需要提高飽和度；反之，則降低圖像飽和度。最后，結(jié)合偏移量對(duì)圖像飽和度進(jìn)行校正，具體為

式中，SLDR表示校正后的飽和度通道圖像，SHDR表示原始飽和度通道圖像。

1.4 圖像融合

將經(jīng)過處理后的不同通道的圖像進(jìn)行融合，得到LDR 圖像，并轉(zhuǎn)換到RGB 色彩空間輸出顯示（馬玲和張曉輝，2014）。具體為

式中，V（VLDR）表示在亮度通道通過宏觀一致性及微觀顯著性壓縮感知模型得到的亮度圖像，S（SLDR）表示在色度通道結(jié)合亮度統(tǒng)計(jì)信息變化，通過中值模型校正的飽和度圖像，H（HLDR）表示色調(diào)保持不變的色調(diào)圖像。

2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)在Greg Ward 和Rit-mcsl 兩個(gè)數(shù)據(jù)庫上進(jìn)行，將所提算法和主流算法的實(shí)驗(yàn)結(jié)果進(jìn)行主客觀分析對(duì)比（程茹秋 等，2022）。對(duì)比算法包括Khan’s（Khan 等，2018）、Eilertsen’s（Eilertsen 等，2016）、Gu’s（Gu 等，2013）、Yang’s（Yang 等，2021）、Li’s（Li 等，2018）、Liang’s（Liang 等，2018）、Miao’s（Miao等，2019）和Fahim（Fahim和Jung，2020）。測(cè)試圖像包含181幅HDR圖像，部分信息如表1所示。

表1 部分HDR測(cè)試圖像列表Table 1 Partial HDR test image list

為了驗(yàn)證本文算法的有效性和通用性，選擇室內(nèi)外、亮暗各異的多種場(chǎng)景進(jìn)行測(cè)試，涵蓋了豐富的細(xì)節(jié)信息和明暗區(qū)域，結(jié)果分別如圖6 和圖7 所示?？梢钥闯?，在提高亮度對(duì)比度的同時(shí)，本文算法充分考慮了場(chǎng)景整體信息的真實(shí)性和細(xì)節(jié)信息的完整性，映射效果優(yōu)于目前主流算法。

圖6 不同色調(diào)映射算法的Memorial圖像Fig.6 Memorial images with different tone mapping algorithms（（a）Original image；（b）Eilertsen’s；（c）Gu’s；（d）Khan’s；（e）Li’s；（f）Liang’s；（g）Miao’s；（h）ours）

圖7 不同色調(diào)映射算法的Seaport圖像Fig.7 Seaport images with different tone mapping algorithms（（a）Original image；（b）Eilertsen’s；（c）Gu’s；（d）Khan’s；（e）Li’s；（f）Liang’s；（g）Miao’s；（h）ours）

2.1 客觀評(píng)價(jià)

采用色調(diào)映射質(zhì)量指數(shù)（tone mapping qualityindex，TMQI）對(duì)圖像進(jìn)行客觀質(zhì)量評(píng)價(jià)（Yeganeh 和Wang，2013）。TMQI分值介于0～1之間，得分越高，表示TM 后圖像質(zhì)量越好。表2 和圖8 分別為Greg Ward 數(shù)據(jù)庫10 幅HDR 圖像及Rit-mcsl 數(shù)據(jù)庫20 幅HDR 圖像測(cè)試結(jié)果。從表2 可知，通過本文算法得到TM 圖像的質(zhì)量指數(shù)分值多在0.9 以上，雖然Seaport 圖像得分較低，但與對(duì)比算法相比仍居首位。從圖8 可以更加清晰直觀地看到，本文算法的TMQI分值與對(duì)比算法相比位居前列。圖像在TM 后沒有明顯的細(xì)節(jié)信息丟失，整體信息得到極大的保留，且取得了較高的質(zhì)量，說明了本文算法的泛化性。

表2 不同圖像色調(diào)映射后TMQI得分表Table 2 TMQI value after different image tone mapping

為了進(jìn)一步驗(yàn)證算法的性能效果，對(duì)新建數(shù)據(jù)庫中所有圖像的測(cè)試結(jié)果進(jìn)行了分類統(tǒng)計(jì)。新建數(shù)據(jù)庫共有270 幅高動(dòng)態(tài)圖像，包含自然風(fēng)光、人物攝影、園林建筑和城市景觀等不同場(chǎng)景、不同動(dòng)態(tài)范圍圖像，其中157 幅是直接通過高動(dòng)態(tài)相機(jī)獲取的，113 幅是借助計(jì)算機(jī)軟件合成的。表3 為新建數(shù)據(jù)庫中所有圖像測(cè)試結(jié)果的平均得分表，包括結(jié)構(gòu)保真度、自然度和TMQI 三種不同的評(píng)價(jià)指標(biāo)。雖然本文算法在結(jié)構(gòu)保真度和自然度兩項(xiàng)指標(biāo)上未取得最高的分值，但與最高分值僅有微小差異，且高于其他主流算法5%～20%。本文算法雖然犧牲了結(jié)構(gòu)保真度和自然度的絕對(duì)分值，但取得了最高的TMQI分值，達(dá)到了整體的最優(yōu)效果。

表3 不同色調(diào)映射算法客觀評(píng)價(jià)得分表Table 3 Objective evaluation score table of different tone mapping algorithms

此外，本文算法與最新的TM 算法Yang’s（Yang等，2021）和Fahim（Fahim 和Jung，2020）進(jìn)行了對(duì)比。鑒于算法源代碼尚未公開，本文選取相同測(cè)試圖像與原文數(shù)據(jù)直接進(jìn)行對(duì)比，Yang’s 算法在Moraine2 圖像上的TMQI 分值為0.922 9，本文算法得分為0.935 7。同時(shí)，由于Fahim 算法未進(jìn)行單幅圖像測(cè)試，且測(cè)試圖像數(shù)據(jù)庫不一致，比較平均值會(huì)產(chǎn)生一定誤差，因此將對(duì)比算法的相對(duì)誤差作為評(píng)判依據(jù)。Fahim 算法比Liang’s 算法的TMQI 結(jié)果提升了2.89%，而本文算法相比Liang’s 算法的TMQI得分提升了3.93%，可知本文算法在客觀評(píng)價(jià)指標(biāo)上略優(yōu)于上述對(duì)比算法。

2.2 主觀評(píng)價(jià)

為了進(jìn)一步驗(yàn)證本文算法的性能，參考國際標(biāo)準(zhǔn)主觀平均意見值（mean opinion score，MOS）進(jìn)行主觀評(píng)價(jià)打分。具體來說，選取20名受試者，包含10名男性和10 名女性，要求用7 種方法對(duì)TM 的HDR 圖像結(jié)果進(jìn)行評(píng)分，分?jǐn)?shù)范圍從1 分（非常差）到5 分（非常好），20名受試者的平均得分統(tǒng)計(jì)如圖9所示?？梢钥闯?，本文算法得到了最高的平均分4.3 分，其余TM 算法得分分別是Eilertsen’s為 2.9 分、Gu’s為3.2 分、Khan’s 為3.8 分、Li’s 為3.4 分、Liang’s 為3.8分、Miao’s為3.6分。

圖9 主觀得分平均值統(tǒng)計(jì)圖Fig.9 Statistical chart of subjective average score

現(xiàn)有TMQI 評(píng)價(jià)算法僅考慮TM 圖像亮度通道的貢獻(xiàn)，而不考慮圖像色度通道的貢獻(xiàn)。圖10 是不同TM算法的Belgium 圖像（動(dòng)態(tài)范圍4.11），圖11是不同算法映射后的Fame圖像對(duì)比（動(dòng)態(tài)范圍4.85）。從圖10和圖11可知，本文算法在確保場(chǎng)景亮度信息不變的情況下，可以有效增強(qiáng)圖像紋理細(xì)節(jié)信息，消除邊緣光暈，保持整體場(chǎng)景信息的完整性，并避免圖像色彩失真。圖10（b）和圖11（b）展現(xiàn)了曝光不平衡導(dǎo)致的亮度失真，圖10（c）整體信息保留較完整，但在綠植邊緣存在明顯的光暈，圖11（c）細(xì)節(jié)信息得到了較好的保留，但降低了圖像的自然度，圖10（d）和圖11（d）雖然保持了圖像整體信息的完整性，但其亮度對(duì)比度失衡導(dǎo)致暗區(qū)域信息模糊，圖10（e）和圖11（e）圖像邊緣存在明顯的光暈，圖10（f）和圖10（g）室內(nèi)的盆栽存在不同程度的細(xì)節(jié)信息丟失，且由于曝光不平衡導(dǎo)致室內(nèi)物體顏色暗淡，圖11（g）圖像整體暗淡，沒有考慮飽和度的影響導(dǎo)致圖像自然度較差。相比之下，本文算法在圖像的自然性、結(jié)構(gòu)的一致性及細(xì)節(jié)紋理信息的完整性方面都取得了較好的結(jié)果。

圖10 不同TM算法的Belgium圖像（動(dòng)態(tài)范圍4.11）Fig.10 Belgium images with different TM algorithms（dynamic range 4.11）（（a）original image；（b）Eilertsen’s；（c）Gu’s；（d）Khan’s；（e）Li’s；（f）Liang’s；（g）Miao’s；（h）ours）

圖11 不同算法映射后的Fame圖像對(duì)比（動(dòng)態(tài)范圍4.85）Fig.11 Fame images with different TM algorithms（dynamic range 4.85）（（a）original image；（b）Eilertsen’s；（c）Gu’s；（d）Khan’s；（e）Li’s；（f）Liang’s；（g）Miao’s；（h）ours）

3 結(jié)論

提出了一種宏微觀信息增強(qiáng)及色彩校正的高效色調(diào)映射算法。一方面，在亮度通道構(gòu)建宏觀一致性和微觀顯著性的亮度感知壓縮模型，利用加權(quán)引導(dǎo)濾波器將亮度圖像分為基礎(chǔ)層和細(xì)節(jié)層，結(jié)合宏觀統(tǒng)計(jì)信息對(duì)基礎(chǔ)層進(jìn)行亮度感知壓縮，確保圖像背景信息和整體結(jié)構(gòu)的真實(shí)性和自然性，同時(shí)結(jié)合圖像顯著性區(qū)域?qū)?xì)節(jié)和紋理信息進(jìn)行微觀增強(qiáng)，并進(jìn)一步消除顯著性區(qū)域的光暈現(xiàn)象。另一方面，在色度通道結(jié)合圖像宏觀統(tǒng)計(jì)信息及亮度壓縮圖像的信息變化，構(gòu)建了自適應(yīng)調(diào)節(jié)圖像色度飽和度的中值偏移模型，對(duì)色度飽和度校正，有效避免TM 對(duì)圖像造成主觀色彩失真問題。實(shí)驗(yàn)結(jié)果表明，本文算法可以有效增強(qiáng)圖像的紋理細(xì)節(jié)信息，同時(shí)降低邊緣光暈并避免色彩失真，在主觀和客觀評(píng)價(jià)方面都優(yōu)于現(xiàn)有的色調(diào)映射算法，在客觀評(píng)價(jià)方面，本文算法的TMQI綜合得分達(dá)到了最高分0.862 9。在主觀評(píng)價(jià)方面也達(dá)到了最高的4.3 分。隨著高動(dòng)態(tài)攝影技術(shù)的發(fā)展，未來可以設(shè)計(jì)針對(duì)特定類型或者特定場(chǎng)景的色調(diào)映射算法，從而達(dá)到特定情景下最優(yōu)的結(jié)果。此外，隨著人工智能深度學(xué)習(xí)的日益發(fā)展，通過深度學(xué)習(xí)的方式對(duì)高動(dòng)態(tài)圖像及視頻的顯示、生成及編碼等工作將成為下一步的研究目標(biāo)。