基于相机阵列的高动态范围图像合成方法

针对传统的高动态范围图像合成方法不能适应动态光照的问题, 提出了基于相机阵列的不同曝光的多幅图像的配准及高动态范围图像合成方法。首先利用相机阵列获取不同曝光图像, 结合相机阵列标定参数, 采用光场合成孔径理论对图像进行配准, 并对配准后的图像作中值位图进行二次配准。根据拟合出的各相机的光照响应曲线, 进而将二次配准后的不同曝光的图像合成为一幅高动态范围图像。实验表明, 该方法可以有效地在动态光照下合成高动态范围图像, 取得了不错的效果。     

基于SURF特征的高动态范围图像配准算法

同一场景的多曝光图像序列被广泛的应用于高动态范围图像（HighDynamicRangeImage）的合成中。但是,在多曝光图像序列的采集过程中,相机抖动、场景运动等因素会对合成图像的质量产生较大的影响。此外,离镜头较近的大目标往往由于显著的三维形状,在序列图中产生较大的视差效应,也会对合成图像产生消极影响。该文提出一种基于SURF特征点的三维图像配准算法,实验证明该算法在近距离大目标情形下较之传统配准算法MTB（MeanThresholdBitmap,均值二值化）可以获得更好效果。     

HDRI合成中新的相机响应曲线算法

详细介绍了基于同一场景不同曝光量图像序列的高动态范围图像合成过程;针对现有拟合的相机响应曲线随采样点的变化曲线变化大、不稳定等特点,提出一种新的相机响应曲线算法.该算法先根据图像序列成像特点对图像序列去噪;采用最小二乘法拟合出图像序列像素值关系曲线;利用该曲线再一次采用最小二乘法拟合得到相机响应曲线.实验结果表明,该技术拟合出的相机响应曲线比较平滑,能合成出高质量的高动态范围图像.     

基于灰度级映射函数建模的多曝光高动态图像重建

为解决传统多曝光图像融合的实时性和动态场景鬼影消除问题,提出了基于灰度级映射函数建模的多曝光高动态图像重建算法。对任意大小的低动态范围（Low dynamic range,LDR）图像序列,仅需拟合与灰阶数目相同个数而不是与相机分辨率个数相同的视觉适应的S形曲线,利用最佳成像值判别方法直接融合,提高了算法的融合效率,能够达到实时性图像融合要求。对动态场景的融合,设计灰度级映射关系恢复理想状态的多曝光图像,利用差分法检测运动目标区域,作鬼影消除处理,融合得到一幅能够反映真实场景信息且不受鬼影影响的高动态范围图像。     

基于Retinex理论的多曝光图像融合算法

多曝光图像融合技术是将一组场景相同但曝光程度不同的图像序列直接融合成为一幅含有更多场景细节信息的高质量图像。针对现有算法局部对比度差和色彩失真的问题，结合Retinex理论模型提出了一种新的多曝光图像融合算法。首先，基于Retinex理论模型，利用光照估计算法将曝光序列图像分为入射光分量序列和反射光分量序列，然后分别采用不同的融合方法对这两组序列进行处理。对于入射光分量，要保证场景的全局亮度的变化特性并且削弱过曝光和欠曝光区域的影响；而对于反射光分量，要采用适度曝光的评价参数来更好地保留场景的色彩及细节信息。分别从主观和客观两方面对所提算法进行了分析。实验结果表明，同传统基于图像域合成的算法相比，该算法在结构相似度（SSIM）上平均提升了1.7%，另外在图像色彩和局部细节上的处理效果更好。     

基于相机响应曲线的高动态范围图像融合

高动态范围成像技术由于能够更加真实地再现成像目标及周围场景,在军事、航天等领域具有重要的研究价值。首先利用佳能1DC针对同一场景拍摄不同曝光量的序列图像,通过推导计算获得彩色图像各通道的相机响应曲线;然后通过建立图像灰度值与辐照度之间的照度映射获得一幅高动态范围的辐照度图像;其次利用基于双边滤波色调映射算法对获得的高动态范围图像进行压缩;最后通过基于镜面反射白平衡算法对图像进行色彩校正,从而获得拍摄场景的高动态范围图像。抽取不同帧数的实验拍摄图像对所提算法进行有效性验证,通过实验结果分析该算法实现高动态范围图像融合所需最少图像帧数为4帧。     

利用多曝光对图像进行动态范围增强

当实际场景的明暗动态范围比电子成像器件所能记录的范围更大时，照片就会有曝光过度或者曝光不足的区域，造成高亮或阴暗处细节的损失。本文提出了一种基于多曝光的图像增强方法。该方法通过对同一场景拍摄一组不同曝光度的图像，依据相机响应曲线性质对不同曝光量的图像分块进行信息量的衡量，选取包含信息最丰富的图块进行拼合，再利用一定的融合函数消除图块间的块效应，得到最终的增强图像。实验证明，该方法简单有效，图像增强后高亮与阴暗处的细节都能很好地呈现在一幅图像中，整体效果自然，对噪点控制较好，无明显光晕现象。     

一种图像拼接新方法

0 引言: 图像拼接技技术是将一组相互间重叠部分的图像序列进行空间匹配对准,经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术.图像配准是图像拼接的基础.     

基于三次样条插值的高动态范围成像方法

针对由传统的相机响应函数标定法合成的高动态范围图像质量较差的问题,提出一种有效的高动态范围成像算法.首先根据多曝光图像灰度变化的特点,通过三次样条插值将相机响应函数标定问题转化为求解一个线性三对角线性方程组;然后根据拍摄场景动态范围的变化情况,通过手动调整曝光的方式使多曝光图像大部分像素的正序或倒序的灰度变化趋于恒定,再通过逐点递推的方式求出三次样条函数各离散端点的二阶导数,拟合出相机响应曲线;最后根据已选定的基准点并结合已标定的相机响应曲线恢复出单位曝光度下像素对应的曝光时间,即真实的亮度辐射值.实验结果表明,三次样条插值能够有效地提高图像的局部细节以及图像整体的清晰度,递推法简化了求解线性方程组烦琐的计算步骤,降低了算法的整体运算时间.     

基于最优曝光的最小包围曝光集合获取方法

针对传统的基于多曝光的高动态范围成像方法存在冗余信息多、总曝光时间长的不足,提出一种基于最优曝光的最小包围曝光集合的获取方法.利用目标相机可捕获最大曝光到最小曝光的图像序列,计算出目标相机的辐射域动态范围,并以此作为目标相机基准;在实际多曝光捕获时,只需计算目标场景最优曝光图像的动态范围,以及目标场景最小、最大辐照度,即可得到目标场景的基于最优曝光的最小包围曝光集合.利用典型的高动态范围场景对不同集合合成的高动态范围图像进行实验的结果表明,该方法在保证所获得高动态范围图像质量的前提下,相比传统的包围曝光集合获取方法,可有效地减少高动态范围成像所需低动态范围图像的数量,降低多曝光图像集合总捕获时间,节省存储空间.     

Target based image fusion using multi-scale feature selection in three regions

Image captured by low dynamic range (LDR) camera fails to capture entire exposure level of scene, and instead only covers certain range of exposures. In order to cover entire exposure level in single image, bracketed exposure LDR images are combined. The range of exposures in different images results in information loss in certain regions. These regions need to be addressed and based on this motive a novel methodology of layer based fusion is proposed to generate high dynamic range image. High and low-frequency layers are formed by dividing each image based on pixel intensity variations. The regions are identified based on information loss section created in differently exposed images. High-frequency layers are combined using region based fusion with Dense SIFT which is used as activity level testing measure. Low-frequency layers are combined using weighted sum. Finally combined high and low-frequency layers are merged together on pixel to pixel basis to synthesize fused image. Objective analysis is performed to compare the quality of proposed method with state-of-the-art. The measures indicate superiority of the proposed method.

     

不同曝光值图像的直接融合方法

提出了一种直接从同一场景多次不同曝光值下成像的LDR(low dynamic range)图像序列中提取每个像素位置最佳成像信息的图像融合方法,可以在无需任何拍摄相机参数及场景先验信息的情况下,快速合成适合在常规设备上显示的HDR(high dynamic range)图像.该方法利用特殊设计的鲁棒性曲线拟合算法建立LDR图像序列中每个像素位置像素值曲线的数学模型,并由此给出评价单个像素成像时曝光合适程度的标准和融合最佳成像像素信息的方法.对不同场景的大量实验结果显示,该方法的计算结果与传统HDR成像技术经过复杂的HDR重建和色调映射计算后得到的结果相当,但具有更高的计算效率,并同时对图像噪声、相机微小移动和运动目标的影响具有较好的鲁棒性.     

基于曝光融合的单幅图像去雾算法

针对雾霾等恶劣天气导致户外图像降质的问题,设计了一种简单、高效的图像去雾算法。首先通过空域高通滤波对降质图像进行处理,达到压制低频分量、增强图像边缘细节的目的;然后,对滤波后的图像进行空间线性对比度拉伸,增强图像的对比度;最后通过拉普拉斯金字塔的多曝光图像融合方法,将滤波结果与对比度拉伸结果进行融合,得到最终的去雾图像。实验结果表明,所提算法实时性较高,对雾霾、沙尘、水下等降质图像均有较好的增强效果。     

基于视觉传达的多帧图像特征目标跟踪仿真

针对当前方法提取的多帧图像目标特征精度较差,导致多帧图像特征目标跟踪准确率较低、跟踪时间较长的问题,提出了基于视觉传达的多帧图像特征目标跟踪方法。采用稀疏表示方法采集多帧图像目标特征,利用高斯分布构建图像运动模型,小波分析多帧图像灰度及细节特征,根据灰度投影法提取多帧图像目标特征,并匹配多帧图像特征点,获取多帧图像轮廓轨迹追踪目标,运用图像运动目标状态模型,求解前景轮廓的目标函数权重,实现多帧图像特征目标跟踪。实验结果表明,所提方法提取的多帧图像目标特征精度较好,能够有效降低多帧图像特征目标跟踪时间,提高多帧图像特征目标跟踪准确率。     

全细节增强多曝光图像融合

目的 曝光融合算法,即将多幅不同曝光时间的图像融合得到一幅曝光度良好的图像,可能在最终的输出图像中引入光晕伪影、边缘模糊和细节丢失等问题。针对曝光融合过程中存在的上述问题,本文从细节增强原理出发提出了一种全细节增强的曝光融合算法。方法 在分析了光晕现象产生原因的基础上,从聚合的新角度对经典引导滤波进行改进,明显改善引导滤波器的保边特性,从而有效去除或减小光晕;用该改进引导滤波器提取不同曝光图像的细节信息,并依据曝光良好度将多幅细节图融合得到拍摄场景的全细节信息;将提取、融合得到的全细节信息整合到由经典曝光融合算法得到的初步融合图像上,最终输出一幅全细节增强后的融合图像。结果 实验选取17组多曝光高质量图像作为输入图像序列,本文算法相较于其他算法得到的融合图像边缘保持较好,融合自然;从客观指标看,本文算法在信息熵、互信息与平均梯度等指标上都较其他融合算法有所提升。以本文17组图像的平均结果来看,本文算法相较于经典的拉普拉斯金字塔融合算法在信息熵上提升了14.13%,在互信息熵上提升了0.03%,在平均梯度上提升了16.45%。结论 提出的全细节增强的曝光融合算法将加权聚合引导滤波用于计算多曝光序列图像的细节信息,并将该细节信息融合到经典曝光融合算法所得到的一幅中间图像之上,从而得到最终的融合图像。本文的处理方法使最终融合图像包含更多细节,降低或避免了光晕及梯度翻转等现象,且最终输出图像的视觉效果更加优秀。     

基于高动态图像算法的相位轮廓法

物体表面为镜面反射材质或是颜色对比明显时,传统的相位轮廓法就会产生一定误差。提出用高动态光栅变形图像来代替传统的光栅变形图像,使用不同曝光时间的图像合成高动态图像,高动态图像算法同时保留了高光区域的变化信息和暗色区域的变化信息。最后,进行了实验测试,结果表明,基于高动态图像算法的相位轮廓法具有精度高、适用范围广、硬件要求低等优点。     

一种空间面阵CCD成像的曝光时间计算方法

提出一种基于图像质量评价的空间面阵CCD相机成像最佳曝光时间的自动计算方法。在对静止卫星CCD成像链路仿真的基础 上,利用改进的图像曝光估计算法确定出指定拍摄地点和拍摄时间的空间面阵CCD相机曝光的正常范围,通过筛选的图像质量评价指标计算出相应的曝光时间。实验结果表明,该方法所得曝光时间对应的图像质量是最佳的。