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。     

同一场景不同曝光图像的配准及HDR图像合成

提出了一种针对同一场景不同曝光的多幅照片图像的配准、恢复光照响应曲线及高动态范围图像合成算法.首先将不同曝光的序列图像中值二值化,利用多尺度思想构造二值图像的金字塔序列并逐级比较,以实现多幅图像间的平移配准和转角配准.从配准后的序列图像中采样,根据最小二乘原理拟合出相机的光照响应曲线,并获得图像中像素值与曝光量之间的映射关系,进而将不同曝光的场景照片图像融合成一幅高动态范围图像.实验结果表明,合成的高动态范围图像效果满意.     

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.     

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。     

基于一致性敏感哈希块匹配的HDR图像去伪影融合方法

高动态范围(High dynamic range, HDR)图像成像技术的出现, 为解决由于采集设备动态范围不足而导致现有数字图像动态范围有限的问题提供了一条切实可行的思路.合成高动态范围图像的过程中因相机抖动或运动物体所造成的模糊和伪影问题, 可通过块匹配对多曝光图像序列进行去伪影融合加以解决.但对于具有复杂运动变化的真实场景, 现有的去伪影融合方法准确度和效率仍存在不足.为此, 本文结合相机响应函数和一致性敏感哈希提出了一种高动态图像去伪影融合方法.仿真结果表明, 该方法有效降低了计算复杂度, 具有较好的鲁棒性, 在有效去除伪影的同时提升了高动态范围图像质量.     

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.     

动态场景的高动态范围图像生成

动态场景的多曝光高动态范围成像方法中,由于鬼影检测不准确导致鬼影去除失败,并且采用单帧参考图的鬼影去除方法生成的高动态范围图像存在细节信息不足.为此,提出一种无鬼影且高细节信息的多曝光高动态范围成像方法.首先通过相邻的两帧图像灰度值之间的顺序关系得到部分鬼影区域,另一部分鬼影区域则由相邻图像灰度值之间的差值,与经过多次迭代优化后的阈值判定得到,在分离相邻图像的鬼影区域后,整合为选定的单帧参考图像与其余输入图像之间的鬼影区域;然后采用图像修复方法增强去除移动物体后的非参考图像在鬼影区域内细节信息;最后使用静态场景的多曝光高动态范围成像方法生成高动态范围图像.实验结果表明,与已有方法相比,该方法不仅能有效地去除鬼影,同时避开了单帧参考图方法中鬼影区域细节信息完全由单帧参考图像决定的弊端,保留和改善了生成图像在鬼影区域内的细节信息.     

融合事件相机的视觉场景识别

目的 传统视觉场景识别（visual place recognition,VPR）算法的性能依赖光学图像的成像质量,因此高速和高动态范围场景导致的图像质量下降会进一步影响视觉场景识别算法的性能。针对此问题,提出一种融合事件相机的视觉场景识别算法,利用事件相机的低延时和高动态范围的特性,提升视觉场景识别算法在高速和高动态范围等极端场景下的识别性能。方法 本文提出的方法首先使用图像特征提取模块提取质量良好的参考图像的特征,然后使用多模态特征融合模块提取查询图像及其曝光区间事件信息的多模态融合特征,最后通过特征匹配查找与查询图像最相似的参考图像。结果 在MVSEC（multi-vehicle stereo event camera dataset）和RobotCar两个数据集上的实验表明,本文方法对比现有视觉场景识别算法在高速和高动态范围场景下具有明显优势。在高速高动态范围场景下,本文方法在MVSEC数据集上相较对比算法最优值在召回率与精度上分别提升5.39%和8.55%,在Robot‐Car数据集上相较对比算法最优值在召回率与精度上分别提升3.36%与4.41%。结论 本文提出了融合事件相机的视觉场景识别算法,利用了事件相机在高速和高动态范围场景的成像优势,有效提升了视觉场景识别算法在高速和高动态范围场景下的场景识别性能。     

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。     

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。     

极端先验下的编码曝光运动目标模糊成像复原

采集运动目标图像时,由于目标与采集相机之间产生相对运动造成图像模糊.为了获得清晰运动目标图像,提出了极端先验下的编码曝光运动目标模糊成像复原方法.该方法将传统曝光快门的一次开合过程转变为特殊逻辑编码的多次开合过程,将频域中将窄带滤波扩展为宽带滤波,进而将原始目标高频信息保留在模糊图像中.通过建立极端先验下的正则化编码曝光优化函数,提出了一种有效的编码曝光图像复原迭代和核估计算法.本方法利用编码曝光保存目标原始信息,再利用图像的极端先验自然属性有效复原.在多组合成和实际采集编码曝光运动模糊图像复原中,利用图像质量评价指数表明本方法能够在不同相对运动模式下均获较好的复原效果.     

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。     

基于场景局部特征的多曝光图像融合

针对现有多曝光图像融合算法得到的图像质量不高以及算法效率低的问题,提出了基于场景局部特征的多曝光图像融合算法。首先,将不同曝光量的图像序列划分为规则的图像块,并且相邻的图像块有一定像素的重叠区域。对于静态场景,根据图像的局部方差、局部可视性以及局部显著性特征这三个指标计算每一个图像块的权重值;对于动态场景,除了应用前面所述的三个局部特征指标外,还需要将局部相似性指标用于动态场景融合过程中以去除运动物体导致的鬼影现象。其次,利用加权求和的方法得到最佳的图像块。最后,将输出的图像块进行融合,并且将图像块重叠区域的像素求平均,从而得到最终的融合结果。选取12组不同自然场景的曝光序列,从主观和客观两方面与现有的基于像素和基于特征的7种算法进行了分析和比较。实验结果表明：无论在静态场景还是动态场景的测试中,所提算法都保留了更多的场景信息,获得了令人满意的视觉效果,同时该算法还保持了较高的计算效率。     

计算成像前沿进展

计算成像是融合光学硬件、图像传感器和算法软件于一体的新一代成像技术,突破了传统成像技术信息获取深度(高动态范围、低照度)、广度(光谱、光场、3维)的瓶颈。本文以计算成像的新设计方法、新算法和应用场景为主线,通过综合国内外文献和相关报道来梳理该领域的主要进展。从端到端光学算法联合设计、高动态范围成像、光场成像、光谱成像、无透镜成像、低照度成像、3维成像和计算摄影等研究方向,重点论述计算成像领域的发展现状、前沿动态、热点问题和趋势。端到端光学算法联合设计包括了可微的衍射光学模型、折射光学模型以及基于可微光线追踪的复杂透镜的模型。高动态范围光学成像从原理到光学调制、多次曝光、多传感器融合以及算法等层面阐述不同方法的优点与缺点以及产业应用。光场成像阐述了基于光场的3维重建技术在超分辨、深度估计和3维尺寸测量等方面国内外的研究进展和产业应用,以及光场在粒子测速及3维火焰重构领域的研究进展。光谱成像阐述了当前多通道滤光片,基于深度学习和波长响应曲线求逆问题,以及衍射光栅、多路复用和超表面等优化实现高光谱的获取。无透镜成像包括平面光学元件的设计和优化,以及图像的高质量重建算法。低照度成像包括低照度情...     

多目标场景下的显著物体提取

已有获取显著区域的方法存在不能适应实际物体的大小、包含冗余信息及应用范围有限的问题。为此,提出一种多目标场景下的显著物体提取方法。对基于空间的计算模型得到的显著图进行聚类,将多目标场景划分为多个单目标的子场景,在子场景集合中,引入注意转移机制,并使用基于物体的计算模型依次提取显著物体。实验结果表明,该方法能提取图像中的多个显著目标。     

基于Retinex增强的单幅LDR图像生成HDR图像方法

针对目前生成高动态范围(HDR)图像的方法对采集设备要求高且不适用于动态场景的问题,提出一种基于Retinex增强的单幅低动态范围(LDR)图像生成HDR图像方法.首先基于Retinex方法将单幅LDR图像映射生成多幅不同曝光的图像,然后结合图像的对比度、饱和度等4个测量因子计算各幅图像的权重,最后利用金字塔分解来融合生成HDR图像.在多幅图像上的实验结果表明,该方法生成的HDR图像纹理更清晰,更符合人眼视觉效果.     

大动态范围多曝光图像融合方法

提出一种基于动态范围扩展的多曝光图像多尺度融合方法。讨论融合目标与动态范围分布、细节及颜色的处理策略。在融合规则中提出全局动态范围系数来反映全局照度范围,并指导亮度融合来突出融合结果的动态范围;使用局部对比度和色彩饱和度来反映原始图像的曝光程度,并用于指导色彩融合;使用小波分析作为多尺度融合工具。对算法进行测试并与已有算法的结果进行信息熵和动态范围比较,结果表明该算法对于信息熵和动态范围均有提高。     

中值直方图均衡的动态场景多曝光图像融合算法

为解决动态场景下多曝光融合图像出现鬼影的问题,提出一种新的动态多曝光图像融合算法。引入中值图像均衡对输入图像和参考图像的直方图进行处理,将获取的图像对做差分,并对差分图进行阈值分割和形态学优化得到运动权重图。中值直方图均衡可以为一对图像分配相同的直方图,同时保持其灰度动态,因此对多曝光图像对调整其亮度差异,有利于运动区域检测的准确性。通过强度映射函数将参考图像分别映射为各个输入图像的亮度,并将输入图像的运动区域替换为参考图像的一部分,得到具有亮度过渡自然的图像序列。在此基础上,对静态图像序列进行融合得到最终的融合图像。实验结果表明,该算法可有效地避免鬼影现象,且能够获得细节丰富、视觉效果良好的高动态范围图像,经该算法融合后的图像在标准差、边缘强度、相关系数和动态场景结构一致4个指标上与DGF、FMSD等算法相比具有明显的优势。