基于细节增强的多曝光图像融合算法

针对已有多曝光图像融合算法存在细节丢失的问题,提出一种基于细节增强的多曝光图像融合算法.为使图像细节更加清晰,构建三尺度融合框架;设计一种曝光亮度权重函数,结合图像饱和度及增强后的对比度,构建初始权重图;根据引导滤波计算最终权重图,在三尺度融合框架上进行加权融合.实验结果表明,与3种实验对比算法相比,该算法的融合结果能呈现更丰富的细节信息,在综合质量评价指标IL-NIQE上分别有平均8.95％、11.38％和21.2％左右的提升.     

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。     

多尺度权重评估的MSRCR混合曝光成像算法

针对混合曝光成像算法过程中会出现低曝光处细节丢失且颜色失真饱和度不佳导致视觉观感下降的问题,提出一种多尺度权重评估的MSRCR（Multi-Scale Retinex with Color Restoration,MSRCR）混合曝光融合算法。基于Retinex模型将待融合图像分解为亮度分量与反射光分量,对亮度分量结合ACES函数构造光照补偿归一化函数进行处理,对反射光分量加入颜色恢复函数提升色彩细节;分别从曝光量、饱和度、对比度、色域四个尺度设计图像融合权重值,通过多尺度评估优化融合比例;利用Laplacian金字塔融合算法进行多尺度权重融合获得最终图像。实验结果表明,与传统的图像融合算法相比,该算法处理效果较好,有效降低了暗处失真率,提升了视觉信息保真度。     

基于滤波算法的曝光图像多特征细节识别仿真

为解决曝光图像信息传递效果差的问题,提出对多序列曝光图像进行垂直方向切片后卷积的方法,然后采用Anscombe变换与图像滤波算法结合,去除曝光图像中的除泊松噪声增强曝光图像的边缘与细节信息。仿真结果表明,在增强曝光图像多特征信息能力上,双边滤波较高斯滤波效果更明显,平均梯度提高了10.2%。基于滤波的多曝光图像特征融合重构可以有效的提高曝光图像的细节信息,提高图像传递质量。     

图像分解与色彩先验下的多曝光图像融合

目的 多曝光图像融合（multi-exposure fusion，MEF）是利用一组不同曝光度的低动态范围（low dynamic range，LDR）图像进行合成，得到类似高动态范围（high dynamic range，HDR）图像视觉效果图像的过程。传统多曝光图像融合在一定程度上存在图像细节信息受损、边界不清晰以及部分色彩失真等问题。为了充分综合待融合图像的有效信息，提出了一种基于图像分解和色彩先验的双尺度多曝光图像融合方法。方法 使用快速导向滤波进行图像分解，分离出细节层对其进行增强处理，保留更多的细节信息，同时减少融合图像的光晕伪影；根据色彩先验，利用亮度和饱和度之差判断图像曝光程度，并联合亮度与饱和度之差以及图像对比度计算多曝光图像融合权重，同时保障融合图像的亮度和对比度；利用导向滤波对权重图进行优化，抑制噪声，增加像素之间的相关性，提升融合图像的视觉效果。结果 在24组多曝光图像序列上进行实验，从主观评价角度来看，该融合方法能够提升图像整体对比度及色彩饱和度，并兼顾过曝光区域和欠曝光区域的细节提升。从客观评价标准分析，采用两种不同的多曝光图像序列融合结果的质量评估算法，评价结果显示融合性能均有所提高，对应的指标均值分别为0.982和0.970。与其他对比算法的数据结果比较，在两种不同的结构相似性指标上均有所提升，平均提升分别为1.2%和1.1%。结论 通过主观和客观评价，证实了所提方法在图像对比度、色彩饱和度以及细节信息保留的处理效果十分显著，具有良好的融合性能。     

基于自适应分割的多曝光图像融合算法

针对传统多曝光图像融合存在颜色和细节信息保留不完整的问题,提出了一种新的基于自适应分割的多曝光图像融合算法。首先,采用超像素分割将输入图像分割为颜色一致的图像块,再利用结构分解将图像块分解为三个独立分量。根据各分量特点设计不同融合规则,以保留源图像中的颜色和细节信息。然后,采用引导滤波平滑各分量的权重图以及信号强度分量和亮度分量,有效地克服块效应缺陷,保留源图像中的边缘信息,减少伪影。最后,重构融合后的三个分量,得到最终的融合图像。实验结果表明,与传统的融合算法相比,所提算法在互信息（MI）上平均提升了53.6%、标准差（SD）上平均提升了24.0%。该算法能够有效地保留输入图像的颜色和细节纹理信息。     

基于金字塔的多曝光图像融合系统

在日常生活中经常出现拍摄照片欠曝或者曝光过度的情况,这都会影响图像的质量,给人们带来不良的体验。就这个问题,本文首先研究了图像高斯金字塔和拉普拉斯金字塔变换的原理,对多曝光图像进行分区域计算对比度,信息熵和曝光量,然后生成权重图,分别将图像和权重图进行金字塔变换分层,然后逐层进行加权平均融合,从而递推地复原图像,最后得到多曝光融合后的高质量图像完成整个系统。经过多组实验表明:本文设计的系统可以抓取到不同曝光度图像的有效信息,能够进行高效的融合,且最后融合的图像质量较高。     

一种多传感器图像的彩色融合系统

针对像素及多传感器图像的融合问题,设计了一种多传感器图像的彩色融合系统。该系统首先采用Laplacian金字塔变换算法得到灰度融合图像,然后产生共有图像、差异图像和细节增强图像,最后将灰度融合图像、细节增强图像,分别送入RGB通道得到彩色融合图像。实验结果表明,本系统可以有效地对多传感器图像进行彩色融合。根据熵和颜色丰富度两个客观评价指标,本系统的彩色融合图像更清晰,更容易识别目标,包含更多的细节信息,图像信息也更加丰富。     

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。     

结合引导滤波的自适应多曝光图像融合

针对引导滤波产生的光晕、梯度反转现象，以及图像融合边缘细节丢失的现象，提出一种改进引导滤波的自适应多曝光图像融合算法。在引导滤波中根据梯度信息设定权重函数，并结合图像像素点和一定区域的均值创建函数，共同实现不同区域的纹理特性自适应；利用平均亮度与对比度、饱和度及曝光适中度的关系，设置权值函数，使加权平均融合过程中的权重值不再是固定的数值，而能够根据不同的图像亮度自适应调整，权重值也不同，使得融合后的图像质量更好；将原序列图的细节信息叠加到改进的引导滤波图像中，构建纹理细节层。实验结果削弱了光晕及梯度反转现象，使图像更加真实，细节更加清晰，并且对有小光源的图像处理效果更好。算法结果明显优于多曝光融合算法及引导滤波的多曝光图像融合，在信息熵、互信息和边缘信息评价中分别取得最高2.5%、30%和30%左右的质量提升。     

一种基于细节层分离的单曝光HDR图像生成算法

针对利用单幅低动态范围（Low dynamic range,LDR）图像生成高动态范围（High dynamic range,HDR）图像细节信息不足的问题,本文提出了一种基于细节层分离的单曝光HDR图像生成算法.该算法基于人类视觉系统模型,首先分别提取出LDR图像的亮度分量和色度分量,对伽马校正后的亮度分量进行双边滤波,提取出亮度分量的基本层,再对基本层和亮度分量进行遍历运算,得到亮度分量的细节层;然后,构造反色调映射函数,分别对细节层和伽马校正后的亮度图像进行扩展,得到各自的反色调映图像;之后,将反色调映射后亮度分量与压缩后的细节层进行融合,得到新的亮度分量.最后,融合色度分量与新的亮度分量,并对融合后图像进行去噪,得到最终的HDR图像.实验表明该算法能挖掘出部分隐藏的图像细节信息,处理效果较好,运行效率高,具有较好的鲁棒性.     

基于塔形信息的空间约束FCM图像分割算法

为使传统模糊C均值(FCM)算法更加适用于图像分割,提出一种基于塔形信息的空间约束图像分割算法。引入塔形结构减少运算时间,并将其用于求解隶属度,在FCM算法的目标函数中,添加不含任何参数的约束项,以约束像素邻域空间信息。实验结果表明,该算法能保留图像的细节信息,提高图像的分割质量。     

基于图像金字塔的分维融合算法

数据融合是进行目标检测和识别的重要技术之一,但是在融合过程中不可避免地会产生信息损失。如何保留尽可能多的有用信息,关键在于融合算法的选取。由于图像金字塔中不同级的图像之间具有自相似性,而自相似性又是分形分维的基础。于是,根据图像金字塔的特点,提出了一种新的图像融合方法——基于图像金字塔的分维融合算法,将不同源图像分别分解成不同尺度的金字塔图像序列,在相应的尺度上以分形分维作为权系数进行融合,并采用中波红外和长波红外图像作为源图像进行融合实验,实验结果表明该方法是可行的。     

多尺度形态金字塔图像去噪算法

提出了一种多尺度形态金字塔扫描图像去噪算法，采用多尺度形态金字塔将图像进行分解，对第一级细节信号用形态梯度算了、HMI变换删除孤立噪声点；对其它细节信号形态开闭滤波，保留图像结构特征；最后利用处理后的细节信号重建图像。仿真结果表明，同中值滤波相比，算法能够更好地消除扫描图像的噪声，保留更多的细节信息。     

宏微观信息增强与色彩校正的高效色调映射

目的 色调映射是一种在保持视觉效果基本不变的前提下将高动态范围图像映射到常规低动态显示设备上进行显示的技术。针对现有方法存在细节模糊、边缘光晕及色彩失真等不足,提出一种宏微观信息增强与色彩校正的色调映射新方法。方法 将给定的高动态范围图像映射到HSV(hue, saturation, value)颜色空间,分离亮度信息与色彩信息。基于人类视觉感知机制,在亮度通道构建宏观一致性和微观显著性的亮度感知压缩模型,并进一步通过调节模型缩放因子消除边缘光晕现象。基于颜色恒常性原理,在色度通道构建自适应饱和度偏移模型,融合亮度压缩信息调整图像的饱和度信息,解决色调映射所造成的主观色彩失真问题。结果 实验结果表明,所提算法在结构保真度、自然度和色调映射质量指数等客观评价方面均优于对比色调映射算法,同时主观平均意见值也取得了最高的4.3分（即好—非常好）。结论 宏微观信息增强的亮度感知压缩模型,在确保场景亮度信息不变的情况下,可以有效增强图像纹理细节的完整性和保真性。融合亮度压缩的饱和度偏移模型可以有效解决亮度压缩导致的图像色彩失真等问题。该色调映射算法效率高、通用性强,可广泛应用于图像压缩、生物医学...     

基于亮度分区模糊融合的高动态范围成像算法

针对单幅图像生成高动态范围（HDR）图像进行直方图扩展时,造成的色彩失真、局部细节信息丢失的问题,提出了一种基于亮度分区融合的高动态范围图像成像算法。首先,提取正常曝光彩色图像的亮度分量,根据亮度阈值将亮度分成两个区间;然后,对两个区间的图像用改进的指数函数扩展其亮度范围,使得低亮度区域的亮度增加、范围扩大,高亮度区域的亮度减小、范围扩大,从而增大图像的整体对比度,保留色彩和细节信息;最后,将扩展后的图像和原始正常曝光的图像基于模糊逻辑的方法融合为高动态图像。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,所提算法能够有效地扩展图像的亮度范围,并保持场景的颜色信息和细节信息,生成的图像视觉效果更佳。     

基于拉普拉斯金字塔和CNN的医学图像融合算法

医学图像融合技术因其包含多模态的图像信息,在临床应用中起着越来越重要的作用。医学图像融合效果符合人类视觉感知,减少先验知识对融合效果的影响和增强细节表现力一直是努力的方向。提出基于拉普拉斯金字塔和卷积神经网络的医学图像融合方法,针对图像伪影的问题采用区域拉普拉斯金字塔,为保存更多的细节信息并使参数自适应,对卷积神经网络进行改进。将源图像分别输入区域拉普拉斯金字塔进行分解,采用改进的卷积神经网络生成最优权重图指导融合过程,通过逆过程生成融合图像。实验结果表明,提出的方法在主观视觉和客观评价指标上都取得了良好的融合效果。     

高动态场景的图像融合优化和实时应用

目的：由于照相机不能采集到很宽的亮度范围,过度曝光和曝光不足现象普遍存在,尤其对于高动态(HDR)场景。图像融合技术能够解决这一问题,但是由于算法大多过于复杂,难以实现高效的处理速度,只适合对静态图像做处理。本文针对图像融合算法进行了多种优化,并提出使用图像融合技术来解决视频中的曝光问题。方法：我们对图像融合算法进行测试,对块融合的方法做了有效的优化来提升算法效率,并且将优化后的算法嵌入到实时监控系统中,通过曝光控制模块与融合技术相结合,实现了实时融合的视频采集系统。结果：对高动态场景的测试表明,视频中的每一帧均能采集到整个场景中的所有信息,并且不会存在曝光问题。结论：本文针对图像融合方法提出了多种优化和加速策略,并独创性地将其应用于实时视频采集中。实验结果表明,即使是高动态场景中,也可以将几乎所有信息都保留下来,不受曝光问题的干扰。     

求解低秩矩阵融合高动态范围图像

目的 利用低秩矩阵恢复方法可从稀疏噪声污染的数据矩阵中提取出对齐且线性相关低秩图像的优点,提出一种新的基于低秩矩阵恢复理论的多曝光高动态范围（HDR）图像融合的方法,以提高HDR图像融合技术的抗噪声与去伪影的性能。方法 以部分奇异值（PSSV）作为优化目标函数,可构建通用的多曝光低动态范围（LDR）图像序列的HDR图像融合低秩数学模型。然后利用精确增广拉格朗日乘子法,求解输入的多曝光LDR图像序列的低秩矩阵,并借助交替方向乘子法对求解算法进行优化,对不同的奇异值设置自适应的惩罚因子,使得最优解尽量集中在最大奇异值的空间,从而得到对齐无噪声的场景完整光照信息,即HDR图像。结果 本文求解方法具有较好的收敛性,抗噪性能优于鲁棒主成分分析（RPCA）与PSSV方法,且能适用于多曝光LDR图像数据集较少的场合。通过对经典的Memorial Church与Arch多曝光LDR图像序列的HDR图像融合仿真结果表明,本文方法对噪声与伪影的抑制效果较为明显,图像细节丰富,基于感知一致性（PU）映射的峰值信噪比（PSNR）与结构相似度（SSIM）指标均优于对比方法：对于无噪声的Memorial Church图像序列,RPCA方法的PSNR、SSIM值分别为28.117 dB与0.935,而PSSV方法的分别为30.557 dB与0.959,本文方法的分别为32.550 dB与0.968。当为该图像序列添加均匀噪声后,RPCA方法的PSNR、SSIM值为28.115 dB与0.935,而PSSV方法的分别为30.579 dB与0.959,本文方法的为32.562 dB与0.967。结论 本文方法将多曝光HDR图像融合问题与低秩最优化理论结合,不仅可以在较少的数据量情况下以较低重构误差获取到HDR图像,还能有效去除动态场景伪影与噪声的干扰,提高融合图像的质量,具有更好的鲁棒性,适用于需要记录场景真实光线变化的场合。