高动态范围图像全局与局部色调映射的融合

针对高动态范围(HDR)图像显示于普通显示设备的问题,提出一种新的结合全局与局部的色调映射方法,先对高动态范围图像分别进行全局和局部的映射,对所得的图再各自进行曲波分解,然后对分解系数进行加权融合.用5组HDR图进行验证,结果表明:用该方法得到的图像有更好的视觉效果.     

基于概率模型的高动态范围图像色调映射

提出了一种概率模型对HDR(high dynamic range)图像进行色调再生.分别对局部像素的色调能量分布与HDR/LDR(low dynamic range)间梯度变化约束建立概率统计模型,通过求解最大后验概率(maximum a posteriori,简称MAP)将整个色调映射过程转化为一个能量最小化问题.实验结果表明,所提出的基于概率模型的色调映射方法能够生成比以往方法具有更多视觉信息的LDR 图像,可用于高级图像编辑、显示设备开发等领域.     

高动态范围图像色调映射技术与算法

高动态范围成像技术(High Dynamic Range Imaging)技术近年来在工业图像处理、机器视觉、三维数字娱乐等领域获得了广泛的应用。作为一种增强型的数字图像获取技术,高动态图像(HDR)在全局照明、真实感绘制方面具有不可替代优势。     

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。     

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。     

高动态范围图像(HDRI)编码及色调映射技术研究

在分析和讨论了高动态范围图像的基本理论和获得技术的基础上,深入剖析和研究了高动态范围图像编码的几种技术方法和途径,并分析了各自的特点和应用。同时还讨论了高动态范围领域中的色调映射技术,特别针对高动态范围图像色调映射中的背景强度的计算方法进行了研究,最后还对高动态范围图像技术的应用领域和前景进行了展望和预测。     

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.     

基于交叉皮质模型的高动态范围图像可视化方法

针对高动态范围图像(HDRI)在低动态范围显示设备上的可视化问题,提出基于交叉皮质模型(ICM)的色调映射算法,其在融入人类视觉特性的同时兼顾了全局亮度和局部细节保持.首先将线性热流(LHF)应用于向心自动波(CA)的实现,构成LHF-CA-ICM,以解决原有ICM自动波效应的负面影响;然后根据LFH-CA-ICM迭代...     

高动态范围图像及其色彩迁移

高动态范围图像是一种可以大范围表示场景中亮度的变化,像素值正比于场景实际亮度的图像类型。对高动态范围图像以及普通图像间的色彩迁移进行了研究。先将图像变换到正交的色彩空间,然后根据图像的色彩信息统计值,将参考图像的色彩迁移至目标图像中,使生成的新图像具有参考图像的整体色彩特征。实验表明,色彩迁移效果满意。     

一种亮度可控与细节保持的高动态范围图像色调映射方法

高动态范围(High dynamic range, HDR)图像通常需压缩其动态范围,以便于进行存储、传输、重现. 本文提出一种具有亮度可控与细节保持特性的HDR图像的全局色调映射方法.该方法对HDR图像 照度直方图进行裁剪与补偿,令色调映射后的低动态范围(Low dynamic range, LDR)图像仍能够保持原有的细节特性, 同时利用概率模型估算出输出LDR图像的亮度与标准差,进而调整直方图亮度区域的分配, 使得输出LDR图像的亮度接近用户设置的亮度,最后以分段直方图均衡的方法进行HDR色调映射处理. 仿真结果表明,该方法能对HDR图像动态范围进行合理的压缩映射,输出的LDR图像的亮度可由用户控制或自适应选择, 同时能保持图像的细节信息,令图像的主观视觉感受对比和谐.     

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。     

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。     

高动态图像色调映射技术新进展*

传统显示设备受自身动态范围限制,无法很好地显示高动态图像的效果,需要用色调映射方法进行合理的动态域压缩,获得更好的图像显示质量。综述了现有高动态图像的色调映射技术,首先简要介绍了高动态图像色调映射方法的概念;再介绍了色调映射算子的分类,以色调映射处理方式为主分别介绍了空域不变算法、空域变化算法及混合算法这三大类算子近年来发展起来的各种新方法,并指出各种方法的技术优势及对此进行了归纳总结;最后阐述了该技术的应用领域及其继续发展的方向。     

一种分组实现的高动态范围图像显示方法

针对低动态显示设备严重制约高动态范围图像显示的缺点,提出了一种基于分组的高动态范围图像色调映射技术,利用双边滤波技术对图像亮度值进行初步校正,对所得数据进行分组,根据分组数据的平均值惟一确定一个伽马值对图像亮度进行最终修正。实验结果表明,该方法不仅能够实现动态范围压缩,而且能够有效避免光晕和色差等现象,可以广泛应用于各种低动态设备中。     

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。     

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。     

基于动态范围调整的指纹图像增强方法

采用基于动态范围调整的方法,并适当地把图像最亮和最暗附近很少量灰度级像素点滤除,对图像灰度进行线性展宽,实现图像灰度动态范围的自动调整,提高图像的对比度。实验结果表明,该方法可有效地滤除在灰度边界值附近的灰度干扰,图像的质量和对比度明显提高,图像的亮区和暗区的细节都有明显增强,而且处理速度快,鲁棒性好。     

多尺度细节融合的多曝光高动态图像重建

同一场景不同曝光的图像序列,常出现曝光不足或曝光过度的区域,造成高亮或阴暗处的细节损失。针对这一问题,提出的多尺度细节融合的多曝光高动态图像重建方法,根据图像的对比度、饱和度、适度曝光量等三个测度因子生成原始多曝光图像的权重图,对分解的权重高斯金字塔进行Dirichlet函数映射,保证信息丰富区域权值最大,通过拉普拉斯金字塔重建,使得融合图像所包含的细节信息最大化并且最大限度地减少失真。