CN101859430A - 产生高动态范围图像的方法及电子装置 - Google Patents

Abstract

一种产生高动态范围图像(HDR)的方法及电子装置，该方法包括加载亮度调整模型，亮度调整模型应用类神经网络算法所构成；取得原始图像；撷取原始图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值；及依据原始图像的像素特征值、第一特征值与第二特征值，透过亮度调整模型产生高动态范围图像。电子装置包括亮度调整模型、特征值撷取单元与亮度调整程序。电子装置透过特征值撷取单元撷取原始图像像素特征值、第一特征值与第二特征值，并透过亮度调整模型对原始图像产生高动态范围图像。

Description

产生高动态范围图像的方法及电子装置

技术领域

本发明是关于一种图像的方法及电子装置，特别是一种产生高动态范围图像的方法及电子装置。

背景技术

人类的视觉***在感应光线时，是经由周遭的光线分布来调整感光程度，所以人类在过量或过暗的环境时，经过一段时间的适应，即可看到周遭事物。现今的摄影器材，如摄影机、照相机、单眼相机、网络摄影机...等基础原理其实大同小异。以针孔成像的原理，将截取的图像，经由镜头投影到感应组件上。但由于感光组件如底片(film)、电荷耦合组件传感器(Charge Coupled Device sensor，CCD sensor)、互补金属氧化半导体传感器(Complementary Metal-Oxide Semiconductor sensor，CMOS sensor)的感光范围与人眼不同，且无法随着图像做动态调整。所以造成拍摄出来的图像常常会有某一部分亮度过亮或过暗。请参考“图1”所示，其为动态范围不足的图像的示意图。图像10为一般数字相机所拍摄而得的动态范围不足的图像，其中左下角图像区块12为亮度过暗的区域，右上角图像区块14为亮度过亮的区域。此种状况使得左下角图像区块12中的树木与房屋的细节都因太暗而无法看清楚。

公知为了克服这种问题可采用高动态范围图像(High Dynamic Range Images，HDR)。高动态范围图像的做法是以不同曝光设定，拍摄出相同区域图像的不同感光程度，再经由图像合成技术，合成出符合人类视觉感受的图像。请参考“图2”所示，其为多张图像合成高动态范围图像的示意图。高动态范围图像20由多张不同感光程度的图像21、23、25、27、29透过图像合成方式，而合成一张高动态范围图像20。这种做法效果很好，但缺点也非常明显。首先所拍摄的图像位置不能有误差，若有误差即会造成合成上的困难。图像在拍摄时，所需的储存空间也从单张变为多张，再加上处理合成时所需耗费的时间成本。所以这是一种耗费时间、储存空间、又易于出错的做

发明内容

鉴于以上的问题，本发明提供一种产生高动态范围图像的方法，藉以将一张原始图像，透过类神经网络算法所训练而得的亮度调整模型产生高动态范围图像。

因此，本发明所揭露的产生高动态范围图像的方法，包括：加载亮度调整模型，亮度调整模型应用类神经网络算法所构成；取得原始图像(original image)；撷取原始图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值；以及依据原始图像的像素特征值、第一特征值与第二特征值，透过亮度调整模型产生高动态范围图像。

其中，上述第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。

另外，原始图像的像素特征值是利用下式计算：

其中，C1为原始图像的像素特征值、N为原始图像的水平方向的像素总数、M为原始图像的垂直方向的像素总数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

此外，原始图像的第一特征值利用下式计算：其中，

为原始图像的第一特征值、x为原始图像中第一方向的像素的个数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为原始图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

于此，原始图像的第二特征值利用下式计算：

其中，

为原始图像的第二特征值、y为原始图像中第二方向的像素的个数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为原始图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

此外，上述亮度调整模型于外部装置中所产生，包括：加载多个帧训练图像；以及撷取每一帧训练图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值，并透过类神经网络算法产生亮度调整模型。

其中，上述第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。

此外，每一帧训练图像的像素特征值利用下式计算：

其中，C₁为每一帧训练图像的像素特征值、N为每一帧训练图像的水平方向的像素总数、M为每一帧训练图像的垂直方向的像素总数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

于此，上述每一帧训练图像的第一特征值利用下式计算：

其中，

为每一帧训练图像的第一特征值、x为每一帧训练图像中第一方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为每一帧训练图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

另外，上述每一帧训练图像的第二特征值利用下式计算：

其中，

为每一帧训练图像的第二特征值、y为每一帧训练图像中第二方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为每一帧训练图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

这里，上述类神经网络算法为倒传递神经网络(Back-propagation Neural Network，BNN)算法、径向基函数(Radial Basis Function，RBF)或自主特征映像网络(Self-Organizing Map，SOM)算法其中之一。

因此，本发明所揭露的产生高动态范围图像的电子装置，其依据亮度调整模型，用以对一原始图像进行亮度的调整，电子装置包括：亮度调整模型、特征值撷取单元与亮度调整程序。其中，亮度调整模型为应用类神经网络算法所构成；特征值撷取单元撷取原始图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值；以及亮度调整程序，连接亮度调整模型与特征值撷取单元，亮度调整程序依据原始图像的像素特征值、第一特征值与第二特征值，透过亮度调整模型产生高动态范围图像。

于此，上述第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。

此外，原始图像的像素特征值利用下式计算：

其中，C₁为原始图像的像素特征值、N为原始图像的水平方向的像素总数、M为原始图像的垂直方向的像素总数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

另外，原始图像的第一特征值利用下式计算：

其中，为原始图像的第一特征值、x为原始图像中第一方向的像素的个数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为原始图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

其中，原始图像的第二特征值利用下式计算：

其中，

为原始图像的第二特征值、y为原始图像中第二方向的像素的个数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、Yi_(j+y)为原始图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

于此，上述亮度调整模型于外部装置中所产生，包括：加载多个帧训练图像；以及撷取每一帧训练图像的一像素特征值、第一方向上的第一特征值与第二方向上的第二特征值，并透过类神经网络算法产生亮度调整模型。

其中，上述第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。

于此，每一帧训练图像的像素特征值利用下式计算：

其中，C₁为每一帧训练图像的像素特征值、N为每一帧训练图像的水平方向的像素总数、M为每一帧训练图像的垂直方向的像素总数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

此外，每一帧训练图像的第一特征值利用下式计算：

其中，

为每一帧训练图像的第一特征值、x为每一帧训练图像中第一方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为每一帧训练图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

于此，每一帧训练图像的第二特征值利用下式计算：

其中，为每一帧训练图像的第二特征值、y为每一帧训练图像中第二方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为每一帧训练图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

其中，上述类神经网络算法为倒传递神经网络(Back-propagation Neural Network，BNN)算法、径向基函数(Radial Basis Function，RBF)或自主特征映像网络(Self-Organizing，SOM)算法其中之一。

根据本发明所提供的的产生高动态范围图像的方法及电子装置，可透过类神经网络算法训练产生亮度调整模型，并利用亮度调整模型对单张图像进行处理而产生高动态范围图像。进而可改善需拍摄多张图像的时间与储存空间，降低多张图像合成单张图像的处理时间。

有关本发明的特征与实际应用，兹配合附图作最佳实施例详细说明如下。

附图说明

图1为动态范围不足的图像的示意图。

图2为多张图像合成高动态范围图像的示意图。

图3为依据本发明的一实施例的产生高动态范围图像的方法的流程图。

图4为依据本发明的一实施例的产生亮度调整模型的流程图。

图5为依据本发明的另一实施例的产生高动态范围图像的电子装置的架构示意图。

图6为依据本发明的另一实施例的产生亮度调整模型的流程图。

图7为依据本发明的实施例的倒传递神经网络算法的示意图。

【主要组件符号说明】

10         图像

12         左下角图像区块

14         右上角图像区块

20         高动态范围图像

21         图像

23         图像

25          图像

27          图像

29          图像

30          电子装置

32          储存单元

322         原始图像

34          处理单元

344         亮度调整模型

342         特征值撷取单元

346         亮度调整程序

36          输出单元

具体实施方式

根据本发明的产生高动态范围图像的方法，应用于具有图像撷取功能的电子装置。本方法可透过软件或固件程序内建于电子装置的储存装置中，再由电子装置的处理器执行内建的软件或固件程序搭配图像撷取功能来实现根据本发明的产生高动态范围图像的方法。于此，电子装置可为具图像撷取功能的数字相机(DIGITAL CAMERA)、具图像撷取功能的计算机、具图像撷取功能的移动电话(Mobile Phone)、或具图像撷取功能的个人数字助理(Personal Digital Assistant，PDA)等，但不仅局限于上述的电子装置。

请参考图3所示，其为依据本发明的一实施例的产生高动态范围图像的方法的流程图。本发明的流程包括以下步骤：

S100、加载亮度调整模型，亮度调整模型是应用类神经网络算法所构成；

S110、取得原始图像(original image)；

S120、撷取原始图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值；以及

S130、依据原始图像的像素特征值、第一特征值与第二特征值，透过亮度调整模型产生高动态范围图像。

其中，步骤S120中的第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。于此虽描述第一方向的方向为水平方向，第二方向的方向为垂直方向，但应用依实际需求调整方向，如X轴向相交正45度的方向及X轴向相交正135度的方向，如X轴向相交正30度的方向及X轴向相交正150度的方向等等。唯原始图像的特征值的撷取的方向须与训练图像的特征值的撷取的方向一致(即为相同方向)。

另外，步骤S120中的原始图像的像素特征值利用下式计算：

其中，C₁为原始图像的像素特征值、N为原始图像的水平方向的像素总数、M为原始图像的垂直方向的像素总数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

此外，步骤S120中的原始图像的第一特征值利用下式计算：

其中，

为原始图像的第一特征值、x为原始图像中第一方向的像素的个数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为原始图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

于此，步骤S120中的原始图像的第二特征值是利用下式计算：

其中，为原始图像的第二特征值、y为原始图像中第二方向的像素的个数、Y_ij为原始图像中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为原始图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

此外，步骤S100中的所述的亮度调整模型于外部装置中所产生。外部装置可以是但不限于制造厂商的计算机装置或实验室的计算机装置等等。请参考图4所示，其为依据本发明的一实施例的产生亮度调整模型的流程图。产生亮度调整模型的流程包括以下步骤：

S200、加载多个帧训练图像；以及

S210、撷取每一帧训练图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值，并透过类神经网络算法产生亮度调整模型。

其中，步骤S210中所述的第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。于此虽描述第一方向的方向为水平方向，第二方向的方向为垂直方向，但应用依实际需求调整方向，如X轴向相交正45度的方向及X轴向相交正135度的方向，如X轴向相交正30度的方向及X轴向相交正150度的方向等等。唯原始图像的特征值的撷取的方向须与训练图像的特征值的撷取的方向一致(即为相同方向)。

此外，步骤S210中所述的每一帧训练图像的像素特征值利用下式计算：

其中，C₁为每一帧训练图像的像素特征值、N为每一帧训练图像的水平方向的像素总数、M为每一帧训练图像的垂直方向的像素总数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

于此，步骤S210中所述的每一帧训练图像的第一特征值利用下式计算：

其中，

为每一帧训练图像的第一特征值、x为每一帧训练图像中第一方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为每一帧训练图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

另外，步骤S210中所述的每一帧训练图像的第二特征值是利用下式计算：

其中，

为每一帧训练图像的第二特征值、y为每一帧训练图像中第二方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为每一帧训练图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

于此，上述类神经网络算法可为倒传递神经网络(Back-propagation Neural Network，BNN)算法、径向基函数(Radial Basis Function，RBF)或自主特征映像网络(Self-Organizing Map，SOM)算法其中之一。

另外，请参考图5所示，其为依据本发明的另一实施例的产生高动态范围图像的电子装置的架构示意图。电子装置30包括：储存单元32、处理单元34与输出单元36。其中，储存单元32储存有原始图像322，储存单元32可以是但不限于随机存取存储器(Random Access Memory，RAM)、动态随机存取存储器(Dynamic Random Access Memory，DRAM)或同步动态随机存取存储器(Synchronous Dynamic Random Access Memory，SDRAM)其中的任一。

处理单元34连接储存单元32，处理单元34可包括：亮度调整模型344、特征值撷取单元342与亮度调整程序346。特征值撷取单元342撷取原始图像322的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值。亮度调整模型344是应用类神经网络算法所构成。亮度调整程序346依据原始图像322的像素特征值、第一特征值与第二特征值，透过亮度调整模型344产生高动态范围图像。处理单元34可以是但不限于中央处理器(CPU)、微处理器(Micro Control Unit、MCU)。输出单元36连接处理单元34，输出单元36可将产生的高动态范围图像显示于电子装置30的屏幕上。

于此，上述第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。于此虽描述第一方向的方向为水平方向，第二方向的方向为垂直方向，但应用依实际需求调整方向，如X轴向相交正45度的方向及X轴向相交正135度的方向，如X轴向相交正30度的方向及X轴向相交正150度的方向等等。唯原始图像的特征值的撷取的方向须与训练图像的特征值的撷取的方向一致(即为相同方向)。

此外，原始图像322的像素特征值利用下式计算：

其中，C₁为原始图像322的像素特征值、N为原始图像322的水平方向的像素总数、M为原始图像322的垂直方向的像素总数、Y_ij为原始图像322中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

另外，原始图像322的第一特征值是利用下式计算：

其中，

为原始图像322的第一特征值、x为原始图像322中第一方向的像素的个数、Y_ij为原始图像322中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为原始图像322中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

其中，原始图像322的第二特征值是利用下式计算：

其中，

为原始图像322的第二特征值、y为原始图像322中第二方向的像素的个数、Y_ij为原始图像322中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为原始图像322中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

于此，上述亮度调整模型于外部装置中所产生。外部装置可以是但不限于制造厂商的计算机装置或实验室的计算机装置等等。请参考图6所示，其为依据本发明的另一实施例的产生亮度调整模型的流程图。产生亮度调整模型的流程包括以下步骤：

S300、加载多个帧训练图像；以及

S310、撷取每一帧训练图像的像素特征值、第一方向上的第一特征值与第二方向上的第二特征值，并透过类神经网络算法产生亮度调整模型。

其中，步骤S310中所述的第一方向的方向与第二方向的方向相异，第一方向的方向为水平方向，第二方向的方向为垂直方向。于此虽描述第一方向的方向为水平方向，第二方向的方向为垂直方向，但应用依实际需求调整方向，如X轴向相交正45度的方向及X轴向相交正135度的方向，如X轴向相交正30度的方向及X轴向相交正150度的方向等等。唯原始图像的特征值的撷取的方向须与训练图像的特征值的撷取的方向一致(即为相同方向)。

此外，步骤S310中所述的每一帧训练图像的像素特征值利用下式计算：

其中，C₁为每一帧训练图像的像素特征值、N为每一帧训练图像的水平方向的像素总数、M为每一帧训练图像的垂直方向的像素总数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、且N、M、i与j为正整数。

于此，步骤S310中所述的每一帧训练图像的第一特征值是利用下式计算：

其中，

为每一帧训练图像的第一特征值、x为每一帧训练图像中第一方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_(i+x)j为每一帧训练图像中第一方向第i+x个及第二方向第j个像素的亮度值、且i、j与x为正整数。

另外，步骤S310中所述的每一帧训练图像的第二特征值利用下式计算：

其中，为每一帧训练图像的第二特征值、y为每一帧训练图像中第二方向的像素的个数、Y_ij为每一帧训练图像中第一方向第i个及第二方向第j个像素的亮度值、Y_i(j+y)为每一帧训练图像中第一方向第x个及第二方向第j+y个像素的亮度值、且i、j与y为正整数。

于此，上述类神经网络算法可为倒传递神经网络(Back-propagation Neural Network，BNN)算法、径向基函数(Radial Basis Function，RBF)或自主特征映像网络(Self-Organizing Map，SOM)算法其中之一。

另外，请参考图7所示，其为依据本发明的实施例的倒传递神经网络算法的示意图。倒传递神经网络40包含：输入层42、隐藏层44与输出层46。其中每一帧训练图像共有M*N个像素，每个像素都具有三个特征值(像素特征值、第一特征值与第二特征值)。输入层分别传入训练图像的像素的特征值，因此输入层42的节点(X₁、X₂、X₃、...、X_α)的个数总和为α＝3*M*N个。隐藏层44的节点(P₁、P₂、P₃、...、P_β)之个数为β个，输出层46的节点(Y1、Y₂、Y₃、...、Y_γ)的个数为γ个，且α≥β≥γ。于所有训练图像经过倒传递神经网络算法训练及判断收敛后，即可得到亮度调整模型。其中在亮度调整模型的输入层42与隐藏层44之间得到第一组权重值W_αβ，隐藏层44与输出层46之间得到第二组权重值W_βγ。

其中，隐藏层44的各节点的值利用下式计算而得：

其中，P_j为隐藏层44的第j个节点的值、X_i为输入层42的第i个节点的值、W_ij为输入层42的第i个节点与隐藏层44的第j个节点之间的权重值、b_j为隐藏层44的第j个节点的偏移量、且α、i与j为正整数。

此外，输出层46的各节点的值是利用下式计算而得：其中，Y_k为输出层46的第k个节点的值、P_j为隐藏层44的第j个节点的值、W_jk为隐藏层44的第j个节点与输出层46的第k个节点之间的权重值、c_k为输出层46的第k个节点的偏移量、且β、j与k为正整数。

此外，判断收敛是利用平均平方误差值(Mean Squared Error，MSE)计算而得：

其中，λ为训练图像的数量总和、γ为输出层的节点数量总和、T_k ^s为第s个训练图像的第k个输出节点的目标输出值、Y_k ^s为第s个训练图像的第k个输出节点的推论输出值、且λ、γ、s与k为正整数。

虽然本发明以前述的较佳实施例揭露如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，因此本发明的专利保护范围须视本说明书所附的权利要求书范围所界定者为准。

Claims (22)

1.一种产生高动态范围图像(High Dynamic Range Image，HDR)的方法，该方法包括：

加载一亮度调整模型，该亮度调整模型是应用一类神经网络算法所构成；

取得一原始图像；

撷取该原始图像的一像素特征值、一第一方向上的一第一特征值与一第二方向上的一第二特征值；以及

依据该原始图像的该像素特征值、该第一特征值与该第二特征值，透过该亮度调整模型产生一高动态范围图像。

2.如权利要求1所述的产生高动态范围图像的方法，其中该第一方向的方向与该第二方向的方向相异，该第一方向的方向为水平方向，该第二方向的方向为垂直方向。

3.如权利要求1所述的产生高动态范围图像的方法，其中该原始图像的该像素特征值利用下式计算：

$C_1=\frac{Y_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^M\frac{Y_{\mathrm{ij}}}{N\×M}}$

其中，C₁为该原始图像的该像素特征值、N为该原始图像的水平方向的像素总数、M为该原始图像的垂直方向的像素总数、Y_ij为该原始图像中该第一方向第i个及该第二方向第j个像素的亮度值、且N、M、i与j为正整数。

4.如权利要求1所述的产生高动态范围图像的方法，其中该原始图像的该第一特征值利用下式计算：

$C_{2_x}=\frac{Y_{\mathrm{ij}}-Y_{(i+x)j}}{x}$

其中，

为该原始图像的该第一特征值、x为该原始图像中该第一方向的像素的个数、Y_ij为该原始图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_(i+x)j为该原始图像中该第一方向第i+x个及该第二方向第j个像素的亮度值、且i、j与x为正整数。

5.如权利要求1所述的产生高动态范围图像的方法，其中该原始图像的该第二特征值利用下式计算：

$C_{2_y}=\frac{Y_{\mathrm{ij}}-Y_{i(j+y)}}{y}$

其中，

为该原始图像的该第二特征值、y为该原始图像中该第二方向的像素的个数、Y_ij为该原始图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_i(j+y)为该原始图像中该第一方向第x个及该第二方向第j+y个像素的亮度值、且i、j与y为正整数。

6.如权利要求1所述的产生高动态范围图像的方法，其中该亮度调整模型系于一外部装置中所产生，包括：

加载多个帧训练图像；以及

撷取每一该训练图像的一像素特征值、一第一方向上的一第一特征值与一第二方向上的一第二特征值，并透过该类神经网络算法产生该亮度调整模型。

7.如权利要求6所述的产生高动态范围图像的方法，其中该第一方向的方向与该第二方向的方向相异，该第一方向的方向为水平方向，该第二方向的方向为垂直方向。

8.如权利要求6所述的产生高动态范围图像的方法，其中每一该训练图像的该像素特征值利用下式计算：

$C_1=\frac{Y_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^M\frac{Y_{\mathrm{ij}}}{N\×M}}$

其中，C₁为每一该训练图像的该像素特征值、N为每一该训练图像的水平方向的像素总数、M为每一该训练图像的垂直方向的像素总数、Y_ij为每一该训练图像中该第一方向第i个及该第二方向第j个像素的亮度值、且N、M、i与j为正整数。

9.如权利要求6所述的产生高动态范围图像的方法，其中每一该训练图像的该第一特征值利用下式计算：

$C_{2_x}=\frac{Y_{\mathrm{ij}}-Y_{(i+x)j}}{x}$

其中，

为每一该训练图像的该第一特征值、x为每一该训练图像中该第一方向的像素的个数、Y_ij为每一该训练图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_(i+x)j为每一该训练图像中该第一方向第i+x个及该第二方向第j个像素的亮度值、且i、j与x为正整数。

10.如权利要求6所述的产生高动态范围图像的方法，其中每一该训练图像的该第二特征值利用下式计算：

$C_{2_y}=\frac{Y_{\mathrm{ij}}-Y_{i(j+y)}}{y}$

其中，

为每一该训练图像的该第二特征值、y为每一该训练图像中该第二方向的像素的个数、Y_ij为每一该训练图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_i(j+y)为每一该训练图像中该第一方向第x个及该第二方向第j+y个像素的亮度值、且i、j与y为正整数。

11.如权利要求1所述的产生高动态范围图像的方法，其中该类神经网络算法为倒传递神经网络(Back-propagation Neural Network，BNN)算法、径向基函数(Radial Basis Function，RBF)或自主特征映像网络(Self-Organizing Map，SOM)算法其中之一。

12.一种产生高动态范围图像的电子装置，其依据亮度调整模型，用以对一原始图像进行亮度的调整，该电子装置包括：

一亮度调整模型，该亮度调整模型是应用一类神经网络算法所构成；

一特征值撷取单元，撷取该原始图像的一像素特征值、一第一方向上的一第一特征值与一第二方向上的一第二特征值；以及

一亮度调整程序，连接该亮度调整模型与该特征值撷取单元，该亮度调整程序依据该原始图像的该像素特征值、该第一特征值与该第二特征值，透过该亮度调整模型产生一高动态范围图像。

13.如权利要求12所述的产生高动态范围图像的电子装置，其中该第一方向的方向与该第二方向的方向相异，该第一方向的方向为水平方向，该第二方向的方向为垂直方向。

14.如权利要求12所述的产生高动态范围图像的电子装置，其中该原始图像的该像素特征值利用下式计算：

$C_1=\frac{Y_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^M\frac{Y_{\mathrm{ij}}}{N\×M}}$

其中，C₁为该原始图像的该像素特征值、N为该原始图像的水平方向的像素总数、M为该原始图像的垂直方向的像素总数、Y_ij为该原始图像中该第一方向第i个及该第二方向第j个像素的亮度值、且N、M、i与j为正整数。

15.如权利要求12所述的产生高动态范围图像的电子装置，其中该原始图像的该第一特征值利用下式计算：

$C_{2_x}=\frac{Y_{\mathrm{ij}}-Y_{(i+x)j}}{x}$

其中，为该原始图像的该第一特征值、x为该原始图像中该第一方向的像素的个数、Y_ij为该原始图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_(i+x)j为该原始图像中该第一方向第i+x个及该第二方向第j个像素的亮度值、且i、j与x为正整数。

16.如权利要求12所述的产生高动态范围图像的电子装置，其中该原始图像的该第二特征值利用下式计算：

$C_{2_y}=\frac{Y_{\mathrm{ij}}-Y_{i(j+y)}}{y}$

其中，

为该原始图像的该第二特征值、y为该原始图像中该第二方向的像素的个数、Y_ij为该原始图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_i(j+y)为该原始图像中该第一方向第x个及该第二方向第j+y个像素的亮度值、且i、j与y为正整数。

17.如权利要求12所述的产生高动态范围图像的电子装置，其中该亮度调整模型于一外部装置中所产生，包括：

加载多个帧训练图像；以及

撷取每一该训练图像的一像素特征值、一第一方向上的一第一特征值与一第二方向上的一第二特征值，并透过该类神经网络算法产生该亮度调整模型。

18.如权利要求17所述的产生高动态范围图像的电子装置，其中该第一方向的方向与该第二方向的方向相异，该第一方向的方向为水平方向，该第二方向的方向为垂直方向。

19.如权利要求17所述的产生高动态范围图像的电子装置，其中每一该训练图像的该像素特征值利用下式计算：

$C_1=\frac{Y_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^M\frac{Y_{\mathrm{ij}}}{N\×M}}$

其中，C₁为每一该训练图像的该像素特征值、N为每一该训练图像的水平方向的像素总数、M为每一该训练图像的垂直方向的像素总数、Y_ij为每一该训练图像中该第一方向第i个及该第二方向第j个像素的亮度值、且N、M、i与j为正整数。

20.如权利要求17所述的产生高动态范围图像的电子装置，其中每一该训练图像的该第一特征值利用下式计算：

$C_{2_x}=\frac{Y_{\mathrm{ij}}-Y_{(i+x)j}}{x}$

其中，

为每一该训练图像的该第一特征值、x为每一该训练图像中该第一方向的像素的个数、Y_ij为每一该训练图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_(i+x)j为每一该训练图像中该第一方向第i+x个及该第二方向第j个像素的亮度值、且i、j与x为正整数。

21.如权利要求17所述的产生高动态范围图像的电子装置，其中每一该训练图像的该第二特征值利用下式计算：

$C_{2_y}=\frac{Y_{\mathrm{ij}}-Y_{i(j+y)}}{y}$

其中，

为每一该训练图像的该第二特征值、y为每一该训练图像中该第二方向的像素的个数、Y_ij为每一该训练图像中该第一方向第i个及该第二方向第j个像素的亮度值、Y_i(j+y)为每一该训练图像中该第一方向第x个及该第二方向第j+y个像素的亮度值、且i、j与y为正整数。

22.如权利要求17所述的产生高动态范围图像的电子装置，其中该类神经网络算法为倒传递神经网络(Back-propagation Neural Network，BNN)算法、径向基函数(Radial Basis Function，RBF)或自主特征映像网络(Self-Organizing Map，SOM)算法其中之一。

Images