CN104835121A - 基于无穷范数约束与最大熵原则的色调映射方法 - Google Patents
基于无穷范数约束与最大熵原则的色调映射方法 Download PDFInfo
- Publication number
- CN104835121A CN104835121A CN201510205188.8A CN201510205188A CN104835121A CN 104835121 A CN104835121 A CN 104835121A CN 201510205188 A CN201510205188 A CN 201510205188A CN 104835121 A CN104835121 A CN 104835121A
- Authority
- CN
- China
- Prior art keywords
- node
- image
- mapped
- maximum entropy
- mapping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于无穷范数约束与最大熵原则的色调映射方法,主要用于解决高动态图像低动态映射时信息损失较大,易造成重要语义信息细节丢失的问题。其实现步骤为:1)统计待映射图像中像素值的分布情况;2)根据统计结果建立图论模型;3)以图论模型为基础建立最优化方程;4)根据色调失真需求,设置最优化方程的约束条件;5)使用图论中K-Links最长路径求解算法,求解最优化方程;6)根据最优化方程的解,完成映射操作。本发明可有效降低图像低动态映射时信息的损失,通过加入色调误差保护机制,可确保重要语义信息的细节不会损失,且运算复杂度低,并行性好,易于实时实现,可用于高动态图像的低动态映射及显示。
Description
技术领域
本发明属于数字图像处理技术领域,涉及将高动态的数字图像映射至低动态范围,可用于完成高动态数字图像的低动态显示过程。
背景技术
随着数字图像技术的发展和普及,传统的低动态范围图像已经无法满足人们日益增长的需求,高动态的数字图像视觉内容正在增多。如在航空航天领域,人们使用更为高效的数字传感器捕获动态范围更高的航空图像;在电脑动画游戏领域,人们使用计算机图形生成技术,产生无限动态范围的创作视觉内容。
然而,相较于快速发展并广泛应用的计算机图形生成技术和数字传感器工艺,目前广泛使用的却是不支持高动态数字图像的传统显示设备。因而,高动态的数字图像往往需要映射成低动态图像,以完成在传统显示设备上显示。常用的方法是对高动态图像进行线性映射,即直接舍去高动态图像的低位,但是,这样会舍去很多图像的细节信息,从而造成图像显示效果的减弱。因而,如何将高动态图像映射成低动态图像,使其能够最优地在低动态显示器上显示,成为了一个很重要的问题。
目前为止,已提出的色调映射算法主要有以下几种:
汤姆森特许公司提出的专利申请“基于区的色调映射”,专利申请号为201080029221,公开了一种用于将高动态范围图像色调映射到低动态范围显示器上的方法。该方法首先访问高动态范围图像,并将图像分段成不同区域,每个区域由矩阵表示,其中矩阵的每个元素是像素的权重或者概率。随后,计算每个区域的曝光值并将其应用到每个区域。最后,将不同区域融合到一起以得出最终的映射图像。然而,该算法是根据特定的函数曲线,将高动态图像直接映射至低动态,并没有考虑到图像的细节信息以及最优显示问题。
惠普开发有限公司提出的专利申请“用于色调映射图像的方法”,专利申请号为200980160696,公开了一种用于色调映射的数字图像方法。该方法首先将多个线性强度值从线性空间映射至非线性空间,随后基于当前高位深度强度值选择边界区间值,将所选择的边界区间值中的每一个映射到较低位深度非线性空间中,最后将被映射的所选择的边界区间值存储到计算机可读介质上。然而,该算法是通过使用伽马函数来完成将图像从高动态范围映射至低动态的非线性空间中,因而,其映射后,低动态图像的显示效果并不是很好。
综上所述,上述两种技术均是简单的采用固定形式的映射函数将高动态图像直接映射至低动态,虽然对过亮或过暗的单峰图像有较好的显示效果,但映射函数形式单一,可调节范围仅仅是映射函数的相关参数,无法对所有图像进行有效显示,尤其是对包括有过亮区域和过暗区域的多峰图像进行有效显示。其次,上述显示方法并没有考虑到图像整体的信息论意义,没有显式的最优映射表达式。最后,上述显示方法由于没有色调误差保护机制,在映射的过程中会不加区分地丢弃所有统计特征不明显的内容,若这些内容中包含有语义信息显著的重要内容,如小目标及隐藏目标等,则会导致重要信息的丢失。
发明内容
本发明的目的在于针对上述已有技术中的不足,提出一种基于无穷范数约束与最大熵原则的色调映射方法,以减少高动态图像映射成低动态图像时信息的损失,得到效果最优的低动态图像。
实现本发明目的技术思路是:根据高动态图像的系数分布,建立图论模型,采用带无穷范数约束的最大熵原则,设计并求解最优映射函数,在保证细节信息的前提下,对图像中的元素进行非线性映射,并最大化低动态图像系数的信息熵。具体步骤包括如下:
(1)依据待映射图像中像素点的值,将像素点分为2m个类别,并遍历待映射图像所有的像素点,统计出每个类别的出现概率Pm(a),其中,m为待映射图像的位宽,0≤a≤2m-1;
(2)根据步骤(1)所得的统计信息,建立图论模型,即从2m个类别中选取出2n-1个节点sk,并与初始节点s0组成节点集合S,其中,n为映射目标图像的位宽,1≤k≤2n-1,s0=0;
(3)以最大熵为原则,建立如下最优化方程:
其中,Pn(sj)=ΣPm(b),sj≤b<sj+1,0≤j≤2n-1,
(4)根据色调失真需求,对式<1>中各节点sk的最大长度度进行约束,即得到<1>的约束条件:
sj+1-sj≤τ <2>
其中,0≤j≤2n-1,τ为色调失真控制系数,根据实际需求设定;
(5)使用图论中的K-Links最长路径求解算法,在式<2>的约束情况下,优化步骤(2)中各节点sk的选取,得到使式<1>取得最大值时的最优集合Sb;
(6)根据步骤(5)中求得的最优集合Sb,完成待映射图像中每个像素点的映射操作,即将待映射图像中像素值为[sh,sh+1)的点的像素值赋为h,得到映射目标图像。
本发明与现有技术相比具有以下优点:
第一,本发明引入了信息熵的概念,通过最大化映射后图像的熵值,尽可能地减少图像映射时的信息损失,达到最优的映射效果。
第二,本发明在映射函数设计时加入色调误差保护机制,通过无穷范数约束来保护映射中重要亮度范围的失真,以确保重要语义信息的细节不会损失。
第三,本发明采用图论中的K-Links最长路径方法对色调映射函数进行求解,不仅减小了运算复杂度,而且具有极高的并行性,使本发明更加易于实时实现。
附图说明
图1为本发明的实现总流程图;
图2为本发明中求解最优集合Sb的子流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1,本发明的实现步骤如下:
步骤1,统计待映射图像中像素点的出现概率:
依据待映射图像中像素点的值,将像素点分为2m个类别,并遍历待映射图像所有的像素点,统计出每个类别的出现概率Pm(a),其中,m为待映射图像的位宽,0≤a≤2m-1。
步骤2,使用图论中的K-Links最长路径求解算法求解最优集合Sb。
参考图2,本步骤的具体实现如下:
2a)定义1次节点集合S1:
1次节点集合S1由两个节点构成:初始节点s0、1次选取节点s1,其中,s0=0,1次选取节点s1为从步骤1的2m个类别中选取出的任意1个类别;
2b)定义1次节点信息熵函数e1:
e1=Σ-Pn(sj)log Pn(sj)
其中,Pn(sj)=ΣPm(b),sj≤b<sj+1,sj∈S1,s2=2m;
2c)遍历所有的节点选取情况,并以选取节点为i时,1次节点信息熵函数e1的值作为1次节点最大熵e(1,i),其中0<i<2m-1;
2d)设置变量M=2;
2e)定义M次节点集合SM:
M次节点集合SM由初始节点s0和M次选取节点sl这两部分构成:其中,1≤l≤M,M次选取节点sl由从步骤1的2m个类别中选取出的任意M个不相同的类别构成;
2f)定义M次节点信息熵函数eM:
eM=Σ-Pn(sj)logPn(sj)
其中,Pn(sj)=ΣPm(b),sj≤b<sj+1,sj∈SM,sM+1=2m;
2g)根据色调失真需求,对M次节点集合SM中各节点sk的最大长度进行约束,即得到约束条件:
sj+1-sj≤τ
其中,0≤j≤2n-1,τ为色调失真控制系数,根据实际需求设定;
2h)遍历所有满足步骤2g)约束条件的节点选取情况,并结合已经求得的M-1次节点最大熵e(M-1,i),以选取的最后一个节点为i时,M次节点信息熵函数eM的最大值作为M次节点最大熵e(M,i)的值,0<i<2m-1;
2i)设置变量M=M+1,并判断M≤2n是否成立,若成立,则返回步骤2e),若不成立,则进行步骤2j);
2j)根据求得的2n-1次节点最大熵结果,以取得最大值时对应的选取情况作为最优集合Sb,其中0<i<2m-1。
步骤3,完成图像映射:
根据步骤2中求得的最优集合Sb,完成待映射图像中每个像素点的映射操作,即将待映射图像中像素值为[sh,sh+1)的点的像素值赋为h,得到映射目标图像。
以上描述仅是本发明的一个具体实例,并不构成对本发明的任何限制。显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (2)
1.一种基于无穷范数约束与最大熵原则的色调映射方法,包括如下步骤:
(1)依据待映射图像中像素点的值,将像素点分为2m个类别,并遍历待映射图像所有的像素点,统计出每个类别的出现概率Pm(a),其中,m为待映射图像的位宽,0≤a≤2m-1;
(2)根据步骤(1)所得的统计信息,建立图论模型,即从2m个类别中选取出2n-1个节点sk,并与初始节点s0组成节点集合S,其中,n为映射目标图像的位宽,1≤k≤2n-1,s0=0;
(3)以最大熵为原则,建立如下最优化方程:
其中,Pn(sj)=ΣPm(b),sj≤b<sj+1,0≤j≤2n-1,
(4)根据色调失真需求,对式<1>中各节点sk的最大长度进行约束,即得到<1>的约束条件:
sj+1-sj≤τ <2>
其中,0≤j≤2n-1,τ为色调失真控制系数,根据实际需求设定;
(5)使用图论中的K-Links最长路径求解算法,在式<2>的约束情况下,优化步骤(2)中各节点sk的选取,得到使式<1>取得最大值时的最优集合Sb;
(6)根据步骤(5)中求得的最优集合Sb,完成待映射图像中每个像素点的映射操作,即将待映射图像中像素值为[sh,sh+1)的点的像素值赋为h,得到映射目标图像。
2.根据权利要求1所述的基于无穷范数约束与最大熵原则的色调映射方法,其中所述步骤(5),按如下步骤进行:
(5a)从步骤(1)的2m个类别中,选取出1个节点,并与初始节点s0组成1次节点集合S1,遍历所有的节点选取情况,求得每种情况时的1次节点最大熵e(1,i),其中0<i<2m-1,e(1,i)表示选取节点为i时,Σ-Pn(sj)logPn(sj)的最大值,其中sj∈S1;
(5b)设置变量M=2;
(5c)从步骤(1)的2m个类别中,选取出满足式<2>的M个节点,并与初始节点s0组成M次节点集合SM,结合已经求得的M-1次节点最大熵e(M-1,i),遍历所有的节点选取情况,求得每种情况时的M次节点最大熵e(M,i),其中0<i<2m-1,e(M,i)表示选取的最后一个节点为i时,Σ-Pn(sj)logPn(sj)的最大值,其中sj∈SM;
(5d)设置变量M=M+1,并判断M≤2n是否成立,若成立,则返回步骤(5c),若不成立,则进行步骤(5e);
(5e)根据求得的2n-1次节点最大熵结果,以取得最大值时对应的选取情况作为最优集合Sb,其中0<i<2m-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510205188.8A CN104835121B (zh) | 2015-04-27 | 2015-04-27 | 基于无穷范数约束与最大熵原则的色调映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510205188.8A CN104835121B (zh) | 2015-04-27 | 2015-04-27 | 基于无穷范数约束与最大熵原则的色调映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104835121A true CN104835121A (zh) | 2015-08-12 |
CN104835121B CN104835121B (zh) | 2017-10-24 |
Family
ID=53812991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510205188.8A Expired - Fee Related CN104835121B (zh) | 2015-04-27 | 2015-04-27 | 基于无穷范数约束与最大熵原则的色调映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104835121B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369138A (zh) * | 2017-06-26 | 2017-11-21 | 西安电子科技大学 | 基于高阶统计模型的图像最优化显示方法 |
CN109410126A (zh) * | 2017-08-30 | 2019-03-01 | 中山大学 | 一种细节增强与亮度自适应的高动态范围图像的色调映射方法 |
CN109416830A (zh) * | 2016-07-08 | 2019-03-01 | 深圳市大疆创新科技有限公司 | 用于图像处理的***和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130330016A1 (en) * | 2012-06-08 | 2013-12-12 | Tokyo Metropolitan University | Image processing apparatus, method, and program |
CN103824250A (zh) * | 2014-01-24 | 2014-05-28 | 浙江大学 | 基于gpu的图像色调映射方法 |
CN103915077A (zh) * | 2013-01-04 | 2014-07-09 | 李卫斌 | 一种在普通显示设备上显示高动态图像的方法 |
-
2015
- 2015-04-27 CN CN201510205188.8A patent/CN104835121B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130330016A1 (en) * | 2012-06-08 | 2013-12-12 | Tokyo Metropolitan University | Image processing apparatus, method, and program |
CN103915077A (zh) * | 2013-01-04 | 2014-07-09 | 李卫斌 | 一种在普通显示设备上显示高动态图像的方法 |
CN103824250A (zh) * | 2014-01-24 | 2014-05-28 | 浙江大学 | 基于gpu的图像色调映射方法 |
Non-Patent Citations (2)
Title |
---|
宋明黎等: ""基于概率模型的高动态范围图像色调映射"", 《软件学报》 * |
张硕: ""高动态范围图像的色调映射算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109416830A (zh) * | 2016-07-08 | 2019-03-01 | 深圳市大疆创新科技有限公司 | 用于图像处理的***和方法 |
CN107369138A (zh) * | 2017-06-26 | 2017-11-21 | 西安电子科技大学 | 基于高阶统计模型的图像最优化显示方法 |
CN107369138B (zh) * | 2017-06-26 | 2020-10-09 | 西安电子科技大学 | 基于高阶统计模型的图像最优化显示方法 |
CN109410126A (zh) * | 2017-08-30 | 2019-03-01 | 中山大学 | 一种细节增强与亮度自适应的高动态范围图像的色调映射方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104835121B (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103606137B (zh) | 保持背景和细节信息的直方图均衡化方法 | |
CN103295191B (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN105654438A (zh) | 基于局部直方图均衡的灰度图像拟合增强方法 | |
CN103778900B (zh) | 一种图像处理方法及*** | |
CN106023063A (zh) | 一种视频移植换脸的方法 | |
CN102789635A (zh) | 一种图像增强方法和装置 | |
CN104182947A (zh) | 一种低照度图像增强方法和*** | |
CN109829868B (zh) | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 | |
CN103440646A (zh) | 用于颜色分布和纹理分布图像检索的相似度获取方法 | |
CN103325120A (zh) | 一种快速自适应支持权值双目视觉立体匹配方法 | |
CN103530847A (zh) | 一种红外图像增强方法 | |
CN103226820A (zh) | 改进的二维最大熵分割夜视图像融合目标检测算法 | |
CN103927727A (zh) | 一种标量图像转化为矢量图的方法 | |
CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
CN107590530B (zh) | 一种基于生成对抗网络的逐层更新算法 | |
TW201308997A (zh) | 用於顯示裝置之影像品質提升方法 | |
CN114066871B (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
CN110443252A (zh) | 一种文字检测方法、装置及设备 | |
CN103295205B (zh) | 一种基于Retinex的微光图像快速增强方法和装置 | |
CN104200505A (zh) | 一种人脸视频图像的漫画式动画生成方法 | |
CN103632153A (zh) | 一种基于区域的图像显著图提取方法 | |
CN104835121A (zh) | 基于无穷范数约束与最大熵原则的色调映射方法 | |
CN103810681A (zh) | 一种低功耗对比度增强方法 | |
CN103700077A (zh) | 一种基于人眼视觉特性的自适应图像增强方法 | |
CN112991236B (zh) | 一种基于模板的图像增强方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171024 |
|
CF01 | Termination of patent right due to non-payment of annual fee |