CN113628141B - 一种基于高低曝光图像融合的hdr细节增强方法 - Google Patents
一种基于高低曝光图像融合的hdr细节增强方法 Download PDFInfo
- Publication number
- CN113628141B CN113628141B CN202110947831.XA CN202110947831A CN113628141B CN 113628141 B CN113628141 B CN 113628141B CN 202110947831 A CN202110947831 A CN 202110947831A CN 113628141 B CN113628141 B CN 113628141B
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- exposure
- fusion
- low
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract 1
- 239000003365 glass fiber Substances 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于高低曝光图像融合的细节增强HDR方法,包括:获得原始的高低曝光的待融合图像;对高低曝光的待融合图像进行改进的自适应引导滤波处理,得到引导滤波的输出图像序列;比照原图,提取图像的细节因子;通过线性融合生成多曝光图像的细节层;通过曝光度、对比度、饱和度因子对多曝光图像进行衡量,构造对应图像的权值图;通过递归滤波的方式处理权值图;将处理后的权重图与对应高低曝光图像进行加权融合,生成多曝光图像的基本层;将基本层和细节层进行线性融合,得到增强HDR融合图像。本发明有效提取融合低曝光图像和高曝光图像的细节,实现对图像的细节增强,可以避免图像低曝光细节丢失和高曝光鬼影。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种基于高低曝光图像融合的细节增强HDR方法。
背景技术
传统单幅成像的低动态范围图像存在亮处过曝、暗处信息不足等多种问题,难以应对部分高成像要求和高细节要求的使用场景,高动态范围(High dynamic range,HDR)图像能够全面有效反映场景信息,有利于在高动态范围场景下获得高质量的成像。传统的基于图像融合的高动态范围成像算法因为没有区分细节层和基本层,故而形成的HDR图像无法兼顾图像细节和色彩过渡,往往会出现图像低曝光细节丢失和高曝光鬼影的问题。
因此,本领域的技术人员致力于开发一种基于高低曝光图像融合的细节增强HDR方法,以克服上述存在的缺陷。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何解决传统的基于图像融合的高动态范围成像算法无法兼顾细节和色彩过渡,往往会出现图像低曝光细节丢失和高曝光鬼影的问题。
为实现上述目的,本发明提供了一种基于高低曝光图像融合的细节增强HDR方法,包括以下步骤:
步骤1、获得原始的高低曝光的待融合图像;
步骤2、对高低曝光的待融合图像进行改进的自适应引导滤波处理,得到引导滤波的输出图像序列;
步骤3、比照原图,提取图像的细节因子;
步骤4、通过线性融合生成多曝光图像的细节层;
步骤5、通过曝光度、对比度、饱和度因子对多曝光图像进行衡量,构造对应图像的权值图;
步骤6、通过递归滤波的方式处理权值图;
步骤7、将处理后的权重图与对应高低曝光图像进行加权融合,生成多曝光图像的基本层;
步骤8、将基本层和细节层进行线性融合,得到增强HDR融合图像。
进一步地,所述步骤2具体表示为:Gk(i,j)=GFr,ε(Gk,Pk(i,j)),其中,Pk(i,j)为高低曝光的待融合图像序列,Gk代表引导图,GFr,ε(Gk,Pk(i,j))代表域导向滤波的处理,r为窗口半径,ε为正则化参数,Gk(i,j)为引导滤波的输出图像序列。
进一步地,所述步骤3具体表示为:Ck(i,j)=|Pk(i,j)-Gk(i,j)|,其中,Ck(i,j)为细节因子。
进一步地,所述步骤4具体表示为:Ck(x,y)=Cklow(x,y)+Ckhigh(x,y),其中,Ck(x,y)代表细节层,Cklow(x,y)和Ckhigh(x,y)分别为高低曝光图像通过改进域导向滤波获得的细节因子。
进一步地,所述步骤5中的权值图为:W(x,y)=Sk*Ek*Hk,其中Ek、Hk和Sk分别为曝光度、对比度、饱和度因子。
进一步地,所述步骤5中的曝光度因子为:
其中,σ为高斯标准差,Tlow和Thigh分别为欠曝光阈值和过曝光阈值,I(x,y)为图像灰度值,u为最佳曝光位置,
所述最佳曝光位置u具体表示为:
u=0.5+β*[Imean-0.5],其中,β为平均亮度影响系数,Imean为高低曝光图像的平均亮度均值。
进一步地,所述步骤5中的对比度因子为:
Hk(i,j)=h*Ik(i,j),
其中,h为拉普拉斯矩阵,Ik(i,j)为图像灰度值,
所述拉普拉斯矩阵h具体表示为:
进一步地,所述步骤5中的饱和度因子为:
其中,R(x,y)、G(x,y)和B(x,y)分别为图像RGB三个通道,
为图像RGB三个通道的平均值,ε1为标准差。
进一步地,所述步骤6和步骤7之间还包括对权值图进行归一化处理的步骤。
进一步地,所述步骤8具体包括:
在得到三通道基础层图像后,将其转换至HSL色彩空间,并对L通道进行细节因子注入,融合结构如下:
F(i,j)=Bk(x,y)+θCk(x,y),
其中,Bk(x,y)为基本层,Ck(x,y)为细节层,θ为注入细节的线性增强因子,F(i,j)为最终的融合图像。
本发明的有益效果是提供一种新的基于高低爆光图像融合的细节增强HDR算法,有效提取融合低曝光图像和高曝光图像的细节,实现对图像的细节增强,同时对基本层的权值图递归滤波解决了传统融合HDR算法存在的成像过渡不自然,存在光晕鬼影等问题。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的流程图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
本实施例的方法首先对高低曝光两幅图像进行改进的自适应引导滤波处理,通过与引导图像作差得到图像的细节图,生成多曝光图像的细节层;然后通过对比度、饱和度、曝光度因子对多曝光熔池图像进行衡量,构造对应图像的权值图,对权值图通过递归滤波减少光晕鬼影,将原图与对应权值图加权融合,最后对这两者线性融合,获得最后的增强HDR融合图像。该方法能有效挖掘出隐藏的图像细节信息,同时过渡自然,鲁棒性强。
如图1所示,本实施例的基于高低曝光图像融合的HDR细节增强方法具体步骤如下:
(1)细节层增强与构建:
高低曝光的待融合图像进行改进的自适应引导滤波处理,通过与引导图像作差得到图像的细节图,通过线性融合生成多曝光图像的细节层Cf(x,y)。
设Pk为高低曝光图像序列,Gk为引导滤波的输出图像序列。GFr,ε(Gk,Pk)代表域导向滤波的处理。
Gk(i,j)=GFr,ε(Gk,Pk(i,j))
得到滤波图像Gk(i,j)后,比照原图提取图像的细节因子,如式:
Ck(i,j)=|Pk(i,j)-Gk(i,j)|
细节层为高低曝光图像通过域导向滤波获取的细节因子,如式:
Ck(x,y)=Cklow(x,y)+Ckhigh(x,y)
Cklow(x,y)和Ckhigh(x,y)分别为高低曝光图像通过改进域导向滤波获得的细节因子。
(2)基本层构建:
首先,计算亮度权值因子:
σ为高斯标准差,本实施例中,取σ=0.2。Tlow与Thigh分别为欠曝光和过曝光阈值,这些点不构成图像的有用信息。本实施例中,取Tlow与Thigh的值分别为0.05和0.96,I(x,y)为图像灰度值。
最佳曝光位置u为与图像平均亮度相关的线性参数:
u=0.5+β*[Imean-0.5]
β为平均亮度影响系数,本实施例中,取β=0.3。Imean分别为高低曝光图像的平均亮度均值。
其次,利用拉普拉斯算子计算图像对比度:
Hk(i,j)=h*Ik(i,j)
其中:
随后,计算饱和度因子,其计算方法为:
m表示图像RGB三个通道的平均值,标准差ε1取一个小的正值,本实施例中,取ε1=10-4。
最后,构建基本层的权值图:
W(x,y)=Sk*Ek*Hk
通过递归滤波的方式处理权值图,达到消除光晕鬼影与平滑图像的结果,设需要得到的精准权值图为Wk,原有的高低曝光权值为W,递归滤波过程为RF:
Wk=RF(W)
对权值图进行归一化处理
随后,将归一化处理后的权重图与对应高低曝光图像进行融合得到图像的基础层。
(3)基本层与细节层融合:
在得到三通道基础层图像后,将其转换至HSL色彩空间,对其L通道进行细节因子注入。
融合结构如下:
F(i,j)=Bk(x,y)+θCk(x,y)
其中Bk(x,y)为基础层,Ck(x,y)为细节层,θ为注入细节的线性增强因子,可以根据不同融合需求进行人为选取,以实现不同的增强融合效果。F(i,j)为最终的融合图像。
实验结果分析:
通过本实施例提供的技术方案,可以在保留细节的同时获得更好的HDR视觉效果,以同一组公开的工业测试图片为例。
表1几种图像融合HDR方法的结果客观评估
由此可知,本实施例方法具有更有的效果。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于高低曝光图像融合的细节增强HDR方法,其特征在于,包括以下步骤:
步骤1、获得原始的高低曝光的待融合图像;
步骤2、对高低曝光的待融合图像进行改进的自适应引导滤波处理,得到引导滤波的输出图像序列;
步骤3、比照原图,提取图像的细节因子;
步骤4、通过线性融合生成多曝光图像的细节层;
步骤5、通过曝光度、对比度、饱和度因子对多曝光图像进行衡量,构造对应图像的权值图;
步骤6、通过递归滤波的方式处理权值图;
步骤7、将处理后的权重图与对应高低曝光图像进行加权融合,生成多曝光图像的基本层;
步骤8、将基本层和细节层进行线性融合,得到增强HDR融合图像;
所述步骤2具体表示为:Gk(i,j)=GFr,ε(Gk,Pk(i,j)),其中,Pk(i,j)为高低曝光的待融合图像序列,Gk代表引导图,GFr,ε(Gk,Pk(i,j))代表域导向滤波的处理,r为窗口半径,ε为正则化参数,Gk(i,j)为引导滤波的输出图像序列;
所述步骤3具体表示为:Ck(i,j)=|Pk(i,j)-Gk(i,j)|,其中,Ck(i,j)为细节因子;
所述步骤4具体表示为:Ck(x,y)=Cklow(x,y)+Ckhigh(x,y),其中,Ck(x,y)代表细节层,Cklow(x,y)和Ckhigh(x,y)分别为高低曝光图像通过改进域导向滤波获得的细节因子。
2.如权利要求1所述的基于高低曝光图像融合的细节增强HDR方法,其特征在于,所述步骤5中的权值图为:W(x,y)=Sk*Ek*Hk,其中Ek、Hk和Sk分别为曝光度、对比度、饱和度因子。
3.如权利要求2所述的基于高低曝光图像融合的细节增强HDR方法,其特征在于,所述步骤5中的曝光度因子为:
其中,σ为高斯标准差,Tlow和Thigh分别为欠曝光阈值和过曝光阈值,I(x,y)为图像灰度值,u为最佳曝光位置,
所述最佳曝光位置u具体表示为:
u=0.5+β*[Imean-0.5],其中,β为平均亮度影响系数,Imean为高低曝光图像的平均亮度均值。
4.如权利要求2所述的基于高低曝光图像融合的细节增强HDR方法,其特征在于,所述步骤5中的对比度因子为:
Hk(i,j)=h*Ik(i,j),
其中,h为拉普拉斯矩阵,Ik(i,j)为图像灰度值,
所述拉普拉斯矩阵h具体表示为:
5.如权利要求2所述的基于高低曝光图像融合的细节增强HDR方法,其特征在于,所述步骤5中的饱和度因子为:
其中,R(x,y)、G(x,y)和B(x,y)分别为图像RGB三个通道,
为图像RGB三个通道的平均值,ε1为标准差。
6.如权利要求1所述的基于高低曝光图像融合的细节增强HDR方法,其特征在于,所述步骤6和步骤7之间还包括对权值图进行归一化处理的步骤。
7.如权利要求1所述的基于高低曝光图像融合的细节增强HDR方法,其特征在于,所述步骤8具体包括:
在得到三通道基础层图像后,将其转换至HSL色彩空间,并对L通道进行细节因子注入,融合结构如下:
F(i,j)=Bk(x,y)+θCk(x,y),
其中,Bk(x,y)为基本层,Ck(x,y)为细节层,θ为注入细节的线性增强因子,F(i,j)为最终的融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947831.XA CN113628141B (zh) | 2021-08-18 | 2021-08-18 | 一种基于高低曝光图像融合的hdr细节增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947831.XA CN113628141B (zh) | 2021-08-18 | 2021-08-18 | 一种基于高低曝光图像融合的hdr细节增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628141A CN113628141A (zh) | 2021-11-09 |
CN113628141B true CN113628141B (zh) | 2023-11-28 |
Family
ID=78386331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110947831.XA Active CN113628141B (zh) | 2021-08-18 | 2021-08-18 | 一种基于高低曝光图像融合的hdr细节增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628141B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359083B (zh) * | 2021-12-24 | 2022-11-29 | 北京航空航天大学 | 一种面向干扰环境的高动态热红外图像自适应预处理方法 |
CN117014729B (zh) * | 2023-09-27 | 2023-12-05 | 合肥辉羲智能科技有限公司 | 一种二次曝光图像融合高动态范围图像的方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530263A (zh) * | 2016-10-19 | 2017-03-22 | 天津大学 | 一种适应于医学影像的单曝光高动态范围图像生成方法 |
CN107845128A (zh) * | 2017-11-03 | 2018-03-27 | 安康学院 | 一种多尺度细节融合的多曝光高动态图像重建方法 |
WO2020093600A1 (zh) * | 2018-11-09 | 2020-05-14 | 深圳市华星光电技术有限公司 | 基于图像多重曝光融合的高动态显示方法 |
-
2021
- 2021-08-18 CN CN202110947831.XA patent/CN113628141B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530263A (zh) * | 2016-10-19 | 2017-03-22 | 天津大学 | 一种适应于医学影像的单曝光高动态范围图像生成方法 |
CN107845128A (zh) * | 2017-11-03 | 2018-03-27 | 安康学院 | 一种多尺度细节融合的多曝光高动态图像重建方法 |
WO2020093600A1 (zh) * | 2018-11-09 | 2020-05-14 | 深圳市华星光电技术有限公司 | 基于图像多重曝光融合的高动态显示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113628141A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628141B (zh) | 一种基于高低曝光图像融合的hdr细节增强方法 | |
CN105279746B (zh) | 一种基于双边滤波的多曝光图像融合方法 | |
CN112734650A (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
CN111598799A (zh) | 图像调色增强方法和图像调色增强神经网络训练方法 | |
JP2001126075A (ja) | 画像処理方法および装置並びに記録媒体 | |
CN107392879B (zh) | 一种基于参考帧的低照度监控图像增强方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN115393227B (zh) | 基于深度学习的微光全彩视频图像自适应增强方法及*** | |
CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
CN110363720A (zh) | 一种图像的色彩增强方法、装置、设备和存储介质 | |
Lou et al. | Integrating haze density features for fast nighttime image dehazing | |
Zhang et al. | A real-time semi-supervised deep tone mapping network | |
CN116188339A (zh) | 一种基于Retinex及图像融合的暗视觉图像增强方法 | |
CN115809966A (zh) | 一种低照度图像的增强方法和*** | |
CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及*** | |
CN112070686B (zh) | 一种基于深度学习的逆光图像协同增强方法 | |
Han et al. | Automatic illumination and color compensation using mean shift and sigma filter | |
CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
CN116993616A (zh) | 一种单幅低照度场景图像增强方法及增强*** | |
CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 | |
CN114638764B (zh) | 基于人工智能的多曝光图像融合方法及*** | |
CN115937024A (zh) | 基于Retinex理论的多帧融合低照度图像增强方法 | |
CN113284058B (zh) | 一种基于迁移理论的水下图像增强方法 | |
WO2023110878A1 (en) | Image processing methods and systems for generating a training dataset for low-light image enhancement using machine learning models | |
CN115456912A (zh) | 一种基于多尺度wls滤波融合的色调映射方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |