本發(fā)明屬于視頻圖像處理
技術(shù)領(lǐng)域：
，特別是涉及一種基于局部特性的高動態(tài)圖像快速生成方法。
背景技術(shù)：
：高動態(tài)圖像生成是指利用計算機把若干幅具有不同曝光度的同一場景的圖像融合成一幅具有所有不同曝光度圖像信息的高動態(tài)圖像，滿足人們在各個領(lǐng)域研究的需求。高動態(tài)視頻生成是指通過一臺攝像機快速變換快門速度，同時實時拍攝低曝光度和高曝光度的視頻序列，然后通過高動態(tài)視頻生成算法把兩個序列融合成一個高動態(tài)序列，使序列中同時包括所有亮度范圍的信息。數(shù)字圖像生成設(shè)備(數(shù)碼相機、數(shù)碼攝像機等)的使用已經(jīng)越來越普及，也使得數(shù)字圖像得到了越來越廣泛的應(yīng)用。在實際的自然環(huán)境里，整個空間的動態(tài)范圍，即亮度范圍是非常大的，從最亮的區(qū)域到最暗的區(qū)域往往會跨越好幾個數(shù)量級的光亮度。但是一般的數(shù)字圖像的主要采用0-255個灰度層次去表示圖像的亮度變化，這就導(dǎo)致了圖像的亮度范圍相比于真實場景是遠遠不夠的。隨著計算機和圖像處理技術(shù)的發(fā)展，高動態(tài)圖像生成技術(shù)為采集包含所有亮度范圍信息的圖像提供了很好的解決方案。通過調(diào)節(jié)相機的曝光時間，采集到不同曝光度(亮度范圍)的圖片，然后通過高動態(tài)圖像生成算法，把不同曝光度的圖片融合成為一幅包含所有亮度范圍信息的圖片。高動態(tài)圖像生成算法有很多。有研究者在2010年詳細總結(jié)過其中一類算法。這類算法的核心思想是通過浮點數(shù)去表示高動態(tài)范圍的圖像，用以解決數(shù)字圖像動態(tài)范圍不足的現(xiàn)象。該方法首先建立相機圖像生成模型，然后通過多幅同一場景不同曝光度的圖像去估計相機的響應(yīng)曲線，最后通過響應(yīng)曲線估計出浮點數(shù)的真實場景的物體的亮度。這類方法的缺點是必須首先生成浮點數(shù)的圖像，由于目前的圖像顯示設(shè)備不支持浮點數(shù)的顯示，所以當顯示的時候，還需要映射到8bit的整數(shù)空間去顯示。同時，浮點數(shù)圖像的壓縮、存儲以及傳輸相比于數(shù)字圖像也比較困難，也是這一類方法的問題所在。另一類方法被稱為曝光度融合算法，這類算法通過直接分配給不同曝光度的圖片歸一化的權(quán)重，把所有圖片直接融合在一起。這類方法的優(yōu)點在于：不需要生成浮點數(shù)的圖像，直接生成最終的高動態(tài)圖像；利用人眼的視覺特性，由于人眼對圖像整體的亮度范圍不敏感，但是對比局部的明暗對比敏感，通過這個特性可以用較低的動態(tài)范圍的數(shù)字圖像表示高動態(tài)范圍的自然場景。有研究者于2005年提出了基于塊的融合算法。該算法首先把圖像分割成小圖像塊，計算不同圖像塊的信息熵，用來度量圖像塊的信息大小。算法挑出同一個位置不同曝光度圖像塊中信息熵最大的塊。然后把這些塊通過一個單調(diào)遞減的混合函數(shù)融合在一起。但是，信息熵在實際應(yīng)用中，圖像塊并非越大越好，而且算法的運行時間過長。有研究者于2007年提出了一種由簡單飽和度和對比度指導(dǎo)的融合算法。該算法通過多尺度的方法把不同曝光度的圖像融合在一起。有研究者于2011年提出了一種基于多目標的優(yōu)化方程的融合算法，通過在該方程中定義理想圖像的一系列性質(zhì)，達到約束優(yōu)化目標的效果，然后通過歐拉拉格朗日優(yōu)化算法求解該方程，得到最后的輸出結(jié)果。該方法能夠得到比較不錯的輸出結(jié)果，但是缺點是計算過程非常緩慢。有研究者于2013年提出了一種細節(jié)保持的低復(fù)雜度的多曝光度圖像融合算法，融合算法提供像素級的權(quán)重分配，并且不需要進行任何濾波和變換。但是，算法在飽和度和對比度上有所缺失。技術(shù)實現(xiàn)要素：為了解決上述技術(shù)問題，本發(fā)明提供一種基于局部特性的高動態(tài)圖像快速生成方法，包括如下步驟：圖像分割步驟，將同一場景不同曝光度的圖像分割成面積等大的塊；像素級權(quán)重生成步驟，取得所述每個塊的塊級權(quán)重，采用均值濾波對權(quán)重圖進行平滑，濾除權(quán)重塊之間的邊緣；以及圖像融合步驟，通過生成的像素級權(quán)重，根據(jù)圖像融合模型對不同曝光度的圖像進行融合。其中，所述每個塊的塊級權(quán)重取得具體包括如下步驟：圖像塊分割步驟，將所述每個塊分割為面積等大的小塊；圖像信息提取步驟，在所述每個小塊的位置，從不同曝光度的小塊中選取曝光度最合適的小塊；以及融合權(quán)重計算步驟，將所述曝光度最合適的小塊拼成一副圖像作為參數(shù)求得融合權(quán)重。其中，所述圖像融合模型可表示為Fij=Σk=1NWijkIijk,s.t.Σk=1NWijk=1]]>其中，F(xiàn)是融合的圖像結(jié)果，W是權(quán)重系數(shù)，I是原始不同曝光度的圖像，i和j分別是像素的坐標，k是不同曝光度圖像的編號。其中，在所述融合權(quán)重計算步驟中，根據(jù)以下公式求得融合權(quán)重W*=argminW*||Σk=1NWkIk-R||,s.t.Σk=1NWk=1]]>其中，W*為融合權(quán)重，I是原始不同曝光度的圖像，k是不同曝光度圖像的編號。其中，所述曝光度最合適的小塊為方差最大的小塊。其中，所述曝光度最合適的小塊為信息量最大的小塊。優(yōu)選為，所述小塊的尺寸為單個像素尺寸。優(yōu)選為，所述塊為正方形。優(yōu)選為，所述小塊為正方形。根據(jù)本發(fā)明能夠?qū)崿F(xiàn)多幅同一場景不同曝光度圖像的快速融合，使融合后的高動態(tài)視頻圖像能夠包含所有亮度范圍的信息，并且能夠保證快速的算法運行速度。附圖說明圖1是基于局部特性的高動態(tài)圖像快速生成方法的流程圖。圖2是塊級權(quán)重生成方法的流程圖。圖3是將不同曝光度的圖像切割成等大的塊，再將每個塊分割為面積更小的等大塊的示意圖。圖4是一組不同曝光度的圖片的實例，(a)欠曝光圖像，(b)中等曝光圖像，(c)過曝光圖像。圖5是計算得到的一幅信息量最大R圖像的示例。圖6是濾波前的權(quán)重圖和濾波后的權(quán)重圖，以及對應(yīng)的融合結(jié)果，(a)分割成大塊的權(quán)重圖，(b)均值濾波后的權(quán)重圖，(c)濾波前權(quán)重圖的融合結(jié)果，(d)濾波后權(quán)重圖的融合結(jié)果。圖7是基于局部特性的高動態(tài)圖像快速生成方法在視頻上應(yīng)用的例子，(a)過曝光的視頻序列，(b)欠曝光的視頻序列，(c)生成的高動態(tài)視頻序列。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。圖1為基于局部特性的高動態(tài)圖像快速生成方法的流程圖。不同曝光度的圖像，通過分配不同的權(quán)重，可以融合在一起。由于圖像中像素的信息量可以通過其局部空間鄰域內(nèi)的信息量表示，我們首先進行圖像分割步驟(S1)，將每張不同曝光度的圖像切割成等大的塊，如圖3所示。優(yōu)選為，塊為正方形。接下來，進行像素級權(quán)重生成步驟(S2)，取上述每個塊的塊級權(quán)重，采用均值濾波對權(quán)重圖進行平滑，濾除權(quán)重塊之間的邊緣得到像素級權(quán)重。具體來說，首先，取得上述每個塊的塊級權(quán)重，如圖2所示，包括如下步驟：圖像分割步驟(S21)，將上述塊分割為面積更小的等大的小塊，如圖3所示。優(yōu)選為，小塊為正方形。進一步優(yōu)選為，小塊的尺寸為單個像素尺寸。不同曝光度圖像信息提取步驟(S22)，在每一個小塊的位置選取曝光度最合適的小塊。首先，進行圖像小塊信息量的度量，也即方差計算。我們通過實驗發(fā)現(xiàn)，在不同曝光度的自然圖像中，當一幅圖像處在最合適的曝光度的時候，圖像小塊的細節(jié)會比較豐富，對應(yīng)著的像素點的數(shù)學統(tǒng)計量——方差，也相應(yīng)的比較大。當一幅圖像處于過曝光(圖像發(fā)白)，或者欠曝光(圖像發(fā)黑)的時候，圖像小塊的細節(jié)會基本丟失，對應(yīng)著的像素的方差會比較小。即，同一位置不同曝光度的圖像的小塊，方差大的信息量更大。圖4表示一組不同曝光度的圖片的實例。從同一位置不同曝光度的小塊中，取出方差最大取出方差最大的小塊，拼成一幅圖像，該圖像被記為R。融合權(quán)重的計算步驟(S23)，我們把R圖像作為參數(shù)，建立模型求解目標方程，得到最終的融合權(quán)重W*。W*=argminW*||Σk=1NWkIk-R||,]]>s.t.Σk=1NWk=1]]>其中，W*是最終的融合權(quán)重。I是原始不同曝光度的圖像，k是不同曝光度圖像的編號。之后，采用均值濾波對權(quán)重圖進行平滑，濾除權(quán)重塊之間的邊緣。由于，直接采用塊級權(quán)重融合圖像，塊效應(yīng)比較明顯，人眼感覺很不自然，因此，采用均值濾波對權(quán)重圖進行平滑，濾除權(quán)重塊之間的邊緣，得到最終的結(jié)果。最后，進行圖像融合步驟(S3)，通過生成的像素級權(quán)重，把同一場景不同曝光度的圖像點點融合在一起，使最終的融合圖像的亮度信息最大，圖像融合模型可以用公式表示Fij=Σk=1NWijkIijk,s.t.Σk=1NWijk=1]]>其中，F(xiàn)是融合的圖像結(jié)果，W是權(quán)重系數(shù)，I是原始不同曝光度的圖像。i和j分別是像素的坐標，k是不同曝光度圖像的編號。為了方便說明算法，在圖5的例子中，在整幅圖像中計算權(quán)重，此權(quán)重為圖像級的權(quán)重，即整個圖像分配一個權(quán)重。整個圖像賦予一個權(quán)重能夠增加的圖像信息還是有限的，為了能夠獲得更多的圖像信息，在塊上運行上述權(quán)重計算步驟，得到每個塊的塊級權(quán)重結(jié)果，如圖6(a)所示。再采用均值濾波對權(quán)重圖進行平滑，濾除權(quán)重塊之間的邊緣，得到結(jié)果如圖6(b)所示。圖6(c)、(d)顯示了濾波前的權(quán)重圖和濾波后的權(quán)重圖所對應(yīng)的融合結(jié)果。本發(fā)明合理地利用了圖像中像素的小領(lǐng)域的方差去定義圖像的信息，達到提取出不同曝光度圖像信息的目的。另外，本發(fā)明建立了實用的優(yōu)化方程去求解最終結(jié)果，使最終生成的圖像在獲取亮度信息方面得到最優(yōu)的目標解。同時，本發(fā)明最終生成了像素級的融合權(quán)重，使圖像信息的獲取更加優(yōu)化。另一方面，本發(fā)明利用圖像性質(zhì)，建立了凸的優(yōu)化模型，可以快速求解，在保證圖像的質(zhì)量的情況下，能夠保證高動態(tài)圖像生成的速度，使本方法在視頻上得以應(yīng)用提供很好的前景。圖7顯示了基于局部特性的高動態(tài)圖像快速生成方法在視頻上應(yīng)用的例子，其中(a)為過曝光的視頻序列，(b)為欠曝光的視頻序列，(c)為生成的高動態(tài)視頻序列。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3