论文部分内容阅读
伴随数字成像技术的发展越来越快,人们对于数字图像品质的需求逐渐升高。近年来,由于高动态范围图像包含更高的对比度和更多细节信息,能更好地匹配人眼对真实场景的亮度、饱和度及对比度的认知特性,有相当广阔的前景。在数字摄像、生物医学、遥测遥感、安防监控等领域被广泛应用。目前常见的手段是通过多曝光图像融合技术来获取高动态范围(High Dynamic Range,HDR)图像,然而该方法仅适用于静态场景下拍摄的多曝光图像。由于自然界中的绝大部分场景是动态的,拍摄得到的多帧不同曝光图像中不免包含移动的车辆、人群等,最终使融合得到的高动态范围图像产生鬼影效应,对图像的整体品质及视觉效果产生了极大的影响。因此在图像融合领域中,研究怎样去除高动态图像中的鬼影显得至关重要。本论文在研究高动态范围成像技术过程,鬼影检测与去除技术原理的基础上,针对现有的先进去鬼影算法大多需要在迭代优化框架中进行运动估计,此框架计算复度高并且不适合于移动设备。提出一种基于图像块结构一致性检测的鬼影去除算法,对鬼影检测与去除过程进行研究,即检测参考图像的图像块与对应位置输入多曝光序列图像块之间信号结构的相似性,以此去掉结构不一致图像块,达到去除鬼影的目的。目前基于参考图像的去鬼影算法的缺点在于最终HDR图像鬼影区域的像素值极大依赖于单帧参考图像,一旦参考图像某些区域出现曝光过度/不足现象,将致使融合图像此部分区域产生细节信息丢失。基于此,本文首先将参考图像划分为曝光正常及曝光不足/过度两大区域,并有针对性地对这两部分区域进行处理。对于后续的图像块融合过程,本文采用基于图像块分解的多曝光图像融合算法,即将图像块分解成三个概念独立的组成部分:信号强度,信号结构和平均强度,并根据图像块强度,曝光度和结构一致性措施对每个部分进行融合处理,重构所需图像块添加至最终融合图像中。这种方法不需要后续处理步骤来提高图像质量,且通过共同处理图像块的RGB色彩通道,更自然地利用色彩信息。最后,通过实验,将本文方法与当前几种先进的去鬼影算法进行比较。结果表明,本文算法能够精确地检测出鬼影区域,有效去除鬼影的同时保留参考图像中曝光不正常区域的细节信息,产生较好的视觉效果,且计算效率较高。