论文部分内容阅读
动态范围是指数字图像的最大亮度与最小亮度之比。在现实中,人眼以及显示设备的动态范围远小于真实场景的动态范围,导致图像中一些场景信息的丢失。为了解决这一不足,高动态范围(high dynamic range,HDR)成像技术采用浮点数来表示更大的亮度范围,使其能够准确地保持真实场景的保真度。但遗憾的是,这些HDR显示设备由于成本和技术问题难以推广。因此,如何在现有的显示设备上有效地实现HDR图像的可视化成为实际应用中必须解决的问题。为了解决这个问题,人们开发了色调映射(tone mapping,TM)算法,它的基本功能是将HDR图像的动态范围映射到目标显示范围。色调映射算法近年来取得了很大的进步,但仍存在一些问题需要解决。本文首先研究了部分现有的色调映射算法,分析其优缺点以及存在的不足,例如细节丢失,局部亮度失衡,光晕等等。在此基础上,提出了一种新的基于宏微观建模的色调映射方法,解决了现有色调映射方法存在的亮度失衡和光晕伪影等问题。从微观角度出发,对HDR图像进行多层分解和重构,对图像的亮度、结构和细节特征进行建模,然后利用人类视觉系统(human visual system,HVS)对每一层图像采取不同的策略来降低整体亮度对比度,保留尽可能多的场景信息。从宏观角度出发,设计了基于场景内容的全局算子,自适应调整场景亮度,使其与人眼的主观感知一致。微观模型和宏观模型并行处理,保证了场景信息的完整性和主观一致性。对大量HDR图像和色调映射算法进行了实验,结果表明,该方法在几乎不存在曝光不平衡和光晕伪影的情况下,取得了令人信服的视觉效果,在主观和客观评价上都优于目前先进的色调映射算法。为了进一步的提高算法效果,在此基础上提出融合显著性检测的色调映射算法。在观看图像时,人类视觉系统能自发地把注意力集中在图像中最重要的区域上,我们称引起视觉注意的区域为显著性区域。在色调映射中融入基于深度学习的显著性检测方法,可以更好的针对显著性区域进行处理,尽可能多的保留显著性区域的图像信息,提高视觉感受。首先通过扩展人眼感知,分别从微观和宏观角度对视觉认知机制进行建模,并通过对两个模型进行并行处理以获得所需的低动态范围(low dynamic range,LDR)图像,然后引入显著性检测方法,标注出显著性区域,最后通过对显著性区域的再次处理,优化映射效果。实验结果表明,该算法提高了视觉感受,有着更广泛的适应性,色彩鲜艳层次感强,并且可以很好的保留更多的细节信息。