论文部分内容阅读
随着信息技术的发展，图像和视频在众多领域中得到了广泛应用。图像质量是影响这些多媒体应用有效性的重要因素之一。受到图像采集设备亮度动态范围的限制，在夜间街景、强逆光等特殊光照环境中往往难以获得令人满意的高质量图像。真实自然场景所展现的亮度动态范围非常宽广。而普通图像采集和显示设备所能处理的量化级别有限。现有图像亮度级别与自然景物亮度动态范围不匹配。亮度动态范围不足具体表现为图像中亮区和暗区分别存在曝光饱和与曝光不足的问题，难以在一幅图像中同时呈现这些区域的细节信息。 针对这一矛盾，研究者提出了多曝光融合技术，即将具有不同曝光参数的同一场景多幅图像融合起来，以获得能有效展现高对比度场景的标准图像。而现有研究工作中仍然存在一些问题需要解决。现有方法:(1)对曝光时间差较小的情况处理尚好，对高对比度场景呈现能力有限。(2)主要处理图像的灰度分量，对图像的色差信息关注较少。(3)对于场景中存在运动物体的图像，现有融合算法去鬼影效果也并不理想。本文面向高对比度动态场景的多曝光彩色图像研究，开展了如下工作: 首先，针对高对比度静态场景的多曝光彩色图像融合，提出了一种基于场景迁移的多曝光融合方法。算法在lαβ空间进行场景迁移，包括纹理迁移和颜色迁移。纹理迁移采用整体亮度信息和局部细节信息相结合的梯度域融合方法。通过引入表示场景亮度信息的基本层信息，能确保较输入图像曝光差较大时不出现亮度反转问题。同时，提出的局部颜色信息迁移方法，可获得纹理和颜色信息都较理想的融合结果图像。本方法的创新点在于，不同于现有算法，本文同时考虑图像的纹理信息和色彩信息，纹理迁移之后进行颜色迁移，同时保证了图像丰富的纹理和颜色信息。本方法与现有算法进行比较，实验表明本方法在主观和客观上均取得了较好的结果。 其次，针对含有运动目标的高对比度动态场景，提出一种基于梯度域的无鬼影多曝光图像融合方法。该方法将图像分为不同的亮度级别并选择各个亮度级别的最佳曝光图像;然后，从输入图像中认为选择参考图像之后进行运动目标检测，找到其他图像相对于参考图像的运动区和饱和区;之后将其他图像在非鬼影区的最佳曝光图像与参考图像在梯度域进行无鬼影多曝光融合，得到无鬼影的高动态范围图像。本方法的创新之处在于，本方法在梯度域进行融合，更有效的保留图像的细节信息同时有效去除鬼影。 最后，对于动态场景，提出了基于权值的梯度域多曝光无鬼影算法。本算法采用新的融合权值计算方法，融合权值分为运动权值和内容权值。其中运动权值由运动目标检测结果计算、内容权值根据图像的饱和度，曝光度息，对比度等信息计算，最后将运动权值图与内容权值图相结合得到融合权值图，用于梯度域的图像融合。本方法的特点为融合图像的信息来源与多幅图像，因此可以更有效保持细节信息。