超夜中使用的快速曝光融合方法

参考论文:FAST EXPOSURE FUSION USING EXPOSEDNESS FUNCTION

融合方法描述

1、令输入的多重曝光图像为Ik(k=1,2,....),先将其按RGB权重求和计算亮度成分Lk(RGB转换成灰度图),这个亮度值用于计算融合权重。该算法中,将图像拆分为两个尺度描述,目的是将每幅输入图分成包含大尺度强度变化的平滑基础层和拥有小尺度细节的细节层。

2、为了防止halo的出现(均值滤波使细节边缘平滑导致),使用引导滤波获得基础层。用Gr,ε(P,Q)表示引导滤波算子,r、ε表示滤波半径和滤波程度,P、Q分别是输入图和引导图。计算每幅图的基础层Bk如下(输入图自身作为引导图):

Bk=Gr,ε(Lk, Lk)   ------(1)

有了基础层就很容易得到RGB每个通道的细节层Dk:(注意这里Ik就是表示分别计算RGB三个通道的细节层。)

Dk=Ik-Bk ------(2)

 3、曝光融合由基础层和细节层的权重图所指引,用于计算权重的曝光函数如下:

 

 φ为曝光特征,σ控制高斯函数的扩散程度,Ce表示良好曝光常量(通常设为强度范围的中值)。该函数显示曝光特征靠近期望值Ce的程度。

4、细节层的权重计算如下:(计算Lk每个像素的局部小的邻域的平均亮度作为曝光特征值,事实上,细节层的曝光质量的确是基于局部强度变化的平均程度评估的。)

 

 基于公式(1)生成的基础层主要传递的是大尺度的图像亮度结构信息,为了获取基础层的融合权重,我们考虑了局部和全局亮度的曝光质量。每个像素的局部平均亮度用作局部曝光质量评估的曝光特征值,然而为了保持基础层和它的权重图间的结构一致性,基础层自身也被用做曝光特征值。因此,局部曝光权重和全局曝光权重计算如下:

 

 两种计算方式是类似的,不同的是,全局权重中曝光质量估计使用的是整幅图像的平均亮度值。公式(7)表示基础层的局部权重和全局权重结合的基础层权重图。所有输入图像(实际应为MFNR图和其它曝光值下的图)的权重图构造完后,将它们归一化以使每个像素位置为单位总和(权重总和为1)。最后输入图像的基础层和细节层的加权平均合并成最终的融合图像,计算如下:

 

 其中,α ≥ 1控制最终融合图像的细节强度及局部对比度。

posted @   zarjen  阅读(24)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· 上周热点回顾(2.17-2.23)
· 如何使用 Uni-app 实现视频聊天(源码,支持安卓、iOS)
· C# 集成 DeepSeek 模型实现 AI 私有化(本地部署与 API 调用教程)
点击右上角即可分享
微信分享提示