[发明专利]基于深度学习的高动态范围图像色调映射方法及其系统

说明书

本发明公开了基于深度学习的高动态范围图像色调映射方法及其系统，所述方法包括步骤：构建色调映射网络框架；输入高动态范围图像后进行预处理，并通过基于全局的感官特征损失函数和基于局部的直方图特征损失函数计算总的损失函数；根据总的损失函数对色调映射网络框架进行训练网络；当训练结果收敛时，停止训练并得到色调映射网络的输出。由于本发明中的神经网络框架，既可以对基于直方图的两个代价函数进行优化，又能端对端地实现色调映射，解决小区域间的边界问题，直接获得高质量的低动态范围图像。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及的是一种基于深度学习的高动态范围图像色调映射方法及其系统。

背景技术

从复杂光照条件下直接拍摄清晰的高动态范围图像仍然是一个尚未解决的极具挑战性的问题，现在的主流做法是通过拍摄多张不同曝光的照片，进而计算融合得到一张高动态范围图像。但是，传统的显示设备如电视电脑屏幕，手机屏幕等仅能显示低动态范围图像，即动态范围小于等于256。因此，需要通过色调映射方法将高动态范围图像映射为低动态范围图像，再予以显示。所以，色调映射方法是重点研究对象，可以大致分为两大类：基于全局的方法和基于局部的方法。

现有技术中，早期的方法是基于全局的方法，主要是利用单调的映射函数对高动态范围图像进行映射。这类方法计算简单而快速，但是，这类方法很容易丢失大量的细节以及图像局部的对比度。

所以，基于局部的方法逐渐成为色调映射方法研究的主流，更多的关注点在于图像局部细节的增强。由于基于直方图的色调映射是基于全局的方法，将图像划分为多个小区域，对各个小区域分别使用基于直方图的色调映射方法，然后再拼接组成大图；由于这种做法极容易产生边界痕迹，所以后续加上一个消除边界的步骤。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习的高动态范围图像色调映射方法及其系统，旨在解决现有技术中实现高动态范围图像到低动态范围图像的端对端色调映射，需要额外的消除边界痕迹的步骤的问题。

本发明解决技术问题所采用的技术方案如下：

一种基于深度学习的高动态范围图像色调映射方法，其中，包括步骤：

构建色调映射网络框架；

输入高动态范围图像后进行预处理，并通过基于全局的感官特征损失函数和基于局部的直方图特征损失函数计算总的损失函数；

根据总的损失函数对色调映射网络框架进行训练网络；

当训练结果收敛时，停止训练并得到色调映射网络的输出。

所述的基于深度学习的高动态范围图像色调映射方法，其中，所述输入高动态范围图像后进行预处理，并通过基于全局的感官特征损失函数和基于局部的直方图特征损失函数计算总的损失函数步骤具体包括：

输入高动态范围图像，并计算高动态范围图像的亮度图像；

使用对数函数对亮度图像进行处理得到色调映射网络中的输入；

根据色调映射网络中的输入和色调映射网络中的输出，通过基于全局的感官特征损失函数和基于局部的直方图特征损失函数计算总的损失函数。

所述的基于深度学习的高动态范围图像色调映射方法，其中，所述亮度图像为：

L＝0.299R+0.587G+0.114B

其中，L表示亮度图像，R、G、B分别表示高动态范围图像的红色通道、绿色通道和蓝色通道。

所述的基于深度学习的高动态范围图像色调映射方法，其中，所述色调映射网络中的输入为：