[发明专利]图像重建方法和装置

权利要求书

1.一种图像重建方法，其特征在于，包括：

获取图像重建指令，所述图像重建指令用于指示对低动态范围LDR图像采用预设的图像重建神经网络模型重建高动态范围HDR图像，所述预设的图像重建神经网络模型包括预先训练好的全局神经网络模型、边缘神经网络模型和融合神经网络模型；

根据所述LDR图像，获取所述LDR图像的边缘图像；

将所述LDR图像输入至所述预先训练好的全局神经网络模型，获得所述LDR图像的中间图像；

将所述LDR图像的边缘图像输入至所述预先训练好的边缘神经网络模型，获得所述LDR图像的中间边缘图像；

将所述LDR图像的中间图像、所述LDR图像的中间边缘图像输入至所述预先训练好的融合神经网络模型，获得所述LDR图像对应的HDR图像。

2.根据权利要求1所述的方法，其特征在于，所述预设的图像重建神经网络模型是采用如下步骤得到：

获取多张HDR样本图像；

根据所述多张HDR样本图像，获得相应的多张LDR样本图像；

根据所述多张LDR样本图像，获得所述多张LDR样本图像的边缘图像；

将所述多张LDR样本图像输入全局神经网络模型进行训练，获得所述训练好的全局神经网络模型；并将所述多张LDR样本图像分别输入至所述训练好的全局神经网络模型中，获得所述多张LDR样本图像的中间图像；

将所述多张LDR样本图像的边缘图像输入边缘神经网络模型进行训练，获得所述训练好的边缘神经网络模型，并将所述多张LDR样本图像的边缘图像分别输入至所述训练好的边缘神经网络模型中，获得所述多张LDR样本图像的中间边缘图像；

将所述多张LDR样本图像的中间图像和中间边缘图像输入融合神经网络模型进行训练，获得所述训练好的融合神经网络模型；

根据所述训练好的全局神经网络模型、所述训练好的边缘神经网络模型、所述训练好的融合神经网络模型，获得所述图像重建神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述全局神经网络模型包括第一压缩子网络、第一门控循环单元GRU网络和第一解压子网络；

其中，所述第一压缩子网络包括3层卷积层，所述第一解压子网络包括3层反卷积层；

所述边缘神经网络模型包括第二压缩子网络、第二GRU网络和第二解压子网络；

其中，所述第二压缩子网包括2层卷积层，所述第二解压子网络包括2层反卷积层。

4.根据权利要求2所述的方法，其特征在于，所述融合神经网络模型包括第三压缩子网络和第三解压子网络；

其中，所述第三压缩子网包括4层卷积层，所述第三解压子网络包括3层反卷积层。

5.根据权利要求2所述的方法，其特征在于，所述将所述多张LDR样本图像输入全局神经网络模型进行训练，获得所述训练好的全局神经网络模型，包括：

将所述多张LDR样本图像输入全局神经网络模型进行训练，在训练的过程中采用如下公式一所示的损失函数，以获得所述训练好的全局神经网络模型；

L_global＝α₁L₁+α₂L_hist 公式一

其中，L_global表示全局损失函数值，L₁表示HDR样本图像的像素统计损失，N表示HDR样本图像的像素数，表示全局神经网络模型对LDR样本图像在第i像素的预测像素值，I表示HDR样本图像在第i像素的真实像素值，L_hist表示HDR样本图像直方图分级统计损失，其中，M表示HDR样本图像的统计直方图种类数，m表示第m个HDR样本图像的统计直方图的种类，ω_m表示HDR样本图像的统计直方图的权重，表示全局神经网络模型对LDR样本图像的预测像素值为的数量，count_m(I)表示HDR样本图像中像素值为I的数量，α₁和α₂表示权重参数。