[发明专利]基于多分支编解码器神经网络的高动态范围图像生成方法

权利要求书

1.一种基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，包括以下步骤：

S1：采集HDR图像并进行清洗；

S2：对清洗后的HDR图像进行预处理，得到LDR图像；

S3：将LDR图像作为多分支编解码器神经网络模型的输入，并进行训练直至收敛；

S4：利用训练后的多分支编解码器神经网络模型对输入测试图像进行测试，生成高动态范围图像。

2.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S1中，采用多曝光方法生成HDR图像；进行清洗的方法为：利用人工或脚本剔除图像像素值为0区域超过阈值的坏像素和图像文件损坏的数据。

3.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S2包括以下子步骤：

S21：对清洗后的HDR图像进行随机裁剪，并将HDR图像的尺寸调整为256*256；

S22：对调整尺寸后的HDR图像依次进行随机色调、饱和度调整、随机直方图裁剪和随机参数的色调映射，得到LDR图像。

4.根据权利要求3所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S2中，进行随机裁剪和随机直方图裁剪的裁剪对象为整幅图像RGB通道中像素值最高的前3％-5％像素。

5.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S3中，多分支编解码器神经网络模型包括编码器和解码器；

所述编码器包括细节信息处理网络、中频信息处理网络和全局信息处理网络；所述细节信息处理网络用于提取LDR图像的细节信息；所述中频信息处理网络用于提取LDR图像的中频特征信息；所述全局信息处理网络用于提取LDR图像的全局特征信息；

所述解码器包括信息融合网络；所述信息融合网络用于将级联后的细节信息、中频特征信息和全局特征信息进行融合。

6.根据权利要求5所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述细节信息处理网络中，通道数分别为64和128，步长为1，卷积核填充值为1，形状为3*3；

所述中频信息处理网络中，通道数为64，步长为1，卷积核填充值为2，形状为3*3，稀疏卷积系数为2；

所述全局信息处理网络中，通道数为64，步长为1；第1组至第6组卷积核填充值为1，形状为3*3，第七组卷积核填充值为0，形状4*4。

7.根据权利要求5所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述信息融合网络中，通道数为64和3，形状为1*1，步长为1，卷积核填充值为0。

8.根据权利要求5所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述多分支编解码器神经网络模型中，细节信息处理网络、中频信息处理网络和全局信息处理网络的激活函数为Selu；所述信息融合网络中第一个卷积模块的激活函数为Selu，第二个卷积模块的激活函数为sigmoid。

9.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S3中，训练多分支编解码器神经网络模型的损失函数的计算公式为：

其中，I_i＝0.299X_r+0.587X_g+0.114X_b，M_i表示最终蒙版，表示亮区域蒙版，表示暗区域蒙版，ta表示判定图像区域是否为高曝光的阈值，tb表示判定图像区域是否为欠曝光的阈值，I_i表示图像亮度，X_r表示像素X的红色通道值，X_g表示像素X的绿色通道值，X_b表示像素X的蓝色通道值，w表示图像的宽，h表示图像的高，表示通道c中第i个像素的网络输出值，ε表示极小值，Y_i,c表示通道c中第i个像素的Ground Truth值，α^L表示在损失函数中色调损失的权重，表示网络输出图像颜色通道第i个像素值，H_i表示GroundTruth图像颜色通道第i个像素值，log(·)表示对数运算。