[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

说明书

本发明公开了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，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。本发明提供了一种基于神经网络的高动态范围图像生成方法。该发明能将现实场景中捕获的单帧低动态范围图像通过多分支编解码器结构的神经网络后输出拥有高成像质量的高动态范围图像。

技术领域

本发明属于高动态图像生成技术领域，具体涉及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。

背景技术

近年来，高动态范围(HDR)图像相关技术在学术界和工业界得到了广泛的研究与应用。高动态范围图像涉及的技术主要有高动态范围图像获取、编码和显示等。针对高动态范围图像获取技术，最常见的方法是捕获同一场景的多帧不同曝光的低动态范围(LDR)图像后合成得到HDR图像。然而，以多帧LDR图像生成一帧高质量的HDR图像时，需要对多帧不同曝光的图像进行背景对齐并解决前景运动等问题，这些均对算法复杂度与重建效果产生不良影响。此外，现实中存在的大量图像都是单帧图像，且人们实际拍摄的大部分图像往往也是单曝光图像。随着相机性能提升，捕获到的单曝光图像拥有足够的信息用于重构高动态范围图像。因此，从单帧LDR图像生成HDR图像的方法也受到了研究人员的关注。

单曝光HDR图像成像的传统方法是以特定方法对单帧图像的亮度通道动态范围进行拉伸，从而得到具有高动态范围的HDR图像。主要算法可以被分为两类：基于相机响应函数(Camera Response Function,CRF)的方法与基于反色调映射算子(Inverse ToneMapping,ITM)的方法。第一类方法是根据输入图像估计其对应的相机响应函数，再通过该函数作用于原辐照域的像素值得到目标HDR图像。第二类方法是主流的单帧HDR图像生成方法，通过对图像不同曝光区域使用分段映射函数或者以特定反色调映射算子进行计算，可使原LDR图像的动态范围得以扩展，并增强原图像成像不良区域的细节信息，使得生成的HDR图像拥有更好的视觉效果。

随着深度学习技术的发展，近年来，使用深度卷积神经网络生成HDR图像的方法开始出现。深度网络不仅可以代替传统方法中各种复杂算法实现LDR图像到HDR图像的非线性映射，还能改善传统方法泛化性不足且算法复杂难以在硬件上实现等缺点。在单曝光的HDR图像生成任务上，卷积神经网络通过对底层特征提取并组合，获得高层意义上的抽象特征表示，拥有强大的拟合能力。使用深度学习的方法对单帧图像不良区域的细节信息进行增强或恢复估计，能够极大再现单帧LDR图像所对应的原始场景信息，且相较于传统的HDR图像获取方法，训练完成的深度网络计算复杂度更小，实时性更优。

发明内容

本发明的目的是为了解决高动态图像生成的问题，提出了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。

本发明的技术方案是：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。

本发明的有益效果是：本发明提供了一种基于神经网络的高动态范围图像生成方法。该发明能将现实场景中捕获的单帧低动态范围图像通过多分支编解码器结构的神经网络后输出拥有高成像质量的高动态范围图像。

进一步地，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。