[发明专利]基于多级对偶反馈的单张图片重构HDR方法

说明书

本发明公开了一种基于多级对偶反馈的单张图片重构HDR方法，包括以下步骤：S1、输入LDR图像；S2、利用反量化网络重构出反量化图像；对反量化图像进行量化操作获得对偶量化图像；S3、对反量化图像进行ICRF映射处理得到线性图像，使用相同的网络学习CRF映射作为对偶反馈结构；S4、将线性图像分为过曝区域和其它区域，将过曝区域输入至截断信息恢复网络获得HDR图像，对HDR图像进行分层截断获，利用截断图像计算截断损失，反馈给截断信息恢复网络；S5、使用多尺度感受野特征提取模块和注意力机制对HDR图像进行整体调整。本发明为每个过程增加一个对偶网络形成反馈，能够约束重构方向，提升重构效果，提高模型学习能力，增强重构图像的真实性。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于多级对偶反馈的单张图片重构HDR方法。

背景技术

自然场景中光照亮度是十分宽广的，明暗跨度很大，呈现出了许多视觉细节。而目前受限于硬件设备的不足，导致人们只能获取部分范围亮度的照片，也就是常见的LDR图像，LDR图像虽然基本反映了真实场景中的大部分信息和细节，但是仍然存在不少的损失。近年来，随着通信与显示设备软硬件的发展，人们对于更加真实的HDR影像资料需求日益增加。在电影拍照方面，可以HDR影像可以表现更加真实的场景；在医学诊断方面，HDR影像可以提供更多的细节，让医生判断疾病更加精准；在计算机视觉研究方面，HDR影像可以提供更多细节信息，提高各种任务精度。因此，重构HDR技术作为一种底层的图像处理方法，可以为后续各种高层的研究提供支持帮助。

目前有许多关于重构HDR的网络，在处理各种各样的场景、物体方面都有了明显的提升，但是这些网络大多都是根据图像内容来进行恢复，而没有考虑图像形成的实际过程中各种损失变换，同时还默认LDR图像与HDR图像的对应关系以一一对应的关系来处理，而实际过程中是一种多对多的关系，导致了目前单张图像重构HDR技术效果不是很好，不稳定。除此之外，现在方法都受限于成对数据集的不足，学习样本不足，导致学习能力受限。

公开号为CN106603941A的发明专利申请公开了一种计算复杂度自适应的HDR图像转换方法及其系统，计算复杂度自适应的HDR图像转换方法主要包含以下步骤：(1)获取输入LDR图像；(2)在HDR图像数据库中，选择一个或多个与所述输入LDR图像匹配的HDR图像作为备选图像；(3)根据所述备选图像与所述输入LDR图像之间的空间一致性变换所述备选图像；(4)将输入LDR图像分解成亮度分量和纹理分量；(5)根据所述已变换的备选图像，分别重构所述亮度分量和所述纹理分量；(6)整合所述重构的亮度分量和所述重构纹理分量用于生成输出HDR图像。该专利申请通过匹配HDR图片后，再进行变换拓展，恢复过曝区域的亮度信息，将输入图片转换为HDR图片。然而在实际的场景中，场景中的亮度范围特别的大，而且拍摄得到的LDR图片可能是欠曝、过曝或者正常曝光，与HDR图片的对应关系是一种多对多的关系，导致需要十分巨大的HDR数据库和泛化性足够强的匹配算法，会使得对于不同的图片恢复效果差异巨大，恢复结果不稳定。

公开号为CN107895350A的专利申请公开了一种基于自适应双伽玛变换的HDR图像生成方法，包含以下步骤：步骤1、基于图像统计特性双伽玛变换值的获取，计算输入的LDR原始图像双伽玛变换值；步骤2、对输入图像进行伽玛变换；步骤3、将两幅生成的图像进行曝光融合。与现有技术相比，本发明可以在很小的线路电流情况下快速重新闭锁换流器，有效避免了重合闸对系统造成的二次过流冲击，具有低电流危害的积极效果。与现有技术相比，本发明提出了一个简化的由输入LDR图像转化为具有HDR效果的图像算法，实现过程简单，复杂度低；并且摆脱了对人为调试参数的依赖，可以自适应的针对不同输入图像进行计算得出相应的变换参数，使这一过程更为智能化。

该申请通过分析图片计算两个伽马变换值，然后进行变化得到两幅图，最后融合两幅图得到HDR图像。在实际拍摄生成LDR图像的过程中，是有动态范围信息缺失的，该专利只是单纯地调整了已有信息的权重，以此来改变视觉效果，而没有恢复出丢失信息，导致重构的HDR图像信息有限，真实度不高。

发明内容