[发明专利]高动态范围图像生成方法、装置、设备及可读存储介质

说明书

本公开涉及一种高动态范围图像生成方法、装置、设备及可读存储介质。相较于现有技术，本公开实施例不需要真值图像的参与，降低高动态范围图像重建的难度，通过提取低动态范围图像的浅层特征，对浅层特征与运动掩膜进行特征联结，得到每组的联结特征，进一步，对每组的联结特征以及三张初始图像中包括的参考图像对应的浅层特征进行聚合处理，得到待重建图像的聚合特征，通过预训练的局部模型对低动态范围图像的局部信息进行整合，保留图像细节，并通过预训练的全局模型探索全局的文本信息来去除运动产生的伪影，可以使生成的高动态范围图像与低动态范围图像的联系更加紧密，进而提升了生成的高动态范围图像的效果，从而提升用户体验。

技术领域

本公开涉及图像处理技术领域，尤其涉及一种高动态范围图像生成方法、装置、设备及可读存储介质。

背景技术

现实的自然场景通常具有高动态范围的大尺度亮度变化。为了拍摄高动态范围的图像，最直接的方式是使用特制的高动态范围成像相机，然而这些具有特殊设计的相机对于日常使用来说过于昂贵和笨重。因此可选的方式是使用标准相机拍摄一系列不同曝光度下的低动态范围(Lowdynamicrange，LDR)图像，然后通过计算将它们融合生成一张具有高视觉质量的高动态范围(Highdynamicrange，HDR)图像。

相关技术中，通过融合一系列LDR图像可以成功实现高动态范围图像重建，然而这些方法只能在静态场景下生成良好的HDR图像，当相机在移动或场景是动态时，就会产生严重的伪影。

对于动态场景，可以基于深度学习的方法重建高动态范围图像。但是，基于深度学习的方法，对于真值图像的存在性和准确性有很高的要求，而生成真实的HDR真值图像是极其困难的，导致高动态范围图像重建的难度较高。并且基于深度学习的方法是通过直接学习真值图像来达到去伪影的目的，忽视了LDR和HDR图像之间的关系，使得生成的高动态范围图像的效果不好，影响用户体验。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种高动态范围图像生成方法、装置、设备及可读存储介质，以降低高动态范围图像重建的难度，提升生成的高动态范围图像的效果，从而提升用户体验。

第一方面，本公开实施例提供一种高动态范围图像生成方法，所述方法包括：

对输入的三张初始图像和两张潜在图像进行特征提取，得到每张图像分别对应的浅层特征；

基于待重建图像的曝光度将所述每张图像分别对应的浅层特征分为两组，对每组的浅层特征以及对应的运动掩膜进行特征联结，得到所述每组的联结特征；

对所述每组的联结特征以及所述三张初始图像中包括的参考图像对应的浅层特征进行聚合处理，得到待重建图像的聚合特征；

将所述待重建图像的聚合特征分别输入到预训练的局部模型和预训练的全局模型中，输出所述待重建图像的局部特征和所述待重建图像的全局特征；

根据所述待重建图像的局部特征和所述待重建图像的全局特征，生成所述待重建图像的高动态范围图像。

第二方面，本公开实施例提供一种高动态范围图像生成装置，包括：

第一得到模块，用于对输入的三张初始图像和两张潜在图像进行特征提取，得到每张图像分别对应的浅层特征；

第二得到模块，用于基于待重建图像的曝光度将所述每张图像分别对应的浅层特征分为两组，对每组的浅层特征以及对应的运动掩膜进行特征联结，得到所述每组的联结特征；

第三得到模块，用于对所述每组的联结特征以及所述三张初始图像中包括的参考图像对应的浅层特征进行聚合处理，得到待重建图像的聚合特征；

输出模块，用于将所述待重建图像的聚合特征分别输入到预训练的局部模型和预训练的全局模型中，输出所述待重建图像的局部特征和所述待重建图像的全局特征；