[发明专利]基于背景建模的多曝光图像融合鬼影去除方法

说明书

技术领域

本发明涉及数字图像处理，高动态范围图像处理，特别涉及基于背景建模的多曝光图像融合鬼影去除算法。

背景技术

现代数码相机单次曝光不能覆盖自然场景的整个动态范围。这在数字图像重建的过程中会产生一个问题，传统的低动态范围(Low Dynamic Range,LDR)图像在过曝光和欠曝光区域不能包含所有的细节。高动态范围(High Dynamic Range,HDR)图像通过融合一系列不同曝光度的低动态范围图像来扩大单一图像所能覆盖的动态范围和增强图像细节。现有的融合技术为了确保能得到不含鬼影的融合图像必须要求不同曝光度的待融合图像背景必须完全静止。然而，现实场景中获得的图像大多含有移动物体等动态元素。这在一定程度上限制了HDR的应用。

为了避免合成图像中出现运动目标的错位和叠加现象，现有的去鬼影的HDR图像融合方法大致分为三种：一是用单一曝光度的单幅图像来改正产生鬼影的地方，二是用多重曝光度的多幅图像来改正产生鬼影的地方，三是直接修改导致鬼影产生的源图像在融合过程中的权重。

对于第一种方法,fabrizio等[1]用中值阈值位图法来检测像素的变化，然后在融合的过程中进行图像配准并将变化较大的像素排除在外。Wei Zhang等[2]在梯度域利用梯度方向对曝光度不敏感特性来检测移动物体，在融合的过程中对移动物体赋予较小的权重来去除鬼影的影响。Jacob[3]提出一种基于局部像素熵值变化来检测移动物体的方法。用熵值作为测度因子是因为熵值不会受到像素值强度变化的影响。然而，基于熵值的方法容易在动态范围大的地方出现较大的误差。

第二种方法采用了用不同曝光度的图像来修正出现鬼影区域的方法。Gallo[4]提出一种测量场景中像素正确曝光度的方法。对于场景的每一区域像素值，计算同一曝光度下基于另一场景区域的偏差。最终，本算法通过用不同曝光度的区域来合成一幅无鬼影的HDR图像。E.Reinhard[5]基于像素局部方差分割出由运动目标造成的“鬼影”区域，然后通过直方图找到最佳曝光的参考图像去替代“鬼影”区域，最终得到合成后的高动态图像。这种算法的优点在于想法直观，运算简单；缺点是基于方差检测运动目标的过程中容易将其它静止目标的边界检测出来，出现误检。Grosch提出依据残差图像(the error map)[6]检测出运动目标。首先选取一幅曝光良好的图像作为参考，估计出相机的响应函数，依据相机响应曲线计算其他输入图像的估计图像，然后计算残差图像(the error map)，残差图像中像素值大的点就认定为运动目标。但这种算法受相机响应函数和图像噪声的影响较大。

第三种方法中，Khan[7]提出一种不需要移动物体检测和运动估计的方法。本方法通过迭代方法直接反复的修改权重使得可见的鬼影部分的权重足够小以得到无鬼影的HDR图像。算法通过一个无参数的静态场景模型来计算像素每一像素值属于同一集群的概率。这主要是基于静态背景像素比动态移动物体像素出现时间长的假设。这种方法可以得到效果非常好的结果，但计算量大且耗时。Kang[8]提出一种基于光流法检测移动物体的方法。算法主要依据光流法来配准相邻帧以达到融合后无鬼影的效果。然而，这种方法结果的好坏主要依据运动估计是否准确，很难得到正确的结果。

可以看出，现有的多曝光图像融合去鬼影算法往往需要复杂的计算来求得相机的响应曲线，或者需要设置参考图像。因此，本发明提出一种简便的多曝光图像融合去鬼影方法，利用背景建模的帧差法来检测移动物体，修改移动物体在融合过程中所对应的权重来去除鬼影的影响。

参考文献

[1]Pece F,Kautz J.Bitmap movement detection:HDR for dynamic scenes[C]//Visual Media Production(CVMP),2010Conference on.IEEE,2010:1-8.

[2]Zhang W,Cham W K.Gradient-directed composition of multi-exposure images[C]//Computer Vision and Pattern Recognition(CVPR),2010IEEE Conference on.IEEE,2010:530-536.