[发明专利]一种基于全局特征指导的高动态范围图像重建方法

说明书

本发明公开了一种基于全局特征指导的高动态范围图像重建方法。首先，根据卷积神经网络自编码器结构设计高动态范围图像重建模型，包括局部特征提取分支、全局特征提取分支和重构分支。然后，原始高动态范围图像通过Reinhard色调映射算法，得到与现实中拍摄相近的低动态范围图像，使用这些低动态范围图像和高动态范围图像对建立训练集。最后，通过提出的混合损失函数进行约束重建的高动态范围图像，使用随机梯度下降算法对提出的模型进行训练，得到一个将低动态范围图像重建到高动态范围图像的模型。本发明方法在公开的数据集上进行实验，具有较高的鲁棒性和准确性。

技术领域

本发明涉及一种高动态范围图像重建方法，特别是涉及一种基于全局特征指导的高动态范围图像重建方法，属于图像处理、重建技术利用。

背景技术

图像的动态范围，指图像中最大量度值与最低亮度值的比值。高动态范围(HighDynamic Range，HDR)图像的像素值与现实场景的亮度值相匹配，能够同时较好的展现出高亮区域与暗区域，相对于传统低动态范围(Low Dynamic Range，LDR)图像，拥有着更为丰富的细节信息以及更为广泛的色域，极大提高了图像的品质。高动态范围图像重建是一种从低动态范围图像中重建得到高动态范围图像的图像处理技术，在医学影像、影视渲染、摇杆探测等领域有着广泛的应用。

传统的高动态范围图像重建方法往往通过线性化、动态范围拓展、饱和区域重建、噪声去除、颜色校正五个步骤，对低动态范围图像进行简单的映射工作。由于参数相对固定、饱和区域信息丢失过多等原因，传统的高动态范围图像重建方法容易造成颜色失真、产生伪影以及不自然的人工痕迹。

近年来，卷积神经网络(Convolutional Neural Networks，CNN)被广泛运用在目标检测、图像分割等计算机视觉领域，取得了显著的进步。卷积神经网络十分适合复杂的非线性映射的问题，对于信息丢失的部分也能够通过学习进行较好的补全，因而十分贴切高动态范围图像重建任务。Endo等人首次将卷积神经网络应用于高动态范围图像重建，通过一组自编码器结构的卷积神经网络，从单张低动态范围图像生成一组不同曝光程度的低动态范围图像，利用生成的图像合成高动态范围图像。Marnerides等人提出了一种端到端的三分支卷积神经网络结构，通过学习不同像素级别的特征并融合，完成了单张低动态范围图像与高动态范围图像之间的映射。现有的基于卷积神经网络的高动态范围图像重建方法虽然解决了传统高动态范围图像重建方法存在的鲁棒性不强、泛化能力差等问题，但是仍然存在着色彩失真、细节重建不足、视觉效果差等问题。

发明内容

针对现有技术存在的缺陷，本发明的目的是提供一种基于全局特征指导的高动态范围图像重建方法，通过编码器端对低动态范围图像分别提取局部特征与全局特征，在解码器端进行特征融合并完成高动态范围图像的重建，并且通过混合损失函数，从像素值、像素梯度、颜色相似性三个角度对重建的高动态范围图像进行约束，使重建的高动态范围图像颜色细腻、细节丰富。本发明方法能有效地提高重建高动态范围图像的质量值、峰值信噪比和结构相似度，而且在主观视觉体验上也有更好的效果。

为达到上述目的，本发明的构思是：

首先，根据卷积神经网络自编码器结构设计高动态范围图像重建模型，包括局部特征提取分支、全局特征提取分支和重构分支。然后，原始高动态范围图像通过Reinhard[¹]色调映射算法，得到与现实中拍摄相近的低动态范围图像，使用这些低动态范围图像和高动态范围图像对建立训练集。最后，通过提出的混合损失函数进行约束重建的高动态范围图像，使用随机梯度下降算法对提出的模型进行训练，得到一个将低动态范围图像重建到高动态范围图像的模型，即本发明所述的全局特征指导的高动态范围图像重建方法。

根据上述构思，本发明采用如下技术方案：

一种基于全局特征指导的高动态范围图像重建方法，包括如下步骤：