[发明专利]一种多曝光图像融合方法、系统及可存储介质

说明书

本发明公开了一种多曝光图像融合方法、系统及可存储介质，属于图像处理技术领域，首先，输入图像，计算良好曝光估计权重以及色度权重，然后利用综合权重图的高斯金字塔与输入图像的拉普拉斯金字塔进行卷积得到初始融合金字塔；其次，在获取的最亮和最暗感兴趣区域利用快速局部拉普拉斯滤波器(FLLF)进行局部细节增强，然后取拉普拉斯系数的最大值，得到最大系数拉普拉斯金字塔，并将感兴趣区域内的系数更新到初始融合金字塔中，最后通过拉普拉斯金字塔重构成最终的融合图像并输出本发明能够在保证最亮和最暗区域不丢失信息的情况下，进行适当的增强，保证光影过度的自然性，使图像细节更清晰。

技术领域

本发明涉及图像处理技术领域，更具体的说是涉及一种多曝光图像融合方法、系统及可存储介质。

背景技术

随着超高清数字产业和数字摄影技术的快速发展，人们对超高清酷炫的视觉体验的追求更加迫切。目前，多曝光图像融合的方法主要有：高动态范围成像(HDR)、曝光图像融合算法以及基于深度学习的多曝光融合方法。其中，高动态范围成像方法克服了过曝光和低曝光图像中较亮较暗区域细节丢失的缺陷，该方法拍摄同一场景的几幅不同曝光的图像，并将他们重建成HDR图像。HDR成像一般包括两个主要步骤：HDR重建和色调映射。首先，在同一场景中拍摄多幅不同曝光级别的低动态范围图像，然后通过反演摄像机响应函数来重建HDR图像，最后为了在普通设备上显示，将HDR通过色调映射转换为LDR图像，虽然HDR成像技术可以恢复场景的整个动态范围，并使所有细节在一幅图像中可见，但是在生成HDR图像时，需要摄像的响应函数和输入图像的成像曝光参数，色调映射非常耗时，较亮和较暗处的细节也会丢失，这些都现限制了该方法的应用范围。曝光图像融合算法将不同曝光度同一场景下的一系列低动态范围图像按照良好曝光度、饱和度、对比度等权重来度量每个像素的质量，然后从图像序列中选择“好的”像素，并将它们组合成最终结果。该方法跳过了计算HDR的步骤，可以立即将多次曝光的图像合成高质量、低动态范围图像以便显示。

综上所述，基于高动态范围成像的方法主要挑战的是相机相应函数(CRF)的估计，这是一个不适定的问题，需要额外的信息和约束来打破自相似和指数模糊性等问题。基于多曝光图像融合方法，运算速度往往较慢，加权映射大过噪声，如果直接应用于融合，可能会导致各种伪影，而且会出现缺乏空间邻域信息，明亮过度不自然，颜色局部失真等问题。基于深度学习的曝光融合算法仅学习融合固定数量的图像，且多曝光图像数据集的规模太小，不能覆盖所有真实场景，训练过程灵活性较差。

基于此，许多研究者对多曝光融合算法进行了研究，如基于金字塔分解的多曝光图像融合算法，该算法首先将LDR图像进行拉普拉斯金字塔变换，由对比度、曝光率和饱和度组成的权重图进行高斯金字塔变换，然后组合成融合图像，该方法融合得到的图像会损失较亮和较暗处的细节和局部区域的信息。再如一种基于结构块分解的多曝光图像融合算法，虽然能够保持良好的全局对比度，但是在图像强度差异较大的区域会出现光晕现象。最近，基于细节增强的曝光融合方法应用于增强最亮和最暗区域的细节，这些方法引入一种细节提取机制来增强细节，这些方法不仅增强了最亮和最暗区域的细节，同时也增强了所有输入图像LDR图像的其他像素，这将导致算法的复杂度，在大多数情况下，将导致细节的过度增强。这些曝光图像融合算法往往会出现明暗过度不自然，局部颜色失真、未对输入图像序列的整体亮度做好适配的问题。

因此，如何提供一种基于加权平均自适应因子和局部细节增强的多曝光融合方法、系统及可存储介质是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种多曝光融合方法、系统及可存储介质，基于加权平均自适应因子和局部细节增强，用以解决现有技术中存在未对输入图像序列的整体亮度做好适配的问题、缺乏空间邻域信息、细节增过度等问题。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供了一种多曝光图像融合方法，包括以下步骤：

S100：输入图像，得到输入图像的拉普拉斯金字塔；