英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
附录A外文译文
基于差分压缩和自适应参考值的HDR色调映射算法
摘要
色调映射是一个具有挑战性的问题，因为色调映射需要在所有条件下产生高感知质量。在本文中，我们提出了一种基于差分压缩和自适应参考值的新的局部色调映射方法，可以有效地再现亮影区域的细节。我们还使用全局色调映射方法，并根据客观质量度量来混合由全局和局部方法生成的输出图像。为了定量测量输出图像，我们为色调映射图形开发了一种新的客观质量度量。建议的细节度量指标明暗影区的细节损失，与主观质量呈现良好的相关性。我们将这个度量与最近提出的色调映射图像质量指数（TMQI）相结合，这可能不足以反映局部细节损失的数量。实验表明，所提出的算法提供了比现有方法更好的感知质量。
关键词：色调映射；差分压缩；自适应参考值
1、介绍
现实世界场景的光强度超过九个数量级，从昏暗的星光到明亮的阳光。人类视觉系统（HVS）由于其适应过程可以应付这些跨度，HVS能够同时感知高达五个数量级。然而，由常规设备捕获的常规低动态范围（LDR）图像在曝光级别具有有限的动态范围并且具有细节损失。凭借HDR图像的先进传感器和显示技术，近年来，高动态范围（HDR）成像的兴趣在行业和学术界得到了更新。 HDR成像的目的是捕捉现实世界场景的整个亮度范围。 HDR图像可以使用现代图像传感器或多种曝光组合技术获得将具有不同曝光级别的相同场景的多个LDR图像合并到HDR图像中。 HDR图像比LDR图像具有更多的位深度，并且典型的HDR图像存储在浮点中或通过使用更多位。而在各种应用中HDR图像的可用性正在增加，开发缓慢，HDR显示器的高成本仍然是广泛采用的障碍。大多数当前显示器只能支持有限的动态范围（两个数量级）。为了解决这个问题，必须转换HDR图像的动态范围才能显示在LDR显示屏中。这种转换技术称为色调映射。最简单的色调映射方法是HDR图像到LDR显示范围的线性映射。但是，这种方法可能会导致重大的信息丢失。为了有效地可视化HDR内容，并使输出图像的外观与真实场景感知匹配，在过去几十年中已经开发了更为复杂的色调映射方法。虽然已经提出了各种全球和地方色调映射运算符（TMO），但是在所有条件下都没有提供令人满意的质量的解决方案。本文的目的是开发一种基于差分压缩和自适应参考值的本地TMO技术，并且基于客观质量评估方法来混合全局和局部色调映射图像（TMI）的新的色调映射方法。在所提出的方法中，本地色调映射图像与全局色调映射图像混合以保持本地和全球TMO的优点。通过最大化客观地测量色调映射图像的质量的提出的色调映射质量度量（TMQM）来确定最佳混合参数。本文的其余部分组织如下：第2节介绍了TMO的相关作品和客观质量评估。第3节描述了提出的色调映射算法。色调映射质量度量，用于查找最优参数值在第4节中描述。第5节给出了一个性能分析，并解释了所提出的算法获得的实验结果。最后，第6节提出了一些结论。
2、相关论述
2.1色调映射算法
色调映射算法（TMO）可以被分类为全局映射和局部映射。全局映射对HDR图像的所有像素应用相同的单调函数。它们包括反映人类视觉特征的线性映射和非线性映射函数，如对数，伽马和S形函数。Tumblin和Rushmeier使用全局映射，使用基于史蒂文生定律的亮度函数将显示亮度与原始场景亮度进行匹配。Larson等人提出的TMO 使用直方图调整技术，通过引入直方图均衡到色调映射。Drago等通过根据像素强度调整对数函数的基数，提出了一种自适应对数映射方案。全局映射快速，计算简单。由于强度顺序由单调色调曲线维持，它们往往会保留场景的自然度，而不会产生伪像或晕影。然而，全局映射无法保证细节在明暗区域的可视性。因此，为了克服全局TMO的限制，局部处理对于复制局部细节是必要的。已经提出了许多局部映射，其在考虑邻域像素之后对每个像素应用不同的色调映射函数。一般来说，局部映射提供更多的视觉吸引力和生动的结果，因为它们提供更多的细节。Chiu等通过应用基于每个像素的局部平均值的非均匀映射函数来引入局部TMO。Reinhard等人使用基于经典摄影技术的局部变化算子来增强局部细节。这些研究人员通过使用中心环绕功能自动控制局部对比度来应用闪避和刻录过程来局部改变胶片曝光。Durand和Dorsey使用双向滤波器将HDR图像分解为基本层和细节层。对比度降低仅适用于基层，同时保留细节层。 Li等人也采用双边滤波。全局映射函数用于调整基层，细节层自适应增强。最近，He et al提出了一种导向滤波器作为边缘保持平滑算子，并将该滤波器用于HDR分解而不是双边滤波器。此外，Fattal等人提出了梯度域映射。这些研究人员衰减高幅度梯度以压缩HDR图像的动态范围。通过在操纵梯度场求解泊松方程得到色调映射图像。Mantiuk等人开发了一个框架来增强对比度并保持对比度的极性。这些研究人员通过在梯度衰减过程中对对比度施加约束来扩展渐变方法，以避免对比度极性反转。Meylan和Susstrunk提出了一种基于retinex的自适应滤波器来减少晕圈伪影的数量。虽然局部映射在黑暗和明亮的局部提供更多令人愉快的结果、更明显的细节，但由于其产生的光环效应和不自然的整体外观，它们可能会破坏自然的感觉。Artusi等人采用全局和局部映射方法解决高对比度区域的细节保存问题，同时使用较少的计算资源。
2.2色调映射图像的客观质量评估
虽然已经提出了各种全局映射和局部映射，但是在所有条件下都没有提供令人满意的质量的解决方案。此外，对于新的HDR图像，大多数色调映射需要进行一些参数调整才能获得视觉吸引人的结果。为了精确调整参数以获得最佳感知质量，需要评估色调映射图像的感知质量的工具。主观评价已广泛应用于TMO评估，因为这是评估知觉质量的最直接和可靠的方法。然而，主观评价有一些局限性：（1）费用昂贵，耗时长;（2）通过自动调整参数，难以嵌入框架中优化色调映射图像的质量。这导致了多次尝试制定反映HVS的客观评估方法，并与主观评价高度相关。通过这些客观指标，可以定量测量TMO的性能，并进行优化，以进一步改进。然而，由于原始HDR和色调映射LDR图像之间的动态范围不匹配，色调映射图像的客观质量评估是一项具有挑战性的任务。传统的图像质量度量如峰值信噪比（PSNR）和结构相似性指数（SSIM）不能直接适用，因为它们假设两个图像具有相同的范围.Aydin等人提出了一种比较HDR图像和色调映射LDR图像的动态范围独立度量（DRIM）。该度量使用三个质量图：可见特征的丢失，不可见特征的放大以及对比度极性的反转。然而，它不会产生单一的整体质量得分。最近，Yeganeh和Wang 提出了一种基于改进的结构相似性指数和统计自然度的多尺度信号保真度测度，对色调映射图像的质量提供单分数的色调映射图像质量指数（TMQI）。Liu et al通过用基于视觉显着的汇总方法替换简单均值，改进了TMQI结构保真度映射的汇总策略。以TMQI作为质量标准，初始色调映射图像被精炼以使TMQI最大化。然而，即使TMQI具有良好的整体性能，TMQI可能无法充分反映由于色调压缩而在黑暗或明亮区域发生的显着的局部细节损失。
3提出色调映射算法
图1是所提出的TMO和提出的色调映射质量度量（TMQM）的流程图。所提出的TMO由两个主要模块组成：使用差分压缩和自适应参考值的本地色调映射，以及最佳地混合局部和使用提出的TMQM的全局色调映射结果。在所提出的TMO中，HDR图像的亮度首先使用对数函数压缩y，因为感知到的亮度根据Weber-Fechner定律与亮度的对数成比例。初始全局压缩由以下方式执行：
其中i和j表示图像的像素坐标。 L（i，j）表示根据计算出的HDR亮度。阈值C用于避免奇异性问题，因为像素值可以为零。可以使用任何小数字，而不影响算法。参数C设置为10*-6。
图1、TMO和色调映射质量度量（TMQM）的流程图
3.1、局部映射使用差分压缩与自适应参考值
常规的全局压缩方法，如线性，伽马和对数函数，使用零或最小值作为参考值来减少信号范围，根据映射函数，黑暗或亮区可能会发生细节损失。在本文中，我们提出了一种新的局部映射，它将被称为具有自适应参考值的差分压缩（DCAR），以在黑暗和明亮的地区保留细节。
首先，我们使用常数引用值（DCCR）定义差异压缩，如下所示：
其中sgn（）表示符号函数，R表示常量参考值。 f（）表示非线性映射函数，如对数或指数函数。我们使用以下指数函数：
参数b决定压差差（0le;beta;le;1）。当beta;接近零时，参考值R周围的对比度显示出更大的增强。在本文中，我们将beta;值设置为0.9，以经验为依据。
根据（2）中的R值，可以选择性地保留暗区或亮区的细节。例如，图2（a）和（b）示出了两个不同参考值的R（10％和90％的最大值）的全局色调映射图像（TMI）。在如图2（a）和（b）所示，归一化输出图像由下式给出：
其中max（输出）和min（输出）表示输出图像的最大值和最小值。标准化后，图像范围为0到1.使用低参考值（R = 10％）将细节保留在饱和黑色区域，而使用高参考值（R = 90％）则保留了明亮的细节。为了保留我们的黑暗和明亮的地区的细节使用自适应参考值而不是单个常量参考值，如下所示：
其中R（i，j）表示参考图像。通过将（4）中描述的归一化过程应用于Ilog获得的Ilog范数应用边缘保持平滑滤波来生成参考图像R（i，j）。图3示出了对每个像素应用不同参考值的所提出的方法。在色调映射期间，需要降低HDR图像的明暗区域之间的强度差，同时保留每个区域的细节。因此，所提出的方法使用
图2、色调映射具有不同参考值的图像
- 具有低常数参考值（R = 10％）的DCCR，（b）具有高恒定参考值（R = 90％）的DCCR，（c）具有自适应参考值（DCAR）。
图3、差分压缩与自适应参考值的图示
（a）使用b = 0.75和b = 1的自适应参考值进行差分压缩。（b）为结果归一化后。
自适应参考值（如图3（a）（b）中的黑色虚线所示）用于差分压缩。换句话说，不同的参考值根据区域特征使用。图3（b）表示使用（4）的归一化后的差分压缩的输出。使用非线性差分压缩（b = 0.75），参考值的对比度比b = 1（不压缩）更强。我们使用边缘保持平滑滤波器来获得自适应参考值。许多研究人员已经提出了基于边缘保留滤波器将图像分解为基底和细节层的色调映射方法[10,30,31]。为了提取细节，我们还使用了边缘保留过滤器。本文使用引导图像滤波器[12]有三个原因。首先，这种滤波器作为边缘保留滤波器在边缘附近提供了比不具有梯度反转伪像的流行双边滤波器更好的行为。第二，引导过滤器可以用作传导引导图像的结构的结构传递过滤方法过滤输出。第三，无论内核大小和强度范围如何，引导过滤都是快速且计算复杂度低的（o）。图4示出了我们用于获得平滑图像以生成参考图像的过程。
图4、获得具有粗边缘的平滑图像以确定参考图像
我们使用引导过滤器来计算自适应参考值，而不是使用可能模糊边缘的均值滤波器。可以通过使用导向过滤器来减少光晕伪影。首先，我们对Ilog规范应用了一个引导过滤器，这产生了一个初始平滑的图像。然后，初始平滑图像（Iinit smooth）被GLPF（高斯低通滤波器）进一步模糊。接下来，使用GLPF的输出作为滤波输入，并将第一导向滤波器的输出作为引导图像应用另一个引导滤波器，产生最终的平滑图像（Ifinal平滑）。第二个引导过滤器通过传送初始平滑图像的保留边缘来恢复粗糙边缘到GLPF的输出。恢复粗糙边缘以防止光晕伪影很重要。换句话说，Ifinal平滑获得如下：
其中GLPF（）表示高斯低通滤波器。引导（p，q）是导向滤波器，其中p和q分别是滤波输入和引导图像。这样，平滑区域之间的粗边被保留，而平滑区域中的局部边缘被平坦化。最后，参考图像R的计算如下：
其中参数a调整细节保留的强度范围。当参数a设置为1时，ODCAR的输出类似于一般细节层。细节层仅保留细节组件，同时可能会损失基础层的全局对比度。因此，引入参数a以在一定程度上保持全局对比度。如果a小于1，则亮区域被增强。如果agt; 1，黑暗区域增强。在本文中，我们使用= 0.1，假设明亮的细节对TMI的感知质量有更大的影响。图。标准化后的DCAR方法的结果如图2（c）所示。虽然DCAR方法在黑暗和明亮的地区提供更多的细节可视性，但由于整体对比度较低，结果看起来相当平坦。为了解决这个问题，我们使用后期处理来提高整体对比度。虽然DCAR方法很好地保留了局部细节，但对比度水平通常可能并不理想。因此，输出图像可能不是视觉上令人满意的，如图3所示。 5（a）。为了提高对比度，我们应用了对比度限制自适应直方图均衡（CLAHE）方法到由DCAR方法产生的图像（ODCAR），产生作为所提出的本地TMO的最终输出的局部TMI（OLTMO）。
3.2、总体对比度和自然度增强
使用两种直方图均衡方法来产生对比度增强的图像：局部映射和全局映射。
图5（b）显示了CLAHE（OLTMO）后的结果。然而，整体外观有些不自然，因为我们改变了整体亮度的原始印象。为了恢复原有的气氛，将全局TMI（OGTMO）混合到当地的TMI中，通过使用恒定的gamma;值进行全局混合：
其中gamma;表示用于平衡局部细节和全局亮度的混合因子，以及0和1之间的gamma;的范围.HE（）和CLAHE（）分别表示直方图均衡和对比度限制自适应直方图均衡的函数。在本文中，通过将直方图均衡应用于Ilog规范来生成OGTMO（图5（c））。图5（d）是当gamma;= 0.5时全局共混后的结果图像。如果gamma;
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[483972]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
