Exposure Fusion

Exposure Fusion

http://ntp-0.cs.ucl.ac.uk/staff/j.kautz/publications/exposure_fusion.pdf

 

很经典的文章,慢慢发现很多东西都是相同的

1 定义质量标准:对比度,饱和度,最佳曝光(0,1)

2 基于三个质量标准构建权重图,三个质量标准采用乘积进行合并。这样给每一个输入图创建了一个权重图。

  为什么现在乘积,因为类似取And,要保证所有的质量标准被考虑进去,当然给每一个质量标准进行一个幂运算,相当于赋予权重。

3 基于权重进行融合:

  保证融合后图像正常,即保证这些权重和为1,因此对2产生的权重进行求和归一化。

  3.1 直接基于权重进行融合,因为权重变化太快,就会出现不好的图像缝隙。图(b,这是因为我们组合的图像由于曝光时间不同,包含不同的绝对强度。

  3.2 我们可以通过使用高斯滤波器平滑权重图来避免急剧的权重图转换,但这会导致边缘出现不希望出现的晕圈,并在对象边界上溢出信息。图(C

  3.3使用跨双边滤波器的边缘感知平滑操作似乎是更好的选择,然而,目前还不清楚如何定义控制图像,这将告诉我们应该在哪里停止平滑。使用原始灰度图像作为控制图像效果不佳,如图4d所示。此外,很难找到好的参数的交叉双边过滤器(即。,以控制空间和强度的影响)

  3.4 基于金字塔进行融合。类似bansift,分频处理即分频融合,然后重构回去。

      每一个输入的LDR对应一个平滑后的权重图mask

      图像金字塔:Mask 通过降采样得到图像金字塔。pyrW

      拉普拉斯金字塔:基于原图LDR得到拉普拉斯金字塔pyrI,(在高斯金字塔的运算过程中,图像经过卷积和下采样操作会丢失部分高频细节信息。为描述这些高频信息,人们定义了拉普拉斯金字塔(Laplacian Pyramid, LP))

 

     为什么基于金字塔融合(权重*Laplacian 分频)的效果比直接采用(权重*图像)进行融合好?它混合的是图像特征而不是强度,在每个尺度上都是单独计算的,权重图中的锐化只能影响原始图像中出现的锐化(边缘),相反地,原始图像中的平坦区域总是具有可忽略的系数大小,因此不受权重函数可能急剧变化的影响。对于彩色图像的处理,文章发现分别进行各个颜色通道的混合会产生很好的效果。

 

Exposure Fusion_第1张图片

作者提到基于梯度域进行融合,效果也不错,梯度方法首先将图像转换为梯度场,应用混合操作,然后根据得到的梯度重构最终图像。拉普拉斯金字塔融合与之类似,都不是直接处理图像强度。但是基于梯度的融合会导致尺度和位移的模糊性,容易发生颜色偏移,重建需要解决偏微分方程,这可能是昂贵的高分辨率图像。

你可能感兴趣的:(05,那么年触摸过的图像处理(去模糊,去噪))