一种基于生成对抗网络的多曝光图像融合方法及系统技术方案

本发明专利技术提供一种基于生成对抗网络的多曝光图像融合方法及系统，其中方法包括训练步骤和测试步骤，所述训练步骤包括初始化判别网络D的参数θ

【技术实现步骤摘要】
一种基于生成对抗网络的多曝光图像融合方法及系统
本专利技术涉及图像处理的
，特别是一种基于生成对抗网络的多曝光图像融合方法及系统。
技术介绍
在日常生活中，当我们用传统相机在室内拍摄有阳光射入的门、窗等场景图像时，或对着有太阳、灯光的方向拍摄图像时，不管怎样调整相机参数，都会存在严重丢失场景细节信息的现象。为什么会出现这种信息严重丢失的现象呢？原因在于真实场景所展现的亮度范围超出了相机本身所能显示的动态范围。真实场景具有非常宽广的动态范围，比如说，从夜空中的星光到耀眼的太阳，场景亮度变化涵盖了大约九个数量级(109)的动态范围。但是，目前普通的显示/输出设备受到软硬件水平的限制，使得数字图像的存储、传输、处理、显示等都是基于8-bit整数来进行的，只能表示256(约102)个深度等级，图像的亮度级别十分有限。正是由于动态范围的不匹配才导致所获取的图像细节信息丢失。由于一组同一场景不同曝光度的图像序列要比单一图像提供更多的信息。较暗的照片可以提供场景明亮处的细节，而较亮的图像可以较好地显示暗处细节。那么可以对多幅图像直接进行融合，分别提取每本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的多曝光图像融合方法，包括训练步骤和测试步骤，其特征在于，所述训练步骤包括初始化判别网络D的参数θ

【技术特征摘要】
1.一种基于生成对抗网络的多曝光图像融合方法，包括训练步骤和测试步骤，其特征在于，所述训练步骤包括初始化判别网络D的参数θd和生成网络G的参数θg、训练判别网络和训练生成网络，其中所述训练判别网络包括以下子步骤：
步骤01：从真实图像中采集N个图像，记作{I1，I2，…，IN}；
步骤02：定义其中，表示批处理中所有真实图像判别值的平均值，Ir表示真实图像，i表示输入图像序列的第i个图像，C(·)表示当前判别器输出概率值，表示是批处理中所有真实图像判别值的平均值的计算公式；
步骤03：获取N个图像样本对应的多曝光图像序列，记作其中，Iseq表示输入多曝光图像序列；
步骤04：跟据生成器G，获得融合结果图像，记作其中，f表示由生成器G生成的假样本，θG表示生成网络参数；
步骤05：定义其中，表示批处理中所有假图像判别值的平均值，If表示假图像，是批处理中所有假图像判别值的平均值的计算公式；
步骤06：采用SGD更新所述判别网络参数θd，其中，LOSSD为判别网络损失函数，

其中，DRa表示相对平均判别器，σ表示sigmoid函数。


2.如权利要求1所述的基于生成对抗网络的多曝光图像融合方法，其特征在于：训练所述判别网络的过程要更新nD次，其中，nD表示所述判别网络的迭代次数。


3.如权利要求1所述的基于生成对抗网络的多曝光图像融合方法，其特征在于：所述训练生成网络包括以下子步骤：
步骤11：从真实图像中采集N个图像，记作{I1，I2，…，IN}；
步骤12：定义
步骤13：获取N个图像样本对应的多曝光图像序列，记作
步骤14：根据生成器G，获得融合结果图像，记作其中，
步骤15：定义
步骤16：采用SGD更新所述生成网络参数θg，

其中，LOSSVGG表示特征损失函数，LOSSPixel表示内容损失函数，LOSSGen表示对抗损失函数，LOSSclarity表示清晰度损失函数。


4.如权利要求3所述的基于生成对抗网络的多曝光图像融合方法，其特征在于：所述生成网络的目标函数定义为



其中，LOSSG为生成网络的损失函数，所述生成网络的损失函数LOSSG由所述内容损失函数LOSSPixel、所述特征损失函数LOSSVGG、所述清晰度损失函数LOSSclarity和所述对抗损失函数LOSSGen四组成。


5.如权利要求4所述的基于生成对抗网络的多曝光图像融合方法，其特征在于：所述特征损失函数...

【专利技术属性】
技术研发人员：王金华，何宁，徐光美，张敬尊，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京;11