基于多分支编解码器神经网络的高动态范围图像生成方法技术

本发明专利技术公开了一种基于多分支编解码器神经网络的高动态范围图像生成方法，包括以下步骤：S1：采集HDR图像并进行清洗；S2：对清洗后的HDR图像进行预处理，得到LDR图像；S3：将LDR图像作为多分支编解码器神经网络模型的输入，并进行训练直至收敛；S4：利用训练后的多分支编解码器神经网络模型对输入测试图像进行测试，生成高动态范围图像。本发明专利技术提供了一种基于神经网络的高动态范围图像生成方法。该发明专利技术能将现实场景中捕获的单帧低动态范围图像通过多分支编解码器结构的神经网络后输出拥有高成像质量的高动态范围图像。像质量的高动态范围图像。像质量的高动态范围图像。

【技术实现步骤摘要】
基于多分支编解码器神经网络的高动态范围图像生成方法


[0001]本专利技术属于高动态图像生成
，具体涉及一种基于多分支编解码器神经网络的高动态范围图像生成方法。

技术介绍

[0002]近年来，高动态范围(HDR)图像相关技术在学术界和工业界得到了广泛的研究与应用。高动态范围图像涉及的技术主要有高动态范围图像获取、编码和显示等。针对高动态范围图像获取技术，最常见的方法是捕获同一场景的多帧不同曝光的低动态范围(LDR)图像后合成得到HDR图像。然而，以多帧LDR图像生成一帧高质量的HDR图像时，需要对多帧不同曝光的图像进行背景对齐并解决前景运动等问题，这些均对算法复杂度与重建效果产生不良影响。此外，现实中存在的大量图像都是单帧图像，且人们实际拍摄的大部分图像往往也是单曝光图像。随着相机性能提升，捕获到的单曝光图像拥有足够的信息用于重构高动态范围图像。因此，从单帧LDR图像生成HDR图像的方法也受到了研究人员的关注。
[0003]单曝光HDR图像成像的传统方法是以特定方法对单帧图像的亮度通道动态范围进行拉伸，从而得到具有高动态范围的HD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，包括以下步骤：S1：采集HDR图像并进行清洗；S2：对清洗后的HDR图像进行预处理，得到LDR图像；S3：将LDR图像作为多分支编解码器神经网络模型的输入，并进行训练直至收敛；S4：利用训练后的多分支编解码器神经网络模型对输入测试图像进行测试，生成高动态范围图像。2.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S1中，采用多曝光方法生成HDR图像；进行清洗的方法为：利用人工或脚本剔除图像像素值为0区域超过阈值的坏像素和图像文件损坏的数据。3.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S2包括以下子步骤：S21：对清洗后的HDR图像进行随机裁剪，并将HDR图像的尺寸调整为256*256；S22：对调整尺寸后的HDR图像依次进行随机色调、饱和度调整、随机直方图裁剪和随机参数的色调映射，得到LDR图像。4.根据权利要求3所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S2中，进行随机裁剪和随机直方图裁剪的裁剪对象为整幅图像RGB通道中像素值最高的前3％
‑
5％像素。5.根据权利要求1所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述步骤S3中，多分支编解码器神经网络模型包括编码器和解码器；所述编码器包括细节信息处理网络、中频信息处理网络和全局信息处理网络；所述细节信息处理网络用于提取LDR图像的细节信息；所述中频信息处理网络用于提取LDR图像的中频特征信息；所述全局信息处理网络用于提取LDR图像的全局特征信息；所述解码器包括信息融合网络；所述信息融合网络用于将级联后的细节信息、中频特征信息和全局特征信息进行融合。6.根据权利要求5所述的基于多分支编解码器神经网络的高动态范围图像生成方法，其特征在于，所述细节信息处理网络中，通道数分别为64和128，步长为1，卷积核填充值为1，形状为3*3；所述中频信息处理网络中，通道数为6...

【专利技术属性】
技术研发人员：霍永青，李翰林，甘静，刘耀辉，武畅，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：