【技术实现步骤摘要】
一种基于生成对抗网络的高动态范围成像及鬼影去除方法
[0001]本专利技术属于数字图像处理领域,具体涉及一种基于生成对抗网络的高动态范围成像及鬼影去除方法。
技术介绍
[0002]高动态范围(High Dynamic Range,简称HDR)成像是用来实现比普通数位图像技术更大曝光动态范围(即更大的明暗差别)的一组技术,其不仅能够提供更好的视觉表达,也为数字媒体的跨越式发展提供了崭新而强大的推动力。目前,基于低动态范围(Low Dynamic Range,简称LDR)的图像融合方法仍然是获取HDR成像的主要途径之一。在图像融合过程中,如何有效地去除因动态场景、相机抖动、图像配准不精确甚至是运动目标大位移等因素造成的鬼影效应是HDR成像亟待解决的关键问题,其面临的技术难点主要包括:1)全局多曝光融合(Multi
‑
Exposure Fusion,简称MEF)算法,难以实现与自然场景接近的明暗细节饱满、色彩丰富的融合目标;而采用局部多曝光图像融合算法求解会导致算法复杂度增加,同时可能会出现因局部过度增强导致图像细节不自然,或光晕、噪声被增强的情况;2)真实动态场景下,存在较多复杂不规则的运动,现有去除鬼影技术手段和方法的时间复杂度较高;3)现有深度学习方法为海量视频图像融合提供了一些解决方案,但丰富训练数据集和提升深度学习算法的泛化能力方面仍有待加强。
[0003]人工智能时代,大数据的机器深度学习与运用已向纵深发展,计算机视觉技术已被重新定义。依靠强大的计算硬件支撑,以及大数据集的强化训练,深 ...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的高动态范围成像及鬼影去除方法,其特征在于,包括:S1.获取连续多帧的低动态范围图像序列,其包含低曝光、正常曝光和高曝光的低动态范围图像,并进行预处理和分块,得到用于训练的成组的低曝光和正常曝光图像块对,以及正常曝光和高曝光图像块对;其中,将正常曝光的低动态范围图像作为参考图像;S2.构建用于高动态范围成像的生成对抗网络,其包括生成器网络和判别器网络;S3.使用成组的低曝光和正常曝光图像块对,以及正常曝光和高曝光图像块对训练生成对抗网络,采用Wasserstein距离损失函数进行优化直至收敛到纳什平衡,得到并保存训练好的生成对抗网络;S4.将待融合图像输入训练好的生成对抗网络,得到HDR图像。2.根据权利要求1所述的一种基于生成对抗网络的高动态范围成像及鬼影去除方法,其特征在于,步骤S1对每组的低曝光、正常曝光和高曝光的低动态范围图像进行预处理和分块的具体过程包括:S11.采用相机响应函数建立低曝光、高曝光与正常曝光的低动态范围图像之间的像素映射函数;S12.对正常曝光的低动态范围图像,和像素映射后的低曝光、高曝光的低动态范围图像进行归一化处理;S13.按照n
×
n的尺寸大小对步骤S12归一化处理后的图像进行分块,得到低曝光图像块和正常曝光图像块组成的图像块对,以及正常曝光图像块和高曝光图像块组成的图像块对。3.根据权利要求1所述的一种基于生成对抗网络的高动态范围成像及鬼影去除方法,其特征在于,生成器网络包括编码模块、合成模块和解码模块,编码模块包括双重注意力模块和特征提取模块,双重注意力模块包括通道注意力单元和空间注意力单元。4.根据权利要求3所述的一种基于生成对抗网络的高动态范围成像及鬼影去除方法,其特征在于,空间注意力单元的处理过程包括:将低曝光图像块P
s1
和正常曝光图像块P
r
、正常曝光图像块P
r
和高曝光图像块P
s3
的局部特征分别进行1
×
1卷积运算;对卷积运算后的图像块分别进行转置和尺度变换,生成第一特征映射、第二特征映射和第三特征映射;第一特征映射与第二特征映射相乘后通过softmax函数,得到第一关系强度矩阵,第二特征映射与第三特征映射相乘后通过softmax函数,得到第二关系强度矩阵;将第一关系强度矩阵与图像块P
s1...
【专利技术属性】
技术研发人员:夏淑芳,夏鸿钊,柏浩林,黄颖,瞿中,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。