一种基于极轻量级Unet的动态范围压缩方法及系统技术方案

本发明专利技术公开了一种基于极轻量级Unet的动态范围压缩方法及系统，使用自适应gamma算法和Photoshop批量处理所有数据，更好的保留了图像暗部细节，暗处适当提亮的同时亮处没有过曝，并且处理过后的图像自然，并未有失真或颜色不真实情况；采用轻量级Unet网络，与其他深度学习算法相比，本发明专利技术模型轻便，极大的节约了计算量，运行效率高，灵活性强，且在训练集以外的场景中效果依然突出且稳定，保留了大部分图片细节，利用亮度图进行训练，然后权重图作为网络输出，拟合方式简单易懂，且能保留图像的对比度信息，避免图像过度泛白或偏色。避免图像过度泛白或偏色。避免图像过度泛白或偏色。

【技术实现步骤摘要】
一种基于极轻量级Unet的动态范围压缩方法及系统


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种基于极轻量级Unet的动态范围压缩方法及系统。

技术介绍

[0002]人眼能够观测到自然界中比较广泛亮度范围的场景，比如从伸手不见五指的黑夜到难以直视的太阳光，动态范围可以达到近10个数量级。然而现有的传统显示设备却受限于硬件设备，图像只能表达出极小部分的亮度范围，比如常见的8比特图像只能显示0到255整数范围的亮度。因此为了能够更好的显示高动态范围(HDR，High Dynamic Range)图像，需要实现从HDR图像到低动态范围（LDR，Low Dynamic Range）的映射，完成HDR和LDR之间的转换，即动态范围压缩（DRC，Dynamic Range Compression）。
[0003]常见的动态压缩算法分为全局映射和局部映射。全局映射是指一对一的像素映射，这样得到的图像对比度较低，且容易丢失部分细节特征。局部映射则是通过像素和像素之间的联系，对不同的局部区域有区分的增强对比度和亮度，这种方法能够保留一定的对比度和细节信息，但较为复杂，会导致某些区域失真。
[0004]传统的动态压缩算法包括线性位移算法和对数映射算法。其中，线性移位算法属于全局映射方法，它将HDR图像的n比特整数位直接右移（n
‑
m）个比特，然后得到m（m<n）比特整数的LDR图像。这样得到图像的分辨率和对比度都比较低，甚至像素颜色不均匀，高数值区间的颜色较单一，多集中于中低数值区域，并且这样得到的LDR图像丢失了很多细节，之前暗处的区域现在更加暗了，曝光的区域曝光也会更加严重，图像失真严重。对数映射算法将数据从区间[0,2
n
]变换到区间[0,n]，然后再线性变换到区间[0,2
m
]。此方法与线性移位算法相同，都是全局映射算法，虽然效率较高，但无法兼顾图像的局部细节，图像效果一般。
[0005]与传统算法相比，基于深度学习的算法生成的图像能够增强暗区细节，避免过度曝光，保留纹理细节和对比度。但是现有的方法网络较为复杂，效率较低，实用性不高，大部分网络在脱离训练集的数据上表现不够稳定，甚至显示出不真实的颜色或纹理扭曲，结果失真。
[0006]因此，提供一种可有效解决深度学习算法生成方法网络较为复杂、效率较低、稳定性差、实用性不高等问题的动态范围压缩方法，是本领域技术人员亟需解决的问题。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于极轻量级Unet的动态范围压缩方法及系统，有效解决了传统算法不能保证图像暗部细节，容易过度曝光，以及深度学习算法生成方法网络较为复杂、效率较低、稳定性差、实用性不高等问题。
[0008]为了实现上述目的，本专利技术提供如下技术方案：一种基于极轻量级Unet的动态范围压缩方法，包括以下步骤：获取高动态范围图片，所述高动态范围图片为RGB颜色空间图片；
对获取的图片进行预处理，所述预处理具体步骤，包括：将RGB颜色空间图片转化为YUV颜色空间图片，得到所述图片的初始亮度值I
lum
和亮度图；结合自适应gamma算法和Photoshop批量处理所述图片的初始亮度值I
lum
，生成标准参考图，所述标准参考图包括标准权重图W和标准亮度图L；将图片的亮度图进行数据增强处理后，输入到Unet网络模型中；所述Unet网络模型对高动态范围图片进行动态范围压缩，生成低动态范围图片。
[0009]所述图片的初始亮度值I
lum
计算公式为：；其中，I
R
、I
G
、I
B
为RGB颜色空间图片的RGB值，这里的C
r
、C
g
和C
b
为常数。
[0010]所述结合自适应gamma算法和Photoshop批量处理所述图片的初始亮度值I
lum
，生成标准参考图，具体步骤为：根据所述初始亮度值I
lum
分布范围，生成初始gamma；对所述初始gamma进行限制，限制范围为[0.4,1]，得到gamma的最终值；根据gamma的最终值获取新的亮度值L，根据所述亮度值L生成标准亮度图；根据所述初始亮度值I
lum
和所述亮度值L确定每个像素点对应的权重值W，并基于像素点的权重值W生成标准权重图。
[0011]所述Unet网络模型训练过程具体包括：将所述图片的亮度图数据集进行数据增强处理后，输入到待训练的Unet网络模型中；所述待训练的Unet网络模型输出所述待训练的Unet网络模型的权重图W
out
，并生成所述待训练的Unet网络模型的亮度图L
out
；根据数据预处理步骤中获得的标准权重图W和标准亮度图L与待训练网络输出的权重图W
out
和亮度图L
out
，计算当前损失loss；根据所述当前loss更新迭代Unet网络模型，在loss收敛趋于稳定后，结合此时模型输出结果，选取最终的Unet网络模型。
[0012]所述数据增强处理包括：翻转、裁剪和高斯模糊。
[0013]所述计算当前损失loss的过程为：根据数据预处理步骤中获得的标准亮度图L和待训练网络输出的亮度图L
out
，利用损失函数计算一组loss，记作lum_loss；根据数据预处理步骤中获得的标准权重图W和待训练网络输出的权重图W
out
利用损失函数计算一组loss，记作weight_loss；给lum_loss和weight_loss赋予不同的权重值，并将lum_loss和weight_loss相加得到总loss。
[0014]所述损失函数计算公式为：；其中，y
i
表示标准亮度图L或标准权重图W，f（x
i
）表示待训练网络输出的亮度图L
out
或权重图W
out
。
[0015]所述根据数据预处理步骤中获得的标准权重图W、标准亮度图L和待训练网络输出的权重图W
out
和亮度图L
out
，计算当前损失loss，并且还包括以下步骤：采用限制极值的minmax_loss对待训练的Unet网络模型输出的极大值和极小值进行限制，消除极值对网络结果的影响；采用突出边缘的edge_loss将待训练的Unet网络模型输出的权重图的边缘进行优化。
[0016]一种基于极轻量级Unet的动态范围压缩系统，包括：数据获取模块，用于获取RGB颜色空间图片；数据预处理模块，用于将RGB颜色空间图片转化为YUV颜色空间图片，得到所述图片的初始亮度值I
lum
；以及结合自适应gamma算法和Photoshop批量处理所述图片的初始亮度值I
lum
，生成标准权重图W和标准亮度图L；网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极轻量级Unet的动态范围压缩方法，其特征在于，包括以下步骤：获取高动态范围图片，所述高动态范围图片为RGB颜色空间图片；对获取的RGB颜色空间图片进行预处理，所述预处理具体步骤，包括：将RGB颜色空间图片转化为YUV颜色空间图片，得到所述RGB颜色空间图片的初始亮度值I
lum
和亮度图；结合自适应gamma算法和Photoshop批量处理所述RGB颜色空间图片的初始亮度值I
lum
，生成标准参考图，所述标准参考图包括标准权重图W和标准亮度图L；将RGB颜色空间图片的亮度图进行数据增强处理后，输入到Unet网络模型中；所述Unet网络模型对高动态范围图片进行动态范围压缩，生成低动态范围图片。2.根据权利要求1所述的一种基于极轻量级Unet的动态范围压缩方法，其特征在于，所述RGB颜色空间图片的初始亮度值I
lum
计算公式为：；其中，I
R
、I
G
、I
B
为RGB颜色空间图片的RGB值，这里的C
r
、C
g
和C
b
为常数。3.根据权利要求1所述的一种基于极轻量级Unet的动态范围压缩方法，其特征在于，所述结合自适应gamma算法和Photoshop批量处理所述RGB颜色空间图片的初始亮度值I
lum
，生成标准参考图，具体步骤为：根据所述初始亮度值I
lum
分布范围，生成初始gamma；对所述初始gamma进行限制，得到gamma的最终值；根据gamma的最终值获取新的亮度值L，根据所述亮度值L生成标准亮度图；根据所述初始亮度值I
lum
和所述亮度值L确定每个像素点对应的权重值W，并基于像素点的权重值W生成标准权重图。4.根据权利要求1所述的一种基于极轻量级Unet的动态范围压缩方法，其特征在于，所述Unet网络模型训练过程具体包括：将所述RGB颜色空间图片的亮度图数据集进行数据增强处理后，输入到待训练的Unet网络模型中；所述待训练的Unet网络模型输出所述待训练的Unet网络模型的权重图W
out
，并生成所述待训练的Unet网络模型的亮度图L
out
；根据数据预处理步骤中获得的标准权重图W和标准亮度图L与待训练网络输出的权重图W
out
和亮度图L
out
，计算当前损失loss；根据所述当前损失loss更新迭代Unet网络模型，在loss收敛趋于稳定后，结合此...

【专利技术属性】
技术研发人员：林景洲，郭奇锋，张齐宁，
申请(专利权)人：深圳深知未来智能有限公司，
类型：发明
国别省市：