基于多曝光图像的自监督高动态范围图像重建方法技术

一种基于多曝光图像的自监督高动态范围图像重建方法，属于底层视觉技术领域

【技术实现步骤摘要】
基于多曝光图像的自监督高动态范围图像重建方法


[0001]本专利技术涉及基于多曝光图像的自监督高动态范围图像重建方法，属于底层视觉

。

技术介绍

[0002]在静态场景中，高动态范围图像可以由多曝光静态图像直接加权合成；但在动态场景中，使用加权方法直接合成会导致重建后的高动态范围图像出现明显的重影或伪影
。
[0003]现有高动态范围图像重建方法往往基于深度学习的方法训练神经网络模型，再由模型输出高动态范围图像，但是神经网络模型的训练需要清晰干净的目标图像来计算训练过程中的损失函数，而真实场景下的高动态范围目标图像往往很难获得
。

技术实现思路

[0004]针对现有用于高动态范围图像重建的神经网络模型训练过程中的目标图像不易获取，影响图像重建效果的问题，本专利技术提供一种基于多曝光图像的自监督高动态范围图像重建方法
。
[0005]本专利技术的一种基于多曝光图像的自监督高动态范围图像重建方法，包括，
[0006]一
、
对结构注意网络的训练：
...

【技术保护点】

【技术特征摘要】
1.
一种基于多曝光图像的自监督高动态范围图像重建方法，其特征在于包括，一
、
对结构注意网络的训练：获取三张原始多曝光图像
I1，
I2，
I3，将
I1和
I3采用光流对齐模块向
I2对齐后，映射到线性域得到三张线性域图像
H2，再对三张线性域图像进行融合得到三张原始多曝光图像的颜色分量
Y
color
；将三张原始多曝光图像
I
10
，
I2，
I3映射到线性域得到的三张线性域图像记为
H1，
H2，
H3，设定图像
X
i
＝
{I
i
,H
i
}
，
i
＝1，2，3；采用结构注意网络由图像
{X1,X2,X3{
提取生成第一阶段的结构分量以颜色分量
Y
color
和线性域图像
H2作为监督信息，计算结构分量的合成损失，并更新结构注意网络的网络参数，最终得到冻结的结构注意网络；二
、
对图像重建网络的训练：将三张原始多曝光图像
I1，
I2，
I3的
I1和
I3采用光流对齐模块向
I2对齐后，得到对齐后的图像和将和映射到线性域得到图像和令将图像输入冻结的结构注意网络，生成第二阶段的结构分量
Y
stru
；将设定图像
{X1,X2,X3}
经图像重建网络融合得到重建图像由颜色分量
Y
color
和重建图像得到颜色映射损失，由结构分量
Y
stru
和重建图像得到结构映射损失；根据颜色映射损失和结构映射损失更新图像重建网络的网络参数，最终得到冻结的图像重建网络；三
、
高动态范围图像的重建：将三张待合成多曝光图像映射到线性域得到三张待合成线性域图像，将三张待合成多曝光图像和三张待合成线性域图像输入冻结的图像重建网络，得到重建后高动态范围图像
。2.
根据权利要求1所述的基于多曝光图像的自监督高动态范围图像重建方法，其特征在于，将三张原始多曝光图像
I1，
I2，
I3映射到线性域得到的线性域图像
H
i
为：式中
γ
为色调变换系数，
t
为曝光时间
。3.
根据权利要求2所述的基于多曝光图像的自监督高动态范围图像重建方法，其特征在于，颜色分量
Y
color
为：式中
A
i
表示像素级权重：
A1＝1‑
Λ1(I2)
，
A2＝1‑
Λ2(I2)
，
A3＝1‑
Λ...

【专利技术属性】
技术研发人员：张志路，王浩宇，左旺孟，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：