【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于纹理分解模型的高动态图像合成方法。
技术介绍
1、在实际工程的应用中，因普通的微光ccd/cmos图像传感器的动态范围远小于真实场景的动态范围，造成短曝光的成像目标易被相机噪声淹没，而长曝光的成像目标却达到饱和。同时，短曝光的成像普遍存在对比度低、纹理细节信息丢失、噪声严重等问题，严重制约了普通的微光ccd/cmos图像传感器的应用。现有的微光图像高动态合成法包括retinex模型和深度学习法，retinex 模型可用于彩色图像的合成，但用于单通道的全色低照度图像的合成时缺乏物理含义，增强效果差；而深度学习法需大量的训练图像，模型的可扩展性弱。因此，现有的微光图像高动态合成方法因具有噪声高、图像块效应严重的缺点，虽可使合成后图像的对比低得以提升，但整体指令变差。
技术实现思路
1、本专利技术为解决现有的微光图像高动态合成方法所具有的噪声高、图像块效应严重的缺点，提供一种基于纹理分解模型的高动态图像合成方法，能够解决低照度图像对比度低、噪声大问题，具有还原结构信息和保持图像细节的优点，同时能够避免图像块效应的产生。
2、本专利技术提出的基于纹理分解模型的高动态图像合成方法，具体包括如下步骤：
3、s1：获取同一场景下的长曝光待分解图像和短曝光待分解图像，并将长曝光待分解图像和短曝光待分解图像分别输入至纹理分解模型，对应获得长曝光待分解图像和短曝光待分解图像的结构图和纹理图；
4、s2：根据长曝光待分解图像和短
5、s3：将长曝光待分解图像和短曝光待分解图像的纹理图权重系数矩阵和结构图权重系数矩阵进行归一化处理，获得待合成纹理图像和待合成结构图像；
6、s4：将待合成纹理图像和待合成结构图像进行合成，获得高动态图像。
7、优选地，纹理分解模型为：
8、（1）；
9、其中，为长曝光待分解图像或短曝光待分解图像，为长曝光待分解图像或短曝光待分解图像的结构图，为长曝光待分解图像或短曝光待分解图像的纹理图，为长曝光待分解图像或短曝光待分解图像的噪声图，、、和均为权重系数，为结构图的权重约束矩阵，为长曝光待分解图像或短曝光待分解图像的初始结构图，为纹理图的梯度图，为结构图的梯度图。
10、优选地，采用双边滤波法计算长曝光待分解图像或短曝光待分解图像的初始结构图：
11、（2）；
12、（3）；
13、（4）；
14、其中，为长曝光待分解图像或短曝光待分解图像在第m行第n列的像度的灰度值，为滤波后的长曝光待分解图像或短曝光待分解图像在第i行第j列的像素的灰度值，和分别为高斯权重和灰度相关权重，为以像素点为中心，边长（2*r+1），且r=5的正方形区域；=0.5和=0.5分别为空间标准差和灰度标准差。
15、优选地，根据式（1），通过下式计算长曝光待分解图像或短曝光待分解图像的纹理图：
16、（5）；
17、（6）；
18、（7）；
19、其中，为非局部相似性矩阵，为以像素点为中心，半径2*+1的图像区域，为glcm灰度共生矩阵的第行第列的矩阵值，为常数，=0.5，和分别为二维fft运算和二维fft逆运算；为纹理图的第（n+1）次迭代结果，和分别为结构图和噪声图的第n次迭代结果，为垂直方向梯度因子，为水平方向的梯度因子，为glcm灰度共生矩阵生成的纹理信息，e为单位矩阵。
20、优选地，根据式（1），通过下式计算长曝光待分解图像或短曝光待分解图像的结构图：
21、（8）；
22、其中，为结构图的第（n+1）次的迭代结果，为纹理图的第n次迭代结果，为全（）矩阵。
23、优选地，权重约束矩阵：
24、（9）；
25、其中，为第i行第j列的像素的结构图权重因子值，为标准差。
26、优选地，通过下式计算结构图和纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
27、结构图权重系数矩阵的计算公式为：
28、（10）；
29、其中，为二维高斯滤波，为结构图的图像均值，为结构图的一维范数；
30、纹理图权重系数矩阵的计算公式为：
31、（11）；
32、其中，为纹理图的一维范数，为纹理图的图像均值，a为计算因子。
33、优选地，步骤s3具体包括如下步骤：
34、s31：通过下式将结构图权重系数矩阵和纹理图权重系数矩阵进行归一化处理：
35、（12）；
36、（13）；
37、（14）；
38、（15）；
39、其中，为长曝光待分割图像的结构图权重系数矩阵，为经归一化处理后的长曝光待分割图像的结构图权重系数矩阵，为短曝光待分割图像的结构图权重系数矩阵，为经归一化处理后的短曝光待分割图像的结构图权重系数矩阵，为短曝光待分割图像的纹理图权重系数矩阵，为经归一化处理后的短曝光待分割图像的纹理图权重系数矩阵，长曝光待分割图像的纹理图权重系数矩阵，为经归一化处理后的长曝光待分割图像的纹理图权重系数矩阵；
40、s32：通过下式构建高动态图像的待合成纹理图像和待合成结构图像：
41、（16）；
42、（17）；
43、其中，为长曝光待分割图像的结构图，为短曝光待分割图像的结构图，为长曝光待分割图像的纹理图，为短曝光待分割图像的纹理图，为待合成结构图像，为待合成纹理图像。
44、优选地，通过下式将待合成纹理图像和待合成结构图像进行合成，获得高动态图像：
45、（18）。
46、与现有技术相比，本专利技术能够取得如下有益效果：
47、本专利技术提供一种基于纹理分解模型的高动态图像合成方法，通过将结构图和纹理图进行分解和融合，继而构建结构图权重系数矩阵和纹理图权重系数矩阵以合成高动态图像的待合成纹理图像和待合成结构图像，具有保持边缘细节信息和避免块效应的优点，且在增强图像对比度的同时，提高了高动态图像的信噪比。
本文档来自技高网...【技术保护点】
1.一种基于纹理分解模型的高动态图像合成方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的基于纹理分解模型的高动态图像合成方法，其特征在于，所述纹理分解模型为：
3.根据权利要求2所述的基于纹理分解模型的高动态图像合成方法，其特征在于，采用双边滤波法计算所述长曝光待分解图像或所述短曝光待分解图像的初始结构图：
4.根据权利要求3所述的基于纹理分解模型的高动态图像合成方法，其特征在于，根据式（1），通过下式计算所述长曝光待分解图像或所述短曝光待分解图像的纹理图：
5.根据权利要求4所述的基于纹理分解模型的高动态图像合成方法，其特征在于，根据式（1），通过下式计算长曝光待分解图像或所述短曝光待分解图像的结构图：
6.根据权利要求5所述的基于纹理分解模型的高动态图像合成方法，其特征在于，所述权重约束矩阵：
7.根据权利要求2所述的基于纹理分解模型的高动态图像合成方法，其特征在于，通过下式计算所述结构图和所述纹理图对应的结构图权重系数矩阵和纹理图权重系数矩阵；
8.根据权利要求7所述的基于纹理
9.根据权利要求8所述的基于纹理分解模型的高动态图像合成方法，其特征在于，通过下式将所述待合成纹理图像和所述待合成结构图像进行合成，获得高动态图像：
...【技术特征摘要】
1.一种基于纹理分解模型的高动态图像合成方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的基于纹理分解模型的高动态图像合成方法，其特征在于，所述纹理分解模型为：
3.根据权利要求2所述的基于纹理分解模型的高动态图像合成方法，其特征在于，采用双边滤波法计算所述长曝光待分解图像或所述短曝光待分解图像的初始结构图：
4.根据权利要求3所述的基于纹理分解模型的高动态图像合成方法，其特征在于，根据式（1），通过下式计算所述长曝光待分解图像或所述短曝光待分解图像的纹理图：
5.根据权利要求4所述的基于纹理分解模型的高动态图像合成方法，其特征在于，根据式（1），...
【专利技术属性】
技术研发人员：聂婷，张宇，黄良，李明轩，吕恒毅，韩诚山，袁航飞，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
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。