【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及优化渲染质量与视觉真实感的多曝光图像融合方法及系统。
技术介绍
1、多曝光图像融合是一种图像增强技术，它将多种原始输入图像融合成具有高视觉质量的图像，在医学、遥感、自动驾驶等多个领域发挥着至关重要的作用。由于成像设备的局限性，单个设备往往只能捕捉到有限范围的图像细节，导致图像在不同程度上经历亮度退化，形成过度曝光或欠曝光的区域，从而损坏图像质量。为了获取高动态范围(hdr)图像，研究人员曾尝试开发多种复杂的硬件设备，但这些设备不仅生产成本高昂，而且效率也不是最优的，因此在现实应用中难以广泛推广。为了获得曝光良好且细节丰富的满意图像，多曝光图像融合方法应运而生，并得到了探索和应用。这种方法通过将在不同曝光条件下捕获的低动态范围(ldr)图像合并，生成符合人眼感知的高动态范围图像，从而得到包含场景完整信息的融合图像。多曝光图像融合的目标是将不同曝光条件下的ldr图像序列进行合并，提取这些序列中的特征，并将其巧妙地融合成生动逼真的hdr图像。
2、多曝光图像融合面临的主要挑战在于如何有效地从两幅源图像中提取各自显著的特征，并设计恰当的融合策略，以生成一幅融合了双方重要信息的高质量融合图像。为解决这一难题，已涌现出众多方法，大致可分为两大分支：一类是传统的融合方法，另一类则是基于深度学习的方法。
3、传统的图像融合方法涵盖了尺度变换(mst)、稀疏表示(sr)、混合模型等多种技术，它们通常遵循固定的策略来提取空间域或变换域的特征，并依据简单的规则将这些特征进行融合。随后，利用相应的
技术实现思路
1、本专利技术的目的在于，提出优化渲染质量与视觉真实感的多曝光图像融合方法及系统，其将纹理特征信息和亮度特征信息结合起来以生成效果很好的融合图像。
2、根据本公开实施例的第一个方面，提供了优化渲染质量与视觉真实感的多曝光图像融合方法，包括以下步骤：
3、将多曝光图像进行拼接操作后，输入至卷积神经网络中进行参数提取以获取特征值；
4、再将特征值放入网络模型中进行端到端的无监督学习，生成融合图像模型；
5、训练所述融合图像模型，在训练过程中利用损失函数不断进行反向传播迭代，更新学习内容，所述损失函数是均方差损失和结构相似性损失；
6、使用训练后的融合图像模型进行多曝光图像融合。
7、根据本公开实施例的第二个方面，提供了优化渲染质量与视觉真实感的多曝光图像融合系统，包括：
8、特征值获取模块，将多曝光图像进行拼接操作后，输入至卷积神经网络中进行参数提取以获取特征值；
9、模型生成模块，再将特征值放入网络模型中进行端到端的无监督学习，生成融合图像模型；
10、训练模块，训练所述融合图像模型，在训练过程中利用损失函数不断进行反向传播迭代，更新学习内容，所述损失函数是均方差损失和结构相似性损失；
11、融合模块，使用训练后的融合图像模型进行多曝光图像融合。
12、根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的优化渲染质量与视觉真实感的多曝光图像融合方法。
13、根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的优化渲染质量与视觉真实感的多曝光图像融合方法。
14、本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：本申请可以在现有公开的多曝光图像数据集上进行融合操作，融合出来的结果可以有效提取多曝光图像纹理信息和亮度细节，二者进行结合后形成更符合人眼视觉效果的融合图像。
本文档来自技高网...【技术保护点】
1.优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，将多曝光图像进行拼接操作后，输入至卷积神经网络中进行参数提取以获取特征值，具体为：
3.根据权利要求1所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，所述网络模型包括纹理特征提取器，光照特征提取器和特征重组器，所述纹理特征器包括细节处理块和低频增强块，所述光照特征提取器包括两个分支，所述特征重组器包括多个卷积层和激活函数。
4.根据权利要求3所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，所述细节处理块包括两个分支，一分支包括前残差块、后残差块、中间的三个卷积层、Softmax函数和激活函数，所述前残差块和后残差块均包括三个卷积层和一个激活函数；另一分支包括水平方向的Sobel操作、垂直方向的Sobel操作以及相加操作后的一个卷积层；所述低频增强块包括四个不同尺寸的自适应池化层和一个卷积层。
5.根据权利要求3所述优化渲染质量与视觉真实感的多曝光图像
6.根据权利要求3所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，所述特征重组器前层包括二个卷积层、一个激活函数和sigmoid函数，中间层是一个共享层包括三个卷积层和二个激活函数，后层包括一个卷积层和一个激活函数。
7.根据权利要求1所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，所述损失函数定义如下：
8.优化渲染质量与视觉真实感的多曝光图像融合系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的优化渲染质量与视觉真实感的多曝光图像融合方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7所述的优化渲染质量与视觉真实感的多曝光图像融合方法。
...【技术特征摘要】
1.优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，将多曝光图像进行拼接操作后，输入至卷积神经网络中进行参数提取以获取特征值，具体为：
3.根据权利要求1所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，所述网络模型包括纹理特征提取器，光照特征提取器和特征重组器，所述纹理特征器包括细节处理块和低频增强块，所述光照特征提取器包括两个分支，所述特征重组器包括多个卷积层和激活函数。
4.根据权利要求3所述优化渲染质量与视觉真实感的多曝光图像融合方法，其特征在于，所述细节处理块包括两个分支，一分支包括前残差块、后残差块、中间的三个卷积层、softmax函数和激活函数，所述前残差块和后残差块均包括三个卷积层和一个激活函数；另一分支包括水平方向的sobel操作、垂直方向的sobel操作以及相加操作后的一个卷积层；所述低频增强块包括四个不同尺寸的自适应池化层和一个卷积层。
5.根据权利要求3所述优化渲染质量与视觉真实...
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。