高動(dòng)態(tài)范圍成像

一、引言

如今，大多數(shù)數(shù)字圖像和成像設(shè)備每通道使用 8 位整數(shù)表示灰度，因此將設(shè)備的動(dòng)態(tài)范圍限制在兩個(gè)數(shù)量級（實(shí)際上是 256 級），而人眼可以適應(yīng)變化十個(gè)數(shù)量級的照明條件。當(dāng)我們拍攝真實(shí)世界場景的照片時(shí)，明亮區(qū)域可能曝光過度，而黑暗區(qū)域可能曝光不足，因此我們無法使用單次曝光捕捉所有細(xì)節(jié)。 HDR 成像適用于每通道使用超過 8 位（通常為 32 位浮點(diǎn)值）的圖像，允許更寬的動(dòng)態(tài)范圍。獲取 HDR 圖像的方法有很多種，但最常見的一種是使用以不同曝光值拍攝的場景照片。要結(jié)合這些曝光，了解相機(jī)的響應(yīng)函數(shù)以及估計(jì)它的算法很有用?；旌?HDR 圖像后，必須將其轉(zhuǎn)換回 8 位才能在普通顯示器上查看。這個(gè)過程稱為色調(diào)映射。當(dāng)場景或相機(jī)的對象在鏡頭之間移動(dòng)時(shí)，會(huì)出現(xiàn)額外的復(fù)雜性，因?yàn)閼?yīng)該配準(zhǔn)和對齊具有不同曝光的圖像。在本教程中，我們將展示如何從曝光序列中生成和顯示 HDR 圖像。在我們的例子中，圖像已經(jīng)對齊并且沒有移動(dòng)對象。我們還展示了一種稱為曝光融合的替代方法，它可以產(chǎn)生低動(dòng)態(tài)范圍的圖像。 HDR 管道的每個(gè)步驟都可以使用不同的算法來實(shí)現(xiàn)，因此請查看參考手冊以了解所有這些。

二、曝光序列

三、代碼演示

from __future__ import print_function
from __future__ import division
import cv2 as cv
import numpy as np
import argparse
import os

def cv_show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)
    cv.destroyAllWindows()

def compare(imgs):
  #  for i in range(len(imgs)):
 #       imgs[i][:,-3:-1,:] = [255,255,255]
    res = np.hstack(imgs)
    cv_show('Compare', res)

def loadExposureSeq(path):
    images = []
    times = []
    with open(os.path.join(path, 'list.txt')) as f:
        content = f.readlines()
    for line in content:
        tokens = line.split()
        images.append(cv.imread(os.path.join(path, tokens[0])))
        # 便于之后的逆CRF操作
        times.append(1 / float(tokens[1]))
    return images, np.asarray(times, dtype=np.float32)

# jupyter 難以手動(dòng)輸入?yún)?shù)，故使用絕對路徑
#parser = argparse.ArgumentParser(description='Code for High Dynamic Range Imaging tutorial.')
# parser.add_argument('--input', type=str, help='Path to the directory that contains images and exposure times.')
# args = parser.parse_args()
# if not args.input:
#     parser.print_help()
#     exit(0)
# images, times = loadExposureSeq(args.input)
images, times = loadExposureSeq('exposures/')
calibrate = cv.createCalibrateDebevec()
response = calibrate.process(images, times)
merge_debevec = cv.createMergeDebevec()
hdr = merge_debevec.process(images, times, response)
tonemap = cv.createTonemap(2.2)
ldr = tonemap.process(hdr)
merge_mertens = cv.createMergeMertens()
fusion = merge_mertens.process(images)

cv.imwrite('fusion.png', fusion * 255)
cv.imwrite('ldr.png', ldr * 255)
cv.imwrite('hdr.hdr', hdr)

True

• 代碼：github.com/opencv/open…
• 樣本數(shù)據(jù)：github.com/opencv/open…

四、解釋

1. 加載圖像和曝光時(shí)間

images, times = loadExposureSeq('exposures/')

# 查看數(shù)據(jù)集中曝光圖像個(gè)數(shù)
len(images)

16

首先我們從用戶自定義文件夾中(此處我采用了教程提供的數(shù)據(jù)集并將其放置到了同目錄下便于載入)載入輸入圖像以及其曝光時(shí)間。文件夾中需要包含圖像和list.txt文本文件，其中包含了文件名稱和反曝光時(shí)間

提供的圖像數(shù)據(jù)集的列表如下：

memorial00.png 0.03125

memorial01.png 0.0625

...

memorial15.png 1024

2. 估計(jì)相機(jī)響應(yīng)

calibrate = cv.createCalibrateDebevec()
response = calibrate.process(images, times)

• 用法如下：

cv.createCalibrateDebevec( [, samples[, lambda_[, random]]] ) -> retval

• 參數(shù)含義：

• samples ：number of pixel locations to use
• lambda ：smoothness term weight. Greater values produce smoother results, but can alter the response.
• random ：if true sample pixel locations are chosen at random, otherwise they form a rectangular grid.

很多 HDR 構(gòu)建算法都需要了解相機(jī)響應(yīng)函數(shù)（CRF）。 我們使用一種校準(zhǔn)算法來估計(jì)所有 256 個(gè)像素值的逆 CRF

3. 形成HDR圖像

merge_debevec = cv.createMergeDebevec()
# 利用逆CRF形成HDR圖像
hdr = merge_debevec.process(images, times, response)

• 用法如下：

cv.createMergeMertens( [, contrast_weight[, saturation_weight[, exposure_weight]]] ) -> retval

• 參數(shù)含義：

• contrast_weight ：contrast measure weight. See MergeMertens.
• saturation_weight： saturation measure weight
• exposure_weight ：well-exposedness measure weight

我們使用 Debevec 的加權(quán)方案，使用上一項(xiàng)中計(jì)算的響應(yīng)來構(gòu)建 HDR 圖像。

4. 對 HDR 圖像進(jìn)行色調(diào)映射

tonemap = cv.createTonemap(2.2)
ldr = tonemap.process(hdr)
cv_show('Result', ldr)

• 用法如下： cv.createTonemap( [, gamma] ) -> retval
• 參數(shù)含義：

• gamma ：positive value for gamma correction. Gamma value of 1.0 implies no correction, gamma equal to 2.2f is suitable for most displays. Generally gamma > 1 brightens the image and gamma < 1 darkens it.

由于我們想在普通 LDR 顯示器上看到我們的結(jié)果，我們必須將 HDR 圖像映射到 8 位范圍，保留大部分細(xì)節(jié)。 這是色調(diào)映射方法的主要目標(biāo)。 我們使用帶有雙邊濾波的色調(diào)映射器，并將 2.2 設(shè)置為 gamma 校正的值。

5. 實(shí)現(xiàn)曝光融合

merge_mertens = cv.createMergeMertens()
fusion = merge_mertens.process(images)

如果我們不需要 HDR 圖像，還有另一種方法可以合并我們的曝光。 這個(gè)過程稱為曝光融合，并產(chǎn)生不需要伽馬校正的 LDR 圖像。 它也不使用照片的曝光值。

compare([ldr,fusion])

左邊是對HDR圖像直接進(jìn)行色調(diào)映射的結(jié)果，只會(huì)保留大部分細(xì)節(jié)，右邊圖像是使用所有輸入圖像序列進(jìn)行圖像曝光融合的結(jié)果

請注意，HDR 圖像不能以一種常見的圖像格式存儲(chǔ)，因此我們將其保存為 Radiance 圖像 (.hdr)。 此外，所有 HDR 成像函數(shù)都返回 [0, 1] 范圍內(nèi)的結(jié)果，因此我們應(yīng)該將結(jié)果乘以 255。您可以嘗試其他色調(diào)映射算法：cv::TonemapDrago、cv::TonemapMantiuk 和 cv::TonemapReinhard 您還可以調(diào)整 您自己的照片的 HDR 校準(zhǔn)和色調(diào)映射方法參數(shù)。

# 修改gamma使整幅圖像變亮
tonemap = cv.createTonemap(10)
ldr = tonemap.process(hdr)
cv_show('Result', ldr)

五、補(bǔ)充資源

• Paul E Debevec and Jitendra Malik. Recovering high dynamic range radiance maps from photographs. In ACM SIGGRAPH 2008 classes, page 31. ACM, 2008. [57]
• Mark A Robertson, Sean Borman, and Robert L Stevenson. Dynamic range improvement through multiple exposures. In Image Processing, 1999. ICIP 99. Proceedings. 1999 International Conference on, volume 3, pages 159–163. IEEE, 1999. [207]
• Tom Mertens, Jan Kautz, and Frank Van Reeth. Exposure fusion. In Computer Graphics and Applications, 2007. PG'07. 15th Pacific Conference on, pages 382–390. IEEE, 2007. [170]-range_imaging
• Recovering High Dynamic Range Radiance Maps from Photographs (webpage) www.pauldebevec.com/Research/HD…

到此這篇關(guān)于Python中OpenCV Tutorials 20  高動(dòng)態(tài)范圍成像的文章就介紹到這了,更多相關(guān)OpenCV高動(dòng)態(tài)范圍成像內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！