CN101697594B - 一种基于局部视觉适应模型的真实影像再现方法 - Google Patents

Abstract

本发明涉及一种基于局部视觉适应模型的真实影像再现方法，属于图像处理领域。该方法首先通过图像输入获取待处理对象的像素值，然后根据所述像素值计算各像素邻域的局部背景亮度，之后根据所述局部背景亮度设计对比度和亮度控制因子，并将所述对比度和亮度控制因子α和c代入到局部视觉适应模型中，从而获得归一化的输出结果，再对归一化的输出结果进行后处理，即得到最终的影像再现结果。该方法能有效地实现动态范围压缩/调整，保持图像细节而避免伪像，具有一定的色彩恒定性，且复杂度低，具有很好的实用性。

Description

一种基于局部视觉适应模型的真实影像再现方法

发明领域

本发明涉及图像处理领域，尤其涉及图像处理特定应用中的高动态范围图像压缩或图像动态范围调整以及颜色恒定性保持技术。

技术背景

自然场景呈现在人类眼前的是丰富的色彩与广泛的亮度，如夜晚的平均亮度约为10^-6cd/m²，日照条件下甚至可达到10⁸cd/m²，而在单一场景中的亮度就可能跨越好几个数量级。人类视觉系统能够适应的光强范围很宽，从夜视阈值到强闪光约有10¹⁰量级。通常，人眼能在给定的视适应条件下，分辨出10⁴量级范围内的细节信息，而仅仅在闪光周围出现光晕而丢失细节。人类视觉具有如此高的动态范围，是当前通用显示设备所无法比拟的。

目前，结合高级别(如12/14bit)模数转换芯片的数码相机已经面市，可达4-6个对数单位的动态范围，但相较于人眼的感知范围还有相当大的差距。这类图像捕捉到更为完整的光照情况，因此被广泛应用于增强现实、图像建模，以及电影特技、视觉系统模拟、卫星遥感等众多领域。但常用的显示设备(如LCD、LED)的动态范围仍然非常有限，通常仅达1-2个数量级；而投影、打印等方式能呈现的动态范围更低。图像采集与显示动态范围的不匹配，往往会导致在显示过程中图像信息的丢失，特别是在图像暗区与亮区的信息就更难以分辨。对给定动态范围的图像，在较低动态范围的显示输出设备上亦会产生局部图像信息不足的问题。这就需要能够提供高动态范围压缩或动态范围调整，同时保持场景颜色恒定性的图像算法。

一般地，图像或视频采集设备得到的信号I可视为场景内物体反射率R与环境光照L的乘积，前者由物体表面属性决定，后者光强变化引起场景动态范围差异。真实影像再现算法就是为了将物体反射率R与光照强度L分离，依据一定的策略使得光照强度映射到合适要求得范围，例如高动态范围压缩是从较高光照范围Lh压缩到较低动态范围Ll，动态范围调整是将光照范围Lb调节到新的适合显示全局明暗分布的光照范围La。该技术能通过对动态范围的压缩或调整，使输出图像或视频符合人眼观察的需要，保持其整体特别是亮区亮度、对比度、色貌等的同时，提高图像或视频暗区的细节可见性，可用于与图像或视频显示与输出有关的设备及其应用。

真实影像再现技术一般分为全局方法和局部方法，其中全局方式计算简单，但容易造成信息丢失，而局部方式通常运用像素邻域参与压缩过程。

在局部方式的发展过程中，Naka和Rushton在《Rushton.S-potentials fromColor Units in the Retina of Fish》一文中较早地提出了一种视锥、视杆的适应模型，后被进一步总结为亮度感受模型，该模型描述了视感受器对亮度水平的自动适应过程，如式(1)所示：

R(I)＝Iⁿ/(Iⁿ+σⁿ)               (1)

其中R表示细胞响应，I为输入亮度，σ是半饱和参数(即当响应达到系统一半时的参数)，而n为敏感度常数。σ的不同代表了不同的适应水平。

其后有关视觉适应模型的研究，很多是围绕如何确定局部适应水平的深入讨论。Samir Shah和Martin D.Levine在《Visual Information Processing inPrimate Cone Pathways-Part I：A Model》一文中利用Michaelson-Menton饱和函数解析了视感光色素漂白作用与视神经回路尤其是水平细胞反馈作用，这是两种主要的亮适应机制，从而完成局部适应水平的估计。

黄光华等在Samir Shah和Martin D.Levine的研究基础上在《一种基于视锥适应模型的真实影像再现方法》一文中进一步加强了亮度不均匀图像中适应水平的自适应选择。

Erik Reinhard和Kate Devlin则在《Dynamic Range Reduction Inspired byPhotoreceptor Physiologh》一文中通过指数形式适应水平控制的对比度和亮度，对不同图像选取合适的适应曲线。

实际运用常出现的问题是，同时存在亮区与暗区的图像，很容易实现暗区有效增强，但往往亮区增益过大而导致纹理、细节信息丢失；图像色彩丰富程度与图像清晰度之间，也存在一定的折中取舍问题。

发明内容

本发明通过引入神经网络中采用的Sigmoid函数形式实现适应水平的估计，能合理地设计非线性压缩曲线，从而对影像明暗区域的控制得以均衡，色彩真实，不容易出现“白化”、“光晕”等伪像。

本发明提供了一种基于局部视觉适应模型的真实影像再现方法，其特征在于：包括以下步骤：

1)通过图像输入获取待处理对象的像素值I；

2)根据像素值I计算所述待处理对象中像素邻域的局部背景亮度I_a；

3)根据所述局部背景亮度I_a设计对比度和亮度控制因子α和c；

4)将所述对比度和亮度控制因子α和c代入到局部视觉适应模型中从而获得归一化的输出结果v_r(I)/v_max，其中局部视觉适应模型为

$\frac{v_r\left(I\right)}{v_{\max }}=\frac{I^n}{I^n+{\left[I_a\exp (-\mathrm{\α}(\log \left(I\right)-c))\right]}^n+\mathrm{\β}}---\left(2\right)$

v_r(I)是光感受器输出电位，v_max是光感受器的最大输出电位，β为偏移量常数，n≈1；

5)对所述归一化的输出结果进行后处理，从而得到最终的影像再现结果。

本发明还包括步骤2)中的I_a由I通过低通滤波器得到，其中低通滤波器包括但不限于高斯滤波器。

本发明还包括，其中步骤3)为根据固定参数模式或局部自适应模式由所述局部背景亮度I_a得到对比度和亮度控制因子α和c。

本发明还包括，其中局部自适应模式为将所述局域背景强度I_a转换到色度-饱和度-值空间，得到其在色度-饱和度-值空间得到的亮度值v_a，令

α＝mv_a+n            (4)

c＝m′v_a+n′        (5)

其中m/n、m′/n′确定α与v_a、c与v_a之间的线性关系。

本发明还包括，其中m＝0.4，n＝1.2，m′0.3，n′＝5。

本发明还包括，其中β＝12。

本发明还包括，其中步骤5)中的后处理为直方图剪裁算法，去除两端部分像素值。

本发明还包括，其中步骤5)中的后处理为将输出结果输入到色度-饱和度-值空间，对饱和度分量作自适应调整。

本发明有以下显著优点：

1.采用人类视觉特性作为算法模型，较纯数学模型能更准确可靠地模拟视觉再现过程，实现了较好的真实影像再现效果，经主观测试和客观评价方法对大量样本验证结果显示，本发明优于多数同类其他方法；

2.基于局部视觉适应的模型，能分别对图像或视频中各个不同亮度、对比度区域自适应针对性的选择动态范围压缩/调整曲线，算法灵活有效；

3.算法对视觉模型的简化，运算量低，只需7*7窗口执行局部背景亮度统计，实现效率高。

附图说明

图1为一种基于局部视觉适应模型的真实影像再现方法流程框图；

图2为亮度的对数logI与归一化响应v_r(I)/v_max在不同的α、c值下的关系曲线图；

图3为待处理的原图；

图4为不同α，c组合的处理结果图；

图5为α＝1.1、c＝4.5、β＝12时的处理结果图；

图6为m＝0.4，n＝1.2，m′0.3，n′＝5，β＝12时的处理结果图；

具体实施方式

1.固定参数模式

本模式采用固定的亮度和对比度控制因子实现，可以针对影像中不同场景实验确定或经验确定。其中，选取较小的亮度控制因子c，图像整体亮度明显增加，特别是在亮区过曝光现象明显；反之亮度降低，暗区难以分辨图像信息。对比度控制因子α较小时，动态压缩能力强，特别是暗区的细节得到极大程度增强，但色彩表现力差；反之，动态范围压缩能力差，色彩保真性好。参数选取的矛盾，会导致图像中不同亮度区域的纹理或色彩信息损失。根据主观测试结果来看，图4中α＝1.1，c＝4.5，β＝12时取得了相对满意的综合效果。处理结果如图5所示。

2.局部自适应模式

该模式根据背景亮度涉及控制因子与内容的自适应关系。一种实施例为：

将局域背景强度I_a转换到色度-饱和度-值空间，得到其局域亮度，令α、c均与之具有线性关系，即：

α＝mv_a+n

c＝m′v_a+n′

其中，v_a是7×7邻域的背景强度在色度-饱和度-值空间得到的亮度值，m/n、m′/n′分别确定α与v_a、c与v_a之间的线性关系。

对大量图像反复实验，给定参数如m＝0.4，n＝1.2，m′＝0.3，n′＝5，β＝12时，能获得主观测试的最佳效果。处理结果如图6所示。

Claims (8)

1.一种基于局部视觉适应模型的真实影像再现方法，其特征在于，包括以下步骤：

1)通过图像输入获取待处理对象的像素值I；

2)根据像素值I计算所述待处理对象中像素邻域的局部背景亮度I_a；

3)根据所述局部背景亮度I_a设计对比度和亮度控制因子α和c；

4)将所述对比度和亮度控制因子α和c代入到局部视觉适应模型中从而获得归一化的输出结果v_r(I)/v_max，其中局部视觉适应模型为

$\frac{v_r\left(I\right)}{v_{\max }}=\frac{I^n}{I^n+{\left[I_a\exp (-\mathrm{\α}(\log \left(I\right)-c))\right]}^n+\mathrm{\β}},$

v_r(I)是光感受器输出电位，v_max是光感受器的最大输出电位，β为偏移量常数，n≈1；

5)对所述归一化的输出结果进行后处理，从而得到最终的影像再现结果。

2.如权利要求1所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，步骤2)中的I_a由I通过低通滤波器得到，且该低通滤波器包括但是不限于高斯滤波器。

3.如权利要求1所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，步骤3)为根据固定参数模式或局部自适应模式由所述局部背景亮度I_a设计对比度和亮度控制因子α和c。

4.如权利要求3所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，局部自适应模式为将所述局域背景强度I_a转换到色度-饱和度-值空间，得到其在色度-饱和度-值空间得到的亮度值v_a，令

α＝mv_a+n

c＝m′v_a+n′

其中m/n、m′/n′确定α与v_a、c与v_a之间的线性关系。

5.如权利要求4所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，其中m＝0.4，n＝1.2，m′＝0.3，n′＝5。

6.如权利要求5所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，其中β＝12。

7.如权利要求1所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，其中步骤5)中的后处理为直方图剪裁算法，去除两端部分像素值。

8.如权利要求1所述的一种基于局部视觉适应模型的真实影像再现方法，其特征在于，其中步骤5)中的后处理为将输出结果输入到色度-饱和度-值空间，对饱和度分量作自适应调整。

Images