Python opencv怎么实现高动态范围成像(opencv,python,开发技术)

高动态范围成像

一、引言

如今，大多数数字图像和成像设备每通道使用 8 位整数表示灰度，因此将设备的动态范围限制在两个数量级（实际上是 256 级），而人眼可以适应变化十个数量级的照明条件。当我们拍摄真实世界场景的照片时，明亮区域可能曝光过度，而黑暗区域可能曝光不足，因此我们无法使用单次曝光捕捉所有细节。 HDR 成像适用于每通道使用超过 8 位（通常为 32 位浮点值）的图像，允许更宽的动态范围。获取 HDR 图像的方法有很多种，但最常见的一种是使用以不同曝光值拍摄的场景照片。要结合这些曝光，了解相机的响应函数以及估计它的算法很有用。混合 HDR 图像后，必须将其转换回 8 位才能在普通显示器上查看。这个过程称为色调映射。当场景或相机的对象在镜头之间移动时，会出现额外的复杂性，因为应该配准和对齐具有不同曝光的图像。在本教程中，我们将展示如何从曝光序列中生成和显示 HDR 图像。在我们的例子中，图像已经对齐并且没有移动对象。我们还展示了一种称为曝光融合的替代方法，它可以产生低动态范围的图像。

二、曝光序列

三、代码演示

from__future__importprint_functionfrom__future__importdivisionimportcv2ascvimportnumpyasnpimportargparseimportos

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

defcompare(imgs):#foriinrange(len(imgs)):#imgs[i][:,-3:-1,:]=[255,255,255]res=np.hstack(imgs)cv_show('Compare',res)

defloadExposureSeq(path):images=[]times=[]withopen(os.path.join(path,'list.txt'))asf:content=f.readlines()forlineincontent: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]))returnimages,np.asarray(times,dtype=np.float32)

#jupyter难以手动输入参数，故使用绝对路径#parser=argparse.ArgumentParser(description='CodeforHighDynamicRangeImagingtutorial.')#parser.add_argument('--input',type=str,help='Pathtothedirectorythatcontainsimagesandexposuretimes.')#args=parser.parse_args()#ifnotargs.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

四、解释

1. 加载图像和曝光时间

images,times=loadExposureSeq('exposures/')

#查看数据集中曝光图像个数len(images)

16

首先我们从用户自定义文件夹中(此处我采用了教程提供的数据集并将其放置到了同目录下便于载入)载入输入图像以及其曝光时间。文件夹中需要包含图像和list.txt文本文件，其中包含了文件名称和反曝光时间

提供的图像数据集的列表如下：

memorial00.png 0.03125

memorial01.png 0.0625

...

memorial15.png 1024

2. 估计相机响应

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

• 用法如下：

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

• 参数含义：

• 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 构建算法都需要了解相机响应函数（CRF）。 我们使用一种校准算法来估计所有 256 个像素值的逆 CRF

3. 形成HDR图像

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

• 用法如下：

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

• 参数含义：

• contrast_weight ：contrast measure weight. See MergeMertens.

• saturation_weight： saturation measure weight

• exposure_weight ：well-exposedness measure weight

我们使用 Debevec 的加权方案，使用上一项中计算的响应来构建 HDR 图像。

4. 对 HDR 图像进行色调映射

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

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

• 参数含义：

• 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.

由于我们想在普通 LDR 显示器上看到我们的结果，我们必须将 HDR 图像映射到 8 位范围，保留大部分细节。 这是色调映射方法的主要目标。 我们使用带有双边滤波的色调映射器，并将 2.2 设置为 gamma 校正的值。

5. 实现曝光融合

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

如果我们不需要 HDR 图像，还有另一种方法可以合并我们的曝光。 这个过程称为曝光融合，并产生不需要伽马校正的 LDR 图像。 它也不使用照片的曝光值。

compare([ldr,fusion])

左边是对HDR图像直接进行色调映射的结果，只会保留大部分细节，右边图像是使用所有输入图像序列进行图像曝光融合的结果

请注意，HDR 图像不能以一种常见的图像格式存储，因此我们将其保存为 Radiance 图像 (.hdr)。 此外，所有 HDR 成像函数都返回 [0, 1] 范围内的结果，因此我们应该将结果乘以 255。您可以尝试其他色调映射算法：cv::TonemapDrago、cv::TonemapMantiuk 和 cv::TonemapReinhard 您还可以调整 您自己的照片的 HDR 校准和色调映射方法参数。

#修改gamma使整幅图像变亮tonemap=cv.createTonemap(10)ldr=tonemap.process(hdr)cv_show('Result',ldr)