专业英语翻译作业
2020-03-02 15:36:20 来源：范文大全收藏下载本文
xxx 电力电子及电力传动 12010111
3高动态范围图像的降噪
摘要用多幅不同曝光程度的图像可以产生一幅高动态范围(HDR)的图像。在室内这样的低光照场合有时会需要设置高感光度来拍摄图像。然而，在低光照条件或者高感光设置中出现噪声时，目前的数码相机就不能拍摄出高质量的HDR图像。在本论文中，我们提出一种用一组不同曝光程度的低动态范围(LDR)的图像来降低生成HDR图像时产生的噪声的方法，在这组图像中，通过图像配准和局部运动信息可以有效的减少ghost伪影。在高感光设置下可以用运动信息来产生HDR图像。本论文分析了该方法的的特点并与现有的生成HDR图像的方法进行对比，在对比时采用了莱因哈德等人的全球色调映射方法来显示最终的HDR图像。实验中测试的几组不同曝光的LDR图像表明本文提出的方法在视觉质量和计算时间上比现有的方法要好。
关键词伪影校正 高动态范围图像 图像配准 运动检测 降噪 光度图生成
1 介绍
通过高动态范围(HDR)的光照，人们可以感知真实的世界。但是，传统的图像传感器和显示设备只有有限的动态范围，并不能完全捕捉和显示全部的光照范围。如果亮和暗的区域共存与同一个场景，这些区域往往是曝光不足的或者过度曝光的。由于图像质量是客户们比较不同的处理方法时考虑的一个重要因素，所以图像的HDR采集和显示设备对他们来说更具吸引力。
为了克服动态范围的局限性引入了HDR成像，它满足了目前和将来高端图像采集和显示设备的要求。在传统方法中，HDR光度图是通过相同场景的不同曝光度的几幅不同的图像来得到的。在典型的有限动态范围的显示设备中，采用色调映射来将HDR光度图转换为显示格式。由于是用相同场景下的不同曝光度的多幅图像来产生HDR图像(HDRI)，所以物体或者相机的全局和局部运动就会引发一些问题。当用手持相机来捕捉一组图像时，由于相机的全局运动，HDR图像看起来会有双影或是模糊。为了减少这些伪影，可以采用三脚架拍摄来获取多幅图像，也可以采用对光照不变的对齐算法来获取图像。通过硬件来获取HDR光度图只需要一次拍摄即可。然而，这些系统获取的图像的分辨率有限，并且由于它们体积大，价钱昂贵，对普通用户来说很难应用。
在HDR成像过程中，全域动态、局部动态和高感光度设置会产生伪影和噪声。手持相机产生的全域动态和场景内物体产生的局部动态会产生伪影。为了防止和消除在生成HDR时产生伪影，可以采用图像配准和局部动态检测。如果LDR图像是在低光照条件下获得的，引起噪声的高感光度设置是为了用来预防模糊的。当用户使用手持相机获取低动态范围的图像时，可以用图像配准来补偿相机运动。由于用于HDR成像的低动态范围图像的曝光值(EVs)不同，所以传统的图像配准的方法并不合适。 目前，校准HDR成像时所用的低动态范围图像的方法有：中位值门槛位元图校准法，尺度不变特征变换的的配准法，对比度不变特征变换的配准法。
为了补偿不同的曝光，沃德提出了一种被称为MTB的二值图像，该图像通过将LDR图像的灰度中间值设置为阈值来获得。用MTB进行的校准对曝光度不敏感。比较LDR图像进行异或操作所得到的不同的位图便可以计算出平移抵消量。为了减少计算时间，沃德使用了一种影响金字塔的方法。对于可移动相机来说，基于MTB的校准方法只需要较少的计算时间。然而，这种方法并不能补偿照相机的旋转和仿射运动。
Tomaszewska 和 Mantiuk采用尺度不变特征变换来寻找特征点并估计LDR图像之间的关系。在这种估计的基础上，用直接线性转换(DLF)的方法就可以计算出LDR图像之间的变换矩阵。接下来就可以将LDR图像相对于参考图像对齐。尺度不变特征变换的旋转量和尺度
是不变的，对于光度变化也同样不敏感。因此，尺度不变特征变换很适用于不同曝光度的LDR图像配准。然而，这种方法比MTS方法要慢。
为了获得特征检测的对比度特征，Geverekci 和 Gunturk提出了对比度不变特征变换的方法。他们采用最大期望值的方法来减小场景遮挡物的影响。对比度不变特征变换算法对于曝光度的改变和场景遮挡物来说是不变的，它提高了配准性能。然而，这种方法也比MTB方法慢。
即使由相机全局运动引起的伪影忽略不计，通过局部物体运动和背景变化依然可以看到ghost效应。因此，需要对LDR图像进行运动检测来减少伪影。
基于方差的运动检测可以用来去除伪影，在此检测中，需要计算多幅图像的像素值加权方差，通过对加权方差图设定阈值可以检测物体运动。然而，这种方法也有缺陷。在LDR图像中选择一个参考图像以便在物体运动区域建立光度图。这个区域可能由于噪声而发生退化，如果它是不饱和或者过饱和的，就可能将错误的光度值包含进来。并且，当物体和背景之间的对比很小或者一个运动的物体包含一块无贴图区域，运动检测就可能失败。
Jacobs等人基于熵来检测物体运动。他们提取出每一幅LDR图像的光度的局部熵，然后将计算得出的LDR图像的加权因子与局部熵值的变化量相加。这种方法对运动物体和背景之间的对比并不敏感。但是，无贴图物体的运动检测是很困难的。这种方法同样是用参考图像来在物体运动区域来建立光度图的。这种运动检测的效果取决于阈值的选取，其中阈值被用来将运动区域分类。
Khan等人通过采用核密度估计的方法来反复的去除伪影。作为构造辐射图的加权因子，这种方法使用了像素包含在背景中的概率。它可以有效的降低噪声，但是需要的计算量却高于其他的方法。这种方法还需要限定背景的像素个数大于物体像素个数。
Jinno 和Okuda使用马尔科夫随机场模型估计了位移，并检测了遮挡和饱和区域。这种方法补偿了遮挡的影响和物体运动的影响。因此，由于物体微小运动引起的伪影就可以被有效的减小。然而，这种方法需要很高的计算量。
有时，在室内这样的低光照条件下获取LDR图像需要高感光设置。然而，目前的数码相机对于低光照条件或是高感光设置中的噪声很敏感。由于短时间曝光的LDR图像更容易受拍摄瞬间的噪声影响，所以这些图像是降低HDR图像信噪比的主要因素。由一组LDR图像重建的辐射值的加权和并不能够降低噪声。
Akyuz和Reinhard提出了一种对HDR成像进行降噪的方法，这种方法的前提是LDR图像是在高感光度设置条件下获取的。他们首先将相机响应曲线取反来估计每一幅LDR图像的辐射图，然后计算加权平均值以减少噪声。以像素值（同时考虑过饱和和不饱和像素）和LDR图像曝光时间（因为长时间曝光的LDR图像的信噪比高于短时间曝光的）为基础可以定义降噪加权函数。之后，通过相机响应曲线将每一幅辐射图转换到初始域。最后，将转换到初始域的去噪LDR图像加权求和来生成HDR辐射图。
Mitsunaga 和 Nayar提出一种加权函数，假设噪声的标准差与像素值无关，在辐射值的信噪比基础上计算该函数。Bell等人采用的一种统一的加权函数在信噪比方面效果也很好。然而，他们都没有考虑像素值的可靠性。
在本论文中，我们提出一种HDR成像的降噪方法，此方法中的噪声产生于LDR图像获取阶段。我们分析了所提出方法的特点并和已有的降噪方法进行对比。
本文其余部分组织如下。第二节介绍了图像配准和去除伪影的预处理步骤。第三节提出了一种用自适应时空平滑滤波器来降低HDR辐射图噪声的办法。在第四节中，对用本文提出的方法和已有的方法所产生的HDR图像映射图的实验结果在视觉质量和计算时间方面做了比较和讨论。最后，在第五节中做了总结。
2 预处理
在生成HDR发光图之前，进行图像配准和运动检测的预处理，这样就可以降低伪影。
2.1 图像配准
如果用户在获取LDR图像是并没有使用三脚架，那么在HDR图像中就会出现伪影。因此，就需要用图像配准来防止伪影先于发光图的产生。在HDR成像过程中LDR图像具有不同的曝光度。为了减小曝光度变化的带来的影响，图像配准需要利用光照不变的特性。
在HDR成像系统中，不同曝光度的LDR图像间的图像配准包含四个步骤：角点检测，通信估计，变换矩阵计算和图像变形。图1展示了基于图像配准技术提出的Harris角点框图。虚线框中的是在LDR图像是高分辨率的情况下用以降低计算时间的可选的步骤。
首先，采用Harris角检测来提取感兴趣的点。为了找到图像中的角，按公式(1)来计算局部邻域C(x,y)强度结构，其中Ix和Iy分别代表像素点(x,y)的强度I在x轴和y轴方向的梯度。Gρ标志着一个标准差为ρ的高斯核，Wc表示以(x,y)为中心的方形窗口的大小（假设为单数）。*代表卷积。
通过分析强度结构矩阵C(x,y)的特征值(λ1,λ2)来判断像素(x, y)是否是拐角。如果λ1和λ2是很大的正的特征值，那么这个像素就可以认为是一个拐角。为了减少计算特征值时的计算量，拐角强度函数Rc按[15]计算，其中det(C(x, y))和tr(C(x, y))指矩阵C(x, y)的行列式和迹，K是灵敏度参数。如果Rc(x, y)大于阈值，像素(x, y)被视为是一个拐角。
接下来，在要对齐的参考图像的特征点和其他使用零均值归一化误差平方和(ZNSSD)的图像之间的建立对应关系SD(i, j )，该式按公式(3)来计算，其中IR(xi , yi )
和分别
代表参考图像和其它图像(kth LDRI, k = R)的强度。(xi , yi )是参考图像
中的第i个特征点，是LDR图像中的第j个特征点。K1和K2分别指在参考图像和第k个图像中特征点的个数。μR,i 和μk, j分别代表参考图像和第k个LDR图像的局部均值，这些值是为了补偿LDR图像间不同的曝光度的。Ws是方形窗口的大小，假定为奇数，用于计算零均值归一化误差平方和。
用随机信号聚合(RANSAC)方法来消除对应关系中的异常数据。在感兴趣的点之间选择对应关系，就可以由DLT方法来计算出转移矩阵。转移矩阵H定义如下
其中
它LDR图像间的第m个对应点。由(4)式我们可以得出一组方程 分别为参考图像和其
K对应饱和点，向量矩阵形式中的齐次方程由公式(6)计算得出，其中K(≤ min(K1, K2))代表对应关系中的内点个数。通过计算基于A的奇异值分解的最小二乘解可以得到转移矩阵H。
利用转移矩阵和双线性插值，要对齐的LDR图像会畸变。通过转移矩阵计算畸变图像坐标轴。然后，通过灰度线性插值来在整数坐标处定义像素值。通过对四邻域像素灰度值进行双线性差值来实现灰度值差值。
图2显示了参考图像和其余LDR图像(Ik , k = 1)对应关系估计的例子。图2a展示了通过ZHSSD对两幅LDR图像估计对应关系的结果，这两幅图像是通过RANSAC方法去除奇异值后得到的。图2b红线和绿线分别是IR和I1的拐角，蓝线显示了在两幅图像中检测到的拐角的对应关系。
为了降低高清摄像机在线处理图像配准所需的计算时间，我们对调整大小后的LDR图像进行拐角检测和对应关系估计。首先，采用高斯平滑滤波器处理LDR图像，然后通过因子n来抽取平滑后的图像。通过使用高斯滤波器来降低噪声的影响。
人人范文网 m.inrrp.com.cn 手机版