多曝光動態(tài)場景HDR重建問題具有很大的挑戰(zhàn)性,由于場景中包含了運動物體及相機抖動等運動因素,使得合成HDR圖像時易產生鬼影和模糊。目前研究人員提出了一些方法以解決該問題。有些研究人員提出了傳統(tǒng)方法,例如基于分塊的方法和運動映射方法,還有一些研究人員將HDR重建問題建模為深度學習模型。本文提出了一種結合傳統(tǒng)技術流程與深度學習的方法,首先利用基于深度學習的光流算法^[1]將圖像序列向參考圖像配準,然后利用融合網(wǎng)絡將配準后的圖像融合為HDR圖像。本文的主要研究內容如下:（1）動態(tài)場景HDR融合的技術流程本文提出了一個解決多曝光動態(tài)場景HDR重建問題的技術流程,主要包括三個階段:預處理、配準和HDR融合。首先對輸入圖像序列進行預處理,再利用基于深度學習的光流算法將輸入圖像序列向參考圖像配準,然后將配準后的圖像作為融合卷積網(wǎng)絡的輸入圖像序列,最終產生無鬼影的HDR圖像。（2）基于深度學習的圖像配準本文提出了一種基于深度學習的配準方法�？紤]到光流法的假設之一就是前后幀的曝光度一致,本文提升了較暗圖像的曝光度并且降低較亮圖像的曝光度,以使得輸入圖像序列的曝光度一致。然后,本文利用... 

【文章來源】：國防科技大學湖南省 211工程院校 985工程院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

模糊現(xiàn)象以及鬼影現(xiàn)象

國防科技大學研究生院碩士學位論文第7頁(3)HDR融合網(wǎng)絡結構的設計本文采用卷積神經網(wǎng)絡(CNNs)作為學習模型來建模HDR的融合過程，因為卷積神經網(wǎng)絡具有強大的學習能力和表達能力，所以本文嘗試利用深度卷積網(wǎng)絡結構解決前期配準出現(xiàn)的人工痕跡(artifact)，并完美融合出高質量的HDR圖像。輸入配準后的三張LDR圖像及其變換到HDR域后相應的圖像，經過深度卷積網(wǎng)絡后輸出融合過程中各個圖像分別對應的權重，最后各個圖像分別乘上對應的權重，得到最終融合的HDR圖像，即AlphaBlending。(4)誤差函數(shù)的設計由于HDR圖像通常需要經過色調映射才能在普通的顯示器上進行顯示，所以設計誤差函數(shù)時先將HDR結果做色調映射變換之后再計算誤差函數(shù)，本文利用二范數(shù)作為衡量估計結果與真實結果(groundtruth)的距離來使網(wǎng)絡參數(shù)更好地收斂。1.3.2論文的組織結構圖1.2論文組織結構論文組織結構圖如圖1.2所示。第一章緒論。本章主要介紹了論文的研究背景，總結研究的意義。通過對國內外近些年來在動態(tài)場景HDR重建技術以及深度學習方向的研究，總結了研究成果，發(fā)展現(xiàn)狀。在此基礎上，提出了本文的研究方向和技術路線。第二章基于深度學習的動態(tài)場景HDR重建流程。本章介紹了基于深度學習的動態(tài)場景HDR重建技術，包括曝光調整，圖像配準，圖像融合等部分。其次，為了更加客觀地驗證實驗效果以及提供充分多樣的訓練數(shù)據(jù)，設計了一套方法用于

國防科技大學研究生院碩士學位論文第11頁圖2.2鬼影形成原理圖然而，各個算法在消除鬼影的同時，也會引入一些人工痕跡(artifact)，例如錯誤匹配、幾何變形、噪聲等等。因此，動態(tài)場景HDR重建的難度不僅在于擴大圖像的動態(tài)范圍，而且在于消除鬼影等人工痕跡(artifact)。特別是對于大面積過度曝光或者曝光不足的復雜場景來說，其仍會出現(xiàn)一些語義錯誤。2.2動態(tài)場景HDR重建技術流程本節(jié)我們對基于深度學習的動態(tài)場景HDR重建技術流程進行闡述。為了解決多曝光HDR重建方法中容易出現(xiàn)的鬼影等問題，本文提出了基于深度學習的動態(tài)場景HDR重建方法�；谏疃葘W習的動態(tài)場景HDR融合流程設計如下：圖2.3HDR重建流程圖2.3為本文提出的動態(tài)場景HDR重建技術流程，首先，輸入相機采集的多曝光LDR圖像序列，對輸入圖像進行預處理之后，計算LDR圖像與參考圖像的光流，通過計算所得光流進行配準，輸入端到端的深度網(wǎng)絡計算權重，根據(jù)權重進行融合，得到最終重建的HDR圖像，色調映射之后在顯示器上進行顯示。如圖2.4所示為具體的技術流程：


本文編號：2926159