發(fā)布時(shí)間：2020-12-19 15:42

　　多曝光動(dòng)態(tài)場(chǎng)景HDR重建問題具有很大的挑戰(zhàn)性,由于場(chǎng)景中包含了運(yùn)動(dòng)物體及相機(jī)抖動(dòng)等運(yùn)動(dòng)因素,使得合成HDR圖像時(shí)易產(chǎn)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(yùn)動(dòng)映射方法,還有一些研究人員將HDR重建問題建模為深度學(xué)習(xí)模型。本文提出了一種結(jié)合傳統(tǒng)技術(shù)流程與深度學(xué)習(xí)的方法,首先利用基于深度學(xué)習(xí)的光流算法^[1]將圖像序列向參考圖像配準(zhǔn),然后利用融合網(wǎng)絡(luò)將配準(zhǔn)后的圖像融合為HDR圖像。本文的主要研究?jī)?nèi)容如下:（1）動(dòng)態(tài)場(chǎng)景HDR融合的技術(shù)流程本文提出了一個(gè)解決多曝光動(dòng)態(tài)場(chǎng)景HDR重建問題的技術(shù)流程,主要包括三個(gè)階段:預(yù)處理、配準(zhǔn)和HDR融合。首先對(duì)輸入圖像序列進(jìn)行預(yù)處理,再利用基于深度學(xué)習(xí)的光流算法將輸入圖像序列向參考圖像配準(zhǔn),然后將配準(zhǔn)后的圖像作為融合卷積網(wǎng)絡(luò)的輸入圖像序列,最終產(chǎn)生無鬼影的HDR圖像。（2）基于深度學(xué)習(xí)的圖像配準(zhǔn)本文提出了一種基于深度學(xué)習(xí)的配準(zhǔn)方法�？紤]到光流法的假設(shè)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(guó)防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

模糊現(xiàn)象以及鬼影現(xiàn)象

國(guó)防科技大學(xué)研究生院碩士學(xué)位論文第7頁(yè)(3)HDR融合網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)本文采用卷積神經(jīng)網(wǎng)絡(luò)(CNNs)作為學(xué)習(xí)模型來建模HDR的融合過程，因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力和表達(dá)能力，所以本文嘗試?yán)蒙疃染矸e網(wǎng)絡(luò)結(jié)構(gòu)解決前期配準(zhǔn)出現(xiàn)的人工痕跡(artifact)，并完美融合出高質(zhì)量的HDR圖像。輸入配準(zhǔn)后的三張LDR圖像及其變換到HDR域后相應(yīng)的圖像，經(jīng)過深度卷積網(wǎng)絡(luò)后輸出融合過程中各個(gè)圖像分別對(duì)應(yīng)的權(quán)重，最后各個(gè)圖像分別乘上對(duì)應(yīng)的權(quán)重，得到最終融合的HDR圖像，即AlphaBlending。(4)誤差函數(shù)的設(shè)計(jì)由于HDR圖像通常需要經(jīng)過色調(diào)映射才能在普通的顯示器上進(jìn)行顯示，所以設(shè)計(jì)誤差函數(shù)時(shí)先將HDR結(jié)果做色調(diào)映射變換之后再計(jì)算誤差函數(shù)，本文利用二范數(shù)作為衡量估計(jì)結(jié)果與真實(shí)結(jié)果(groundtruth)的距離來使網(wǎng)絡(luò)參數(shù)更好地收斂。1.3.2論文的組織結(jié)構(gòu)圖1.2論文組織結(jié)構(gòu)論文組織結(jié)構(gòu)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(jié)研究的意義。通過對(duì)國(guó)內(nèi)外近些年來在動(dòng)態(tài)場(chǎng)景HDR重建技術(shù)以及深度學(xué)習(xí)方向的研究，總結(jié)了研究成果，發(fā)展現(xiàn)狀。在此基礎(chǔ)上，提出了本文的研究方向和技術(shù)路線。第二章基于深度學(xué)習(xí)的動(dòng)態(tài)場(chǎng)景HDR重建流程。本章介紹了基于深度學(xué)習(xí)的動(dòng)態(tài)場(chǎng)景HDR重建技術(shù)，包括曝光調(diào)整，圖像配準(zhǔn)，圖像融合等部分。其次，為了更加客觀地驗(yàn)證實(shí)驗(yàn)效果以及提供充分多樣的訓(xùn)練數(shù)據(jù)，設(shè)計(jì)了一套方法用于

國(guó)防科技大學(xué)研究生院碩士學(xué)位論文第11頁(yè)圖2.2鬼影形成原理圖然而，各個(gè)算法在消除鬼影的同時(shí)，也會(huì)引入一些人工痕跡(artifact)，例如錯(cuò)誤匹配、幾何變形、噪聲等等。因此，動(dòng)態(tài)場(chǎng)景HDR重建的難度不僅在于擴(kuò)大圖像的動(dòng)態(tài)范圍，而且在于消除鬼影等人工痕跡(artifact)。特別是對(duì)于大面積過度曝光或者曝光不足的復(fù)雜場(chǎng)景來說，其仍會(huì)出現(xiàn)一些語(yǔ)義錯(cuò)誤。2.2動(dòng)態(tài)場(chǎng)景HDR重建技術(shù)流程本節(jié)我們對(duì)基于深度學(xué)習(xí)的動(dòng)態(tài)場(chǎng)景HDR重建技術(shù)流程進(jìn)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(xué)習(xí)的動(dòng)態(tài)場(chǎng)景HDR重建方法。基于深度學(xué)習(xí)的動(dòng)態(tài)場(chǎng)景HDR融合流程設(shè)計(jì)如下：圖2.3HDR重建流程圖2.3為本文提出的動(dòng)態(tài)場(chǎng)景HDR重建技術(shù)流程，首先，輸入相機(jī)采集的多曝光LDR圖像序列，對(duì)輸入圖像進(jìn)行預(yù)處理之后，計(jì)算LDR圖像與參考圖像的光流，通過計(jì)算所得光流進(jìn)行配準(zhǔn)，輸入端到端的深度網(wǎng)絡(luò)計(jì)算權(quán)重，根據(jù)權(quán)重進(jìn)行融合，得到最終重建的HDR圖像，色調(diào)映射之后在顯示器上進(jìn)行顯示。如圖2.4所示為具體的技術(shù)流程：


本文編號(hào)：2926159