Python opencv怎么实现高动态范围成像

蜗牛 互联网技术资讯 2022-06-16 17 0

这篇“Python opencv怎么实现高动态范围成像”文章的知识点大部分人都不太理解,所以小编给大家总结了以下内容,内容详细,步骤清晰,具有一定的借鉴价值,希望大家阅读完这篇文章能有所收获,下面我们一起来看看这篇“Python opencv怎么实现高动态范围成像”文章吧。

    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

    Python opencv怎么实现高动态范围成像  opencv 第1张

    三、代码演示

    from __future__ import print_function
    from __future__ import division
    import cv2 as cv
    import numpy as np
    import argparse
    import os
    def cv_show(name, img):
        cv.imshow(name, img)
        cv.waitKey(0)
        cv.destroyAllWindows()
    def compare(imgs):
      #  for i in range(len(imgs)):
     #       imgs[i][:,-3:-1,:] = [255,255,255]
        res = np.hstack(imgs)
        cv_show('Compare', res)
    def loadExposureSeq(path):
        images = []
        times = []
        with open(os.path.join(path, 'list.txt')) as f:
            content = f.readlines()
        for line in content:
            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]))
        return images, 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='Code for High Dynamic Range Imaging tutorial.')
    # parser.add_argument('--input', type=str, help='Path to the directory that contains images and exposure times.')
    # args = parser.parse_args()
    # if not args.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])

    Python opencv怎么实现高动态范围成像  opencv 第2张

    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)

    Python opencv怎么实现高动态范围成像  opencv 第3张

    以上就是关于“Python opencv怎么实现高动态范围成像”这篇文章的内容,相信大家都有了一定的了解,希望小编分享的内容对大家有帮助,若想了解更多相关的知识内容,请关注蜗牛博客行业资讯频道。

    免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:niceseo99@gmail.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

    评论