HDR图像压缩算法比较研究

其中指数 的取值范围在 0. 4 ! 0. 6 之间 . 该算法是在对 H DR 图像亮度进行处理后 , 在均衡化的同时进行动态范围的压缩的
胡 惊 . 高动态范围图像的色阶重建算法的研究与应用 ( 博士论文 ) . 广东 : 中山大学 , 2006.
34
影
像
科
学
与
光
化
学
第 29 卷
一种算法. 由于算法仅用一个公式就完成了图像的压缩, 所以实现起来比较容易, 同时均 衡化操作能保证映射后图像的动态范围分布尽可能大 , 这样就增加了图像的对比度 , 但 对于像素分布非常集中的区域, 由于拉伸变换后的灰度级将减少 , 可能会丢失一些图像 细节. 1. 2 局部色适应法
1
6 种算法的理论分析和比较
[ 2] ,
本文选择目前成熟商业软件广泛使用的色调均化直方图法、 局部色适应法、 色调压 缩法、 自适应算法以及基于图像色貌模型的 iCAM 算法、 iCAM 06 算法作为比较的对象 . 这 6 种算法涵盖了全局算法、 局部算法、 图像色貌模型 3 种算法类型. 1. 1 色调均化直方图法 该算法采用公式( 1) 计算每个像素的亮度值 , 并构造需要压缩的 H DR 图像的亮度直 方图. 采用公式( 2) 进行均衡化操作 , 此操作是一个不断递归过程 . 在原图像的灰度区间 [ a, b] 内找到一点 C 0 , 将区间分为 [ a, C0 ] 和[ C0 , b] 两个区间, 再分别在这两个区间内找 点 C 1. 0 和 C 1. 1 , 依次类推, 直到找到 255 个点将区间 [ a, b] 分为 256 段, 完成图像的动态范 围压缩处理. Cx 的确定采用穷举法求解公式 ( 3) 获得. 采用公式 ( 4) 将均衡化后的灰度图 像恢复成彩色图像 . L = 0. 299R + 0. 578G + 0. 144B
[ 6]
其中: L d 为压缩变换后的亮度值, L w 为像素的亮度值 , 取值同公式 ( 1) . Lavg 为每个像 素亮度值的自然对数的平均值, 取值同公式 ( 5) . L wa = L w / L avg , L w a_m ax = L w_m ax / L avg , L w _max 为最大亮度值 . 该算法实施起来非常简单, 由于用类似 S 曲线变化来压缩图像阶调比较适合人眼的 视觉系统, 压缩了暗区域和亮区域的动态范围 , 保留了中等亮度的细节 , 因而对于极高极 暗处的细节再现效果不佳. 1. 4 自适应算法 [ 7] 我们认为该算法是一种自适应对数映射算法, 算法首先将高动态范围图像的数据格 式由 RGB 颜色空间转换至 CIEXYZ 空间 , 将 Y 值作为原始图像的亮度值 , 利用公式 ( 10) 进行压缩, 再将其进行伽马校正后转换到 RGB 颜色空间. Ld = 0 . 01L d_m ax log 10 ( L w _max + 1) log 2 + lo g ( L w + 1)
lo g( b)
( 10) ∀8
Lw L w_max
l og( 0 . 5 )
其中 L w _max = L m ax ∀ exposure, L max 为各像素的最大亮度值 , ex po sure 为用户可调节 的曝光度参数 ; L d_max 为显示设备所能显示的最大亮度值, 通常取 100. L w 为各像素点的亮 度值. 为了能够根据每个像素的亮度值自动调节对数方程的基数 , 使取值在 2 ! 10 之间 , 采用了公式( 11) , 进行自适应对数基数计算 .
lo g( b)
biasb( t) = t lo g( 0. 5) 其中 b 为用户可调节参数 , 对暗调和亮调影响明显 , 默认取值为: 0. 5 ! 1. 0.
32
第1期
刘
真等 : H DR 图像压缩算法比较研究
33
觉响应 , 处理复杂的场景和具有极高动态范围的图像效果不佳 . 局部压缩算法不仅考虑 图像各个像素亮度 , 还兼顾其位置特征以及像素之间的影响 , 对不同区域的像素采取不 同的处理, 能够很好保留图像的对比度和局部细节信息, 较好地模拟人眼视觉 . 但算法较 复杂, 映射后整体明暗效果不佳, 容易引入晕轮 [ 1] . 近年来, 将能够在不同媒体和观察条 件之间实现颜色外貌的匹配和预测的色貌模型引入 H DR 图像压缩算法的研究是热点之 一 . 特别是基于图像色貌模型( iCAM ) 的 H DR 图像阶调压缩算法由于将传统色貌模型的 属性和空间视觉模型有机地整合在一起 , 更适合 H DR 图像的阶调压缩及再现[ 2] . 因此 , 理论分析代表性高动态范围图像阶调压缩算法的机理 , 预测各种算法对 H DR 图像压缩 后再现效果的影响 , 并对 H DR 图像压缩算法的优劣进行主观和客观评价具有重要意义 .
V i ( x , y , s) = L ( x , y ) R i ( x , y , s) =
1 x 2 + y2 2 ex p(2 ) ∃( ∀ is ) (∀ is )
在计算区域半径后 , 使用式 ( 8) 对该像素点计算得到最终的归一化值. 将一幅图像所 有的像素归一化后 , 再用一个线性变换将亮度值映射到[ 0, 255] 区间, 就得到了最终的输 出图像 . L d( x , y ) = L(x, y) 1 + V 1 ( x , y , sm ( x , y ) ) ( 8)
关 键 词:
高动态范围图像 ; 阶调压缩 ; iCAM 06
中图分类号 : T N911 文献标识码 : A
文章编号 : 1674 0475( 2011) 01 0032 13
高动态范围( H igh dynam ic r ange) 图像, 采用基于场景参考标准编码 , 使用比常规图 像更多的位数来存储真实场景亮度信息, 广泛应用于航空遥感、 虚拟现实、 医疗图像以及 跨媒体出版等领域 . 由于传统显示\ 输出设备所表现的动态范围和处理图像的位数有限 , 不能直接显示 \ 输出 H DR 图像 , 而现有的高动态图像显示 \ 输出设备造价昂贵 , 难于普 及 . 因此 , 要在传统的低动态范围设备显示 \ 输出 H DR 图像 , 就必须对 H DR 图像进行阶 调压缩. 如何使压缩后的 H DR 图像在视觉效果上与自然场景主观感受一致, 成为高动态 范围图像处理技术中研究的热点 . 目前, H DR 图像阶调压缩算法有全局算法和局部算法两类. 全局压缩算法对图像中 各像素的亮度实施同样的映射, 不考虑像素的具体位置. 优点是简单方便, 能够保持良好 的整体明暗效果; 不足是图像对比度大大降低 , 很多细节丢失 , 不能很好地模拟真实的视
c [ 3, 4]
( 1)
2
E b ( c) =
( c - 0. 5( L m ax + L m in ) ) + 2 L
2
h( x ) - 0. 5N
x= L
min
N
2
( 2)
其中 L 为亮度 , N 为像素总数 , 是一个可变系数 , 用于调节输出图像的效果. c= arg( min( E b ( x ) ) ) 其中 ar g 是元素( 变元) 的缩写 , 即求出使 E b ( x ) 值最小的 x 的值赋值给 c . R ou t = ( R in G in B in ) L out , G out = ( ) L out , B out = ( ) L out L in L in L in ( 4) ( 3)
1+ L avg
( 6)
其中 L w hite 为被映射到白点的亮度值, L d 为变换后的目标像素亮度值. 对于动态范围较大的 H DR 图像 , 还需要进行曝光 遮光操作 , 使得本已过亮的区域 不至于太亮, 原本过暗的区域不至于太暗. 先找到能够满足式 ( 7) 最大值的目标像素点的 一个区域半径 sm . | V ( x , y , sm ) | < ! ( 7) 其中: !是一个较小的阈值 ; R i 是高斯滤波函数 , 它是像素位置 ( x , y ) 、 区域半径 s 的 函数, ∀ 1 = 0. 35, ∀ 2/ ∀ 1 = 1. 6; V i 是像素点( x , y ) 处的亮度经过高斯滤波 R i 后获得的响应 值 , 此函数是中央 环绕函数, V 1 代表中央函数 , V 2 代表环绕函数, 两者唯一不同的是 V 2 作用的区域比 V 1 大, 在对比度小的区域, 这两个函数非常接近 , 但是在对比度明显的区 域 , 这两个函数相差就会很大, 点值. | V ( x , y , s) | = V 1 ( x , y , s) - V 2 ( x , y , s) 2#a/ s 2 + V 1 ( x , y , s) R i ( x , y , s) 表示卷积运算 , a 、 # 分别代表函数 2#a/ s2 的基点值和拐
该算法模拟了摄影方式 , 结合了全局算法与局部算法的特点 , 因而在保持图像整体 明暗效果的同时, 保留了图像亮、 暗调区域的细节, 适合像素亮度变化很大的高动态范围
第1期
刘
真等 : H DR 图像压缩算法比较研究
35
图像; 但由于模拟了摄影方式, 仅考虑了可见部分的细节再现 , 并不考虑原图实际的动态 范围; 旨在获得满意的压缩效果 , 并没有将感知准确性作为目的; 不是很复杂, 实施起来 相对简单. 1. 3 色调压缩法 该算法是一种 S 型曲线压缩法 , 其基本思想是使用 S 型曲线方程将高动态范围图像 的像素值映射成为 [ 0, 1] 之间的浮点数 , 再经过伽玛修正之后映射到 [ 0, 255] 的范围中 . 首先利用公式 ( 9) 将将高动态范围数据压缩至[ 0, 1] , 在计算出 L d 之后 , 再对数据做系数 是 1/ 2. 2 的伽马校正, 并将数据映射到[ 0, 255] 区间. Ld = log 5 ( L w a + 1 . 0) log 10 ( L wa_max + 1. 0 ) ( 1. 0 + exp( - log 5 ( L w a ) ) ) ( 9)
[ 5]
该算法是一种模拟摄影的压缩算法, 先用公式 ( 5) 求整幅图像的平均对数亮度值 , 再 用公式 ( 6) 进行归一化处理 , 将图像像素值映射到[ 0, 1] 区间 . L avg = ex p 1 N lo g( + L w ) ( 5)
其中: = 0. 0001, N 为图像像素总数, L w 为像素的亮度值, 取值同公式 1. L avg 1+ L d= L avg L2 w hite
摘
要: 高动态范围图像是航空遥感 、 虚拟现实 、 医疗图像、 跨媒体出版领域中
极其重要和广泛应用的一种方法 , 但所表现的广阔动态范围受到显示和输出处 理位数的限制 , 致使在常规设备上显示和输出 H DR 图像必须进行原阶调范围 的压缩. 如何保证阶调压缩后的 H DR 图像再现效果最佳是目前 H DR 图像显 示的关键技术 . 本文在分析目前 6 种代表性高动态范围图像阶调压缩算法机理 的基础上 , 通过对各种算法对 H DR 图像压缩后再现效果影响的理论分析及实 验 , 采用主观和客观两种评价方法比较了这 6 种 H DR 图像压缩算法的优劣 . 实 验结果表明 , 基于 iCAM 06 图像色貌模型的压缩算法在 H DR 图像的阶调压缩 及再现方面具有明显的优势 .
收稿日期 : 2010 07 19; 修回日期 : 2010 09 13. 基金项目 : 江苏省 2009 年普通高校研究生科研创新计划课题 ( CX 09B_180Z) . 作者简介 : 刘 真 ( 1953 ) , 女 , 教授 , 通讯联系人 , E mail: cehuiliu@ 163. n et .
第 29 卷 第 1 期 2011 年 1 月
影像科学与光化学
Imag ing Science and Phot ochemist ry
V ol. 29 N o. 研究
刘 真 , 杨丹丹 , 朱
1 2
明
2
( 1. 上海理工大学 出版印刷与艺术设计学院 , 上海 200093; 2. 南京林业大学 轻工科学与工程学院 , 江苏 南京 210037)
旨在获得满意的压缩效果并没有将感知准确性作为目的色调压缩法非常简单比较适合人眼的视觉系统压缩了暗区域和亮区域的动态范围保留了中等亮度的细节对于极高极暗处的细节再现效果不佳自适应算法合人眼视觉特性自适应调整能够根据每个像素的亮度自动获得合适的对数压缩对极暗和极亮区域的图像阶调压缩能够获得较好的效果比较复杂将传统的颜色模型属性和空间视觉模型结合起来能够准确预测图像的复杂外貌现象符合人眼视觉感受在icam算法的基础上进行改进既能压缩全局动态范围又能有效地保留图像细节且避免光晕出现