基于样本预测的HDR和HR图像重建方法

摘要

本发明公开了基于样本预测的HDR和HR图像重建方法。算法分为离线训练和在线学两部分。离线部分包括学样本采集、组织和分类预测器训练部分。样本采集过程根据场景亮度不同分为三类分别进行。采用聚类方法对样本文件进行组织。然后，通过线性或非线性预测器学方法对分类预测器进行训练。在线重建部分对输入的多幅幅具有不同曝光参数的LR-LDR图像进行HDR-HR重建。首先，通过输入图像的平均图像进行场景的背景亮度分类；然后，根据亮度分类结果，利用离线训练部分训练好的分类预测器对输入图像进行高动态范围和高分辨率细节信息的预测，最终重建高频信息。该发明可对高对比度场景进行有效成像，达到同时重建高分辨率和高动态范围图像的目标。

主权项

一种基于样本预测的HDR和HR图像重建方法，其特征在于：该方法分为离线训练部分和在线重建两部分；具体如下：（一）离线训练部分1) 采集训练样本：训练图像为同一场景的多幅具有曝光参数不同的低分辨率图像和一幅对应的目标图像；在训练图像中提取对应的LDR‑LR和HDR‑HR图像信息块对作为训练样本；2) 组织训练样本：采用聚类方法对来自不同背景亮度区的样本集进行分类组织；3) 为每个聚类样本集训练一个预测器；获得对应亮区、暗区和适中区的三个分类预测器；（二）在线重建部分：1) 对输入图像序列的场景亮度进行分割，形成曝光不同的三个区域；2) 对输入图像序列的基本层进行估计；3) 根据输入图像的亮度分类结果，通过训练好的分类预测器对每个位置图像块的细节信息进行预测，获得场景的细节层；4) 将基本层和细节层估计结果叠加融合；5) 对融合图像进行低分辨率图像观测模型约束，得到重建结果。