9.3 高动态范围（HDR）

优质

小牛编辑

128浏览

2023-12-01

目标

在这一章中，我们会

了解如何从曝光序列生成并显示 HDR 图像。
使用曝光融合合并曝光序列。

理论基础

高动态范围成像（HDRI 或 HDR）是一种用于成像和摄影的技术，以再现比标准数字成像或照相技术更大的亮度动态范围。虽然人眼可以适应广泛的光线条件，但大多数成像设备每个通道使用8位，因此我们只能将其限制在256级。当我们拍摄现实世界的照片时，明亮的区域可能会曝光过度，而黑暗的区域可能曝光不足，所以我们无法使用一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，从而允许更宽的动态范围。

获取HDR图像有不同的方法，但最常见的方法是使用不同曝光值拍摄的场景的照片。要结合这曝光的结果，了解您的相机的响应函数是有用的，有一些算法来估计它。 HDR图像合并之后，必须将其转换回8位才能在通常的显示器上查看。这个过程被称为色调映射。当场景或相机的物体在两次拍摄之间移动时，会产生更多的复杂性，因为具有不同曝光的图像应该被记录和对齐。

在本教程中，我们将展示2种算法（Debvec，Robertson），用于从曝光序列生成并显示HDR图像，并演示一种称为曝光融合（Mertens）的替代方法，可生成低动态范围图像，而不需要曝光时间数据。

此外，我们估计了相机响应函数（CRF），这对于许多计算机视觉算法来说是非常有价值的。

HDR流水线的每一步都可以使用不同的算法和参数来实现，所以请看看参考手册来了解所有这些算法和参数。

曝光顺序 HDR

在本教程中，我们将看到下面的图片，我们有4个曝光图像，曝光时间为：15, 2.5, 1/4 和 1/30 秒。（您可以从维基百科下载图片）

1. 将曝光图像加载到列表中

第一阶段只是将所有图像加载到列表中。另外，我们需要常规HDR算法的曝光时间。请注意数据类型，因为图像应该是1通道或3通道8位（np.uint8），曝光时间需要为float32，以秒为单位。

import cv2
import numpy as np

# 将曝光过的图像加载到列表
img_fn = ["img0.jpg", "img1.jpg", "img2.jpg", "img3.jpg"]
img_list = [cv2.imread(fn) for fn in img_fn]
exposure_times = np.array([15.0, 2.5, 0.25, 0.0333], dtype=np.float32)

2. 合并曝光到HDR图像

在这个阶段，我们将曝光序列合并成一个HDR图像，显示了我们在OpenCV中的两种可能性。第一种方法是Debvec，第二种是Robertson。请注意，HDR图像的类型是float32，而不是uint8，因为它包含所有曝光图像的全部动态范围。

# 将曝光合并到HDR图像
merge_debvec = cv2.createMergeDebevec()
hdr_debvec = merge_debvec.process(img_list, times=exposure_times.copy())
merge_robertson = cv2.createMergeRobertson()
hdr_robertson = merge_robertson.process(img_list, times=exposure_times.copy())

3. HDR图像的色调映射

我们将32位浮点型HDR数据映射到[0..1]范围内。

实际上，在某些情况下，值可能大于1或者低于0，所以注意我们稍后必须剪切数据以避免溢出。

# HDR图像的色调映射
tonemap1 = cv2.createTonemapDurand(gamma=2.2)
res_debvec = tonemap1.process(hdr_debvec.copy())
tonemap2 = cv2.createTonemapDurand(gamma=1.3)
res_robertson = tonemap2.process(hdr_robertson.copy())

4. 使用Mertens融合合并曝光

在这里，我们展示了一个合并曝光图像的替代算法，我们不需要曝光时间。我们也不需要使用任何色调映射算法，因为Mertens算法已经在[0..1]范围内给出结果。

# 使用Mertens融合合并曝光
merge_mertens = cv2.createMergeMertens()
res_mertens = merge_mertens.process(img_list)

5. 转换为8位并保存

为了保存或显示结果，我们需要将数据转换为在[0..255]的范围内8位整数。

# 转换为8位整数并储存
res_debvec_8bit = np.clip(res_debvec*255, 0, 255).astype('uint8')
res_robertson_8bit = np.clip(res_robertson*255, 0, 255).astype('uint8')
res_mertens_8bit = np.clip(res_mertens*255, 0, 255).astype('uint8')

cv2.imwrite("ldr_debvec.jpg", res_debvec_8bit)
cv2.imwrite("ldr_robertson.jpg", res_robertson_8bit)
cv2.imwrite("fusion_mertens.jpg", res_mertens_8bit)

结果

你可以看到不同的结果，但记住每个算法都有额外的参数，你应该尝试不同方法来得到你想要的结果。最好的做法是尝试不同的方法，看看哪一个最适合你的场景。

估计相机响应函数

相机响应函数（CRF）使我们能够将场景辐射与测量的强度值连接起来。 CRF在一些计算机视觉算法中非常重要，包括HDR算法。在这里，我们估计反向相机响应函数，并将其用于HDR合并。

# 估计相机响应函数 (CRF)
cal_debvec = cv2.createCalibrateDebevec()
crf_debvec = cal_debvec.process(img_list, times=exposure_times)
hdr_debvec = merge_debvec.process(img_list, times=exposure_times.copy(), response=crf_debvec.copy())
cal_robertson = cv2.createCalibrateRobertson()
crf_robertson = cal_robertson.process(img_list, times=exposure_times)
hdr_robertson = merge_robertson.process(img_list, times=exposure_times.copy(), response=crf_robertson.copy())

相机响应函数由每个颜色通道的256长度矢量表示。

练习

尝试所有的色调映射算法：Drago，Durand，Mantiuk 和 Reinhard。
尝试更改 HDR 校准和色调映射函数中的参数。