本發(fā)明涉及數(shù)字圖像處理領域技術，且特別是有關于一種有基于塊匹配動態(tài)估計算法去鬼影的高動態(tài)視頻合成方法。
背景技術：
：在圖像領域中,動態(tài)范圍(DynamicRange)指在圖像可顯示范圍內最大灰度值與最小灰度值之間的比率。對于真實世界中的自然場景，從直射的太陽光到樹下的陰影，最亮的光照亮度與最暗光照亮度的比值大約有104個數(shù)量級，因此稱之為高動態(tài)范圍。然而，在目前大部分的彩色圖像中，各個通道由于存儲位數(shù)的限制，能夠表示的范圍僅為0-255灰度級，因此稱圖像的動態(tài)范圍為低動態(tài)范圍(LowDynamicRange，后簡稱LDR)。人類視覺系統(tǒng)在光線強弱不同的情況下，依然可以利用自身的調節(jié)感知到整個場景的信息。然而數(shù)碼相機很難做到這一點，它的成像過程實際上就是真實世界的高動態(tài)范圍到相機的低動態(tài)范圍的映射，這是一個非線性的過程。當曝光度被設定后，拍攝設備很難兼顧過亮和過暗的地方，容易形成曝光過度和曝光不足的情況，例如在室內拍攝站在有陽光射入的窗前的人像時，很難同時清晰地拍攝人臉部細節(jié)與窗外的景象。這類圖像中像素值與場景中對應點的亮度值不是成正比的關系，造成了照片/視頻對現(xiàn)實世界的低還原。為了讓圖像或視頻更為真實，可以盡可能地展示整個復雜光強場景的信息，同時又不會導致色彩偏差太大，圖像失真，高動態(tài)范圍(HighDynamicRange，后簡稱HDR)的概念被提出。目前，對于HDR視頻的研究還未成熟。雖然已有能夠直接獲得HDR的拍攝設備以及直接顯示HDR的顯示設備，但是，由于尚未制定統(tǒng)一的HDR編碼標準，HDR在應用級別上的發(fā)展還需要一個很長的過程。2010年，SovietMontage公布了一段使用兩臺5DmarkIIS拍攝的HDR影片，它使用一個分光鏡來解決不同位置的相機的視角差問題。RED和Arri公司也開發(fā)了針對HDR的感光芯片。民用產品中，Cannon的5D3自帶HDR照片拍攝模式，Sony更是開發(fā)除了HDRmovie功能。然而，這些產品和技術由于價格昂貴或對設備要求較高的原因，很難在消費級別的設備上有所突破。另一種獲得HDR視頻的途徑是利用一個可以改變曝光時間的照相機，在拍攝一個場景的過程中不斷地快速改變其曝光時間，以獲得一組不同曝光度交替的圖像序列。然后，利用HDR圖像生成的方法和一些視頻編碼的方式來獲得最終的HDR視頻。這類方法需要解決因為運動物體過快而產生的圖片校準問題，因為最終視頻的每一幀是由前面的一組不同曝光度圖片合成的，如果運動物體的移動速度較快，而照相機難以達到相應的拍攝速度，就會導致最后不同曝光度圖片運用復雜的方法進行校準，而且短時間內不停地進行反復的曝光度改變對設備來說也是個苛刻的要求。HDR圖像通常由多張不同曝光度下靜止的LDR圖像合成，然而，這種方法對于HDR視頻并不適用，原因在于當拍攝視頻時，場景中的運動物體在每一幀中所處位置并不相同，因此，如果直接使用不同曝光度下的幀進行合成，將會在合成的HDR圖像中出現(xiàn)多個相同的運動物體，也就是所謂的鬼影。技術實現(xiàn)要素：本發(fā)明目的在于提供一種基于塊匹配動態(tài)估計算法去鬼影的高動態(tài)視頻合成方法，通過運動估計對鬼影區(qū)域進行檢測，并通過融合算法去除鬼影合成HDR視頻幀。為達成上述目的，本發(fā)明提出一種基于塊匹配動態(tài)估計算法去鬼影的高動態(tài)視頻合成方法，包括下列步驟：(1)塊匹配：從輸入的圖片序列中選定參考幀和當前幀，進行灰度化處理后采用ARPS3塊匹配算法計算出當前幀的運動向量；(2)運動區(qū)域標定：使用步驟(1)中計算得到的運動向量來檢測當前幀和參考幀各自的運動區(qū)域，對特定圖像的運動區(qū)域進行合并，并在二值位圖上進行標記；(3)去鬼影HDR圖像合成步驟：首先進行去鬼影操作，即利用在步驟(2)中獲得的二值位圖對根據ExposureFusion算法計算得到的權重圖進行改進，需要進行融合的圖像在改進后的權重圖的指導下進行融合，以得到最終的HDR圖像即視頻幀。本發(fā)明與現(xiàn)有技術相比，具有以下有益效果：本發(fā)明開創(chuàng)性地使用了塊匹配運動估計算法對會造成鬼影的運動區(qū)域進行檢測，并依據檢測結果對需要合成的LDR圖像序列進行運動區(qū)域標注，再根據運動區(qū)域對ExposureFusion算法中的權重加以改進，生成去鬼影HDR圖像并合成視頻。通過實驗證明，本發(fā)明能夠較好地提高通過不同曝光值的LDR視頻序列生成HDR視頻的質量。附圖說明附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組成部分可以用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記?，F(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個方面的實施例，其中：圖1為本發(fā)明基于塊匹配動態(tài)估計算法去鬼影的高動態(tài)視頻合成方法的流程圖。圖2為圖1包含各個算法詳細步驟的方法示意圖。圖3為圖1中塊匹配步驟的算法原理圖。圖4為圖1中塊匹配步驟所采用的ARPS3算法的搜索模型圖。圖5為圖1中塊匹配步驟計算運動向量時相鄰位置宏塊的示意圖。圖6為圖1中HDR視頻合成步驟中的ExposureFusion算法流程圖。圖7為本發(fā)明與其他HDR視頻合成方法得到結果的細節(jié)對比圖，其中直接融合(上/左)、基于運動區(qū)域的權重圖算法(中)、基于勻速直線運動假設的幀補償算法(下/右)。圖8為測試視頻原始幀序列(部分)。圖9為不同算法HDR合成圖整體比較表。圖10為不同算法鬼影去除效果比較表。具體實施方式為了更了解本發(fā)明的技術內容，特舉具體實施例并配合所附圖式說明如下。在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實施例。本公開的實施例不必定意在包括本發(fā)明的所有方面。應當理解，上面介紹的多種構思和實施例，以及下面更加詳細地描述的那些構思和實施方式可以以很多方式中任意一種來實施，這是因為本發(fā)明所公開的構思和實施例并不限于任何實施方式。另外，本發(fā)明公開的一些方面可以單獨使用，或者與本發(fā)明公開的其他方面的任何適當組合來使用。當通過一組以不同曝光交替拍攝的視頻幀來合成高動態(tài)視頻(HDR)視頻時，由于在拍攝時場景中的運動物體在每一幀中所處位置并不相同，因此，如果直接使用不同曝光度下的幀進行合成，將會在合成的HDR圖像中出現(xiàn)多個相同的運動物體，也就是所謂的鬼影。本發(fā)明下述內容將要描述的一個或多個實施方案就是通過運動估計對鬼影區(qū)域進行檢測，并通過融合算法去除鬼影最后合成HDR視頻幀。結合圖1、圖2，根據本發(fā)明的實施例，提出一種基于塊匹配運動估計算法的高動態(tài)視頻合成方法，通過檢測鬼影區(qū)域，對原視頻中不同曝光值的LDR視頻幀標記物體運動區(qū)域，并通過改進后融合算法把這組LDR視頻幀去除鬼影合并成一個HDR視頻幀。以L1,H1,L2,H2……(其中，L代表低曝光度，H代表高曝光度)這樣的圖像序列作為輸入，假設直接使用HDR圖像合成算法對L1和H1進行曝光融合，那么，由于L1和H1中的運動物體并不完全重疊，最后合成的HDR圖像中將會產生鬼影。因此需要在合成過程中保留某一曝光度下的運動區(qū)域而消除另一曝光度下的運動區(qū)域，例如，本發(fā)明中在最終生成的HDR圖像中保留H1圖像中的運動區(qū)域，去除L1中的運動區(qū)域。根據本發(fā)明的公開，在實現(xiàn)過程中主要使用ARPS3塊匹配運動估計算法，ExposureFusion算法(融合算法)來實現(xiàn)。下面介紹方法的流程并具體說明本發(fā)明所使用的各項技術的實施方式。圖1描述了方法的整個工作流，圖2為包括了塊匹配運動估計算法以及ExposureFusion算法的示意圖。首先讀取一組高低曝光值交替的LDR視頻的圖像序列L1H1L2H2...，然后在步驟1)塊匹配中，根據參考幀計算當前幀的運動向量，這些運動向量將被用于之后的運動區(qū)域的檢測。因為相同的像素值在不同曝光度的圖像中意味著不同的光照強度，并且在不同曝光度下獲得的照片將保留拍攝場景中完全不同的部分，所以在選定參考幀和當前幀時，需要考慮到對應的參考幀和當前幀是否處于同一曝光度下。例如，如果選定L1作為當前幀，那么，應選擇L2而非H1作為L1的參考幀，這是因為L1與H1關注場景中完全不同的信息(L1關注色彩豐富的天空背景而H1關注細節(jié)清晰的人物前景)，對L1與H1進行塊匹配計算沒有任何意義。在選定參考幀和當前幀后，對輸入的圖像進行灰度化處理，以用于接下來的塊匹配計算。結合圖1、圖2所示，本發(fā)明的高動態(tài)視頻合成方法，包括下述三個步驟：(1)塊匹配：從輸入的圖片序列中選定參考幀和當前幀，進行灰度化處理后采用ARPS3塊匹配算法計算出當前幀的運動向量；(2)運動區(qū)域檢測與標定：使用步驟(1)中計算得到的運動向量來檢測當前幀和參考幀各自的運動區(qū)域，對特定圖像的運動區(qū)域進行合并，并在二值位圖上進行標記；(3)去鬼影HDR圖像合成步驟：利用在步驟(2)中獲得的二值位圖對根據ExposureFusion算法計算得到的權重圖進行改進，需要進行融合的圖像在改進后的權重圖的指導下進行融合，以得到最終的HDR圖像即視頻幀。下面將結合附圖1-7所示對該三個步驟進行具體的說明。(1)塊匹配步驟用到的技術：塊匹配的運動估計算法塊匹配的基本思想是將圖像序列的每一幀分成許多互不重疊的宏塊，并認為宏塊內所有象素的位移量都相同，然后對每個宏塊到參考幀某一給定特定搜索范圍內根據一定的匹配準則找出與當前塊最相似的塊，即匹配塊，匹配塊與當前塊的相對位移即為運動向量，塊匹配算法原理如圖3所示。搜索范圍：一般情況下，大小為S*S＝(2ω+1)*(2ω+1)的搜索窗被用來尋找最佳匹配塊，并限制了在參考幀中搜索最佳匹配塊的范圍。這樣，運動矢量的值被限制于-ω≤Vx≤ω,-ω≤Vy≤ω中。同時，在S*S的搜索窗中的候選運動矢量構成了一個集合P＝{(Vx,Vy)|-ω≤Vx≤ω,-ω≤Vy≤ω}。匹配函數(shù)：運動搜索的目的就是在搜索窗內尋找與當前塊最匹配的數(shù)據塊。在本方法中，出于減少計算復雜度的考慮，選擇了匹配函數(shù)(1)來判斷匹配程度,SAD值越大，匹配程度越低。SAD(i,j)=Σm=0MΣn=0N|fk(m,n)-fk-1(m+i,n+j)|---(1)]]>匹配準則：本發(fā)明的合成方法中采用了基于塊內相關的快速塊匹配算法ARPS3(Unequal-armAdaptiveRoodPatternSearch)來進行運動估計?；趬K內相關的快速塊匹配算法相比固定搜索模式的快速塊匹配算法較為復雜，這一類方法利用當前塊與在空間或者時間上相鄰的塊之間的相關性來預測目標MV。目標MV可以通過計算相鄰MV的統(tǒng)計平均或者根據一定的判別方式選擇其中一個相鄰的MV來預測。在預測以后，搜索窗的大小和搜索中心相應地被重新定義，然后在這個新的搜索窗中執(zhí)行快速塊匹配算法。在這種方法中，需要額外的存儲器來存儲相鄰MV。ARPS3搜索算法與ARPS搜索算法類似，ARPS3就是搜索模型的臂長不等的ARPS。ARPS算法首先判斷靜止宏塊，然后使用包括當前塊左側緊鄰塊的運動向量的ARP搜索模型(如圖4(b)ARPSearchPattern)進行一次初步搜索，在確定最小錯誤匹配點后，將搜索中心移至該點，使用URP搜索模型(如圖4(b)URPSearchPattern)進行反復精確搜索直至最小匹配錯誤點在URP搜索模型的中心。而ARPS3搜索算法如圖4(a)所示，它的搜索模型的臂長是由相鄰幾幀和預測向量決定的，相鄰幀是指左、上、右上三幀，如圖5所示。另外，為了算法的魯棒性，原點到中心點的向量也被用到。預測向量由中值預測確定，臂長由公式(2)決定，它與ARPS的不同之處在于它的搜索中心放在得到的預測矢量上并且臂長不等長，而ARPS中的搜索中心在當前塊中心臂長相等。(2)運動區(qū)域檢測與標定步驟：本步驟用于分別檢測四幀輸入圖像的運動區(qū)域，并產生兩張0-1二值位圖，其中，非運動像素用0進行標記，運動像素用1進行標記。每張二值位圖映射了將要用于曝光融合的相鄰兩幀的運動區(qū)域總和，例如第一張位圖映射了L1與H1的運動區(qū)域總和，第二張位圖反應了L2與H2的運動區(qū)域總和。具體地，兩個步驟需要被執(zhí)行：1)運動區(qū)域檢測，2)位圖生成。1)運動區(qū)域檢測在本步驟中，將對當前幀的運動區(qū)域和參考幀的運動區(qū)域分別檢測，并最終對需要曝光融合的相鄰幀的運動區(qū)域進行合并。因此，共包含a.當前幀運動區(qū)域檢測，b參考幀運動區(qū)域檢測，c.運動區(qū)域合并三個子步驟。a、當前幀運動區(qū)域檢測由于在塊匹配模塊中已經獲得了兩張當前幀的運動向量，因此，將運動向量不為(0,0)的宏塊認為是當前幀的運動區(qū)域，否則為非運動區(qū)域。將當前幀序列(如L1H1L3H3L5H5……)中的第k(k從1開始計數(shù))幀定義為Ck，定義該幀中的運動區(qū)域為CMAk,定義該幀中處于位置(i,j)處的宏塊為CBlocki,j,k，類似的，CBlocki,j,k的運動向量被定義為于是，CMAk可以根據公式(3)獲得：b、參考幀運動區(qū)域檢測根據塊匹配運動估計的定義，當前幀Ck中處于位置(i,j)上的宏塊在參考幀中的最佳匹配塊將位于位置上，也就是說，當前幀中運動物體在參考幀中新的位置處于點處。將參考幀序列(如L2H2L4H4L6H6……)中的第l(l從1開始計數(shù))幀定義為Rl，定義R1的運動區(qū)域為RMAl，Rl中位于(p,q)位置上的宏塊被定義為RBlockp,q,l。于是，參考幀的運動區(qū)域的獲得如公式(4)所示：RMAl＝∪RBlockp,q,l(4)c、運動區(qū)域合并在視頻序列中，由于運動區(qū)域并不完全重合，算法將對相鄰兩張當前幀(或相鄰兩張參考幀)的運動區(qū)域進行合并。定義當前幀Ck和Ck+1(此處k為奇數(shù)，因為需要確保Ck和Ck+1在整個視頻序列中相鄰)合并后的運動區(qū)域為CMA′k+1，參考幀Rk和Rk+1合并后的運動區(qū)域為RMA′k+1。CMA′k+1和RMA′k+1可以通過公式(5)求得：CMA′k+1=CMAk∪CMAk+1RMA′k+1=RMAk∪RMAk+1---(5)]]>2)位圖生成本步驟用于生成兩張0-1二值位圖，第一張位圖用于標記兩張相鄰當前幀Ck和Ck+1的運動像素，定義其為CBitmapk+1，第二張位圖用于標記兩張相鄰參考幀Rk和Rk+1的運動像素，定義其為RBitmapk+1。定義CBitmapk+1中處于位置(i,j)的像素為CPixeli,j,k+1，定義RBitmapk+1中處于位置(i,j)的像素為RBitmapk+1。根據公式(6)和(7)，對CBitmapk+1和RBitmapk+1進行賦值。CPixeli,j,k+1＝1ifCPixeli,j,k+1∈CMA′k+1CPixeli,j,k+1=0ifCPixeli,j,k+1∉CMA′k+1---(6)]]>RPixeli,j,k+1＝1ifRPixeli,j,k+1∈RMA′k+1(7)RPixeli,j,k+1=0ifRPixeli,j,k+1∉RMA′k+1]]>(3)去鬼影HDR圖像合成步驟用到的技術：ExposureFusion算法Exposurefusion的核心思想是利用空間濾波和圖像金字塔方法在多分辨率下對高頻部分分離處理。圖像金字塔的最上面一層是不同曝光度權值分配相加后的結果，其它層則是通過上一層的上采樣操作加上不同曝光度圖片在該層的高頻部分和，以此往復直到獲得最底層。算法流程如圖6所示。Fusion方法雖然也需要若干曝光不同的幀，但是并非將響應曲線還原到正確亮度，而是選取各幀“最好”的部分進行合成。這種“最好”的度量由權重圖決定。使用Laplacian金字塔將輸入多曝光圖像序列分解成不同層的子圖像，使用Gaussian金字塔將權重圖分解成不同層的子圖像，來控制對應子圖像的權重，最后通過平滑融合規(guī)則實現(xiàn)多曝光融合。權重圖的計算：對比度C(Contrast):對每張圖片的灰度圖進行拉普拉斯濾波，計算得到濾波響應的絕對值，這產生針對對比度的度量值C，它保留了圖像的邊緣和高對比度的地方，對比度高的地方認為是“好的”；飽和度S(Saturation):計算每個像素點R、G、B通道的標準差，得到度量值S，它保留了圖像中顏色飽和的像素，當S較大的時候圖片色彩更加豐富，這時被認為是“好的”；曝光度E(Well-exposedness):查看單個通道的絕對強度，可以揭露一個像素的曝光強度。為了保留強度值不接近0(曝光不足)和強度值不接近1(曝光過度)的像素，使用高斯公式計算每個像素與0.5的接近程度。使用該方法對每個通道進行計算，并將得到的結果相乘得到E。根據公式(8)，計算得到第k張圖的權重圖，其中wc,ws,we為相應的權重系數(shù)，ij,k代表第k張圖中的處于(i,j)位置上的像素。使用計算得到的Wij,k對N張圖片的每個像素計算權重平均值，為了得到一個一致性的結果，實驗中根據公式(9)對N張圖片的值進行歸一化處理。Wij,k＝(Cij,k)wc*(Sij,k)ws*(Eij,k)we(8)W^ij,k=[Σk′=1NWij,k′]-1Wij,k---(9)]]>綜合來說這三種度量方式反應了圖像特征，符合人類視覺系統(tǒng)的信息處理特點，在絕大多數(shù)場景實驗中都是有效的。融合：在實驗中，輸入為N張不同曝光度的圖片和根據公式(9)得到的N張歸一化后的權重圖。定義圖像A處于Laplacian金字塔第l層的圖像為L{A}l,定義圖像B處于Gaussian金字塔第l層的圖像為G{B}l,根據公式(10)，計算得到融合后的圖像金字塔。L(R)ijl=Σk=1NG{W^}ij,klL{I}ij,kl---(10)]]>最后，根據這1張圖像獲得最終圖像。結合本發(fā)明的前述步驟，在本步驟(3)中，在Mertens提出的曝光融合算法上加以改進，融合兩張不同曝光度的照片以生成最終的HDR圖像。兩個子步驟需要被執(zhí)行：1)權重圖加工2)曝光融合權重圖加工根據Mertens提出的融合算法，算法首先需要計算兩張不同曝光度的輸入圖像Ck(Rk)和Ck+1(Rk+1)的權重圖，定義其為CWk(RWk)和CWk+1(RWk+1)這兩張權重圖指示了原圖中的哪些像素在合成圖像中更為重要。由于運動區(qū)域在兩幀中的位置不同，如果對Ck(Rk)和Ck+1(Rk+1)直接進行曝光融合，會產生鬼影。因此，為了消除鬼影同時又保留運動區(qū)域，算法對曝光融合算法加以改進：選定其中一幀圖像作為“保留幀”，該幀圖像中的運動區(qū)域將被保留，而“非保留幀”中的運動區(qū)域將被清除。具體做法如下：將“保留幀”的權重圖中屬于運動區(qū)域的像素的權重設為1，將“非保留幀”中屬于運動區(qū)域的像素的權重被設置為0，于是可以獲得兩張加工過后的權重圖。定義權重圖CWk(RWk)中處于位置(i,j)處的權重值為cwi,j,k(rwi,j,k)，然后使用運動區(qū)域標定模塊獲得的位圖對權重圖進行加工，公式化表達如下：ifCPixeli,j,k+1＝1cwi,j,k＝0,cwi,j,k+1＝1；(11)elsecwi,j,kandcwi,j,k+1remainunchanged類似的，ifRPixeli,j,k+1＝1rwi,j,k＝0,rwi,j,k+1＝1；(12)elserwi,j,kandrwi,j,k+1remainunchanged曝光融合最后，使用加工得到的CWk(RWk)和CWk+1(RWk+1)這兩張權重圖對Ck(Rk)和Ck+1(Rk+1)這兩幀的融合過程進行指導，得到最終去鬼影的高動態(tài)范圍圖像并作為幀寫入視頻。為了驗證本發(fā)明的結果，我們從合成圖像的整體質量和鬼影區(qū)域質量兩方面對表1所述的4個視頻序列進行測試。其中，Tower和Campus視頻序列使用Canon650D數(shù)碼相機拍攝，每秒50幀，Tunnel視頻序列使用Canon550D拍攝，每秒59幀，Bride視頻序列可從網站http://hdr.glogger.mobi/上獲得，每秒30幀。對如上視頻序列分別使用直接融合算法、本發(fā)明所提出的基于塊匹配估計運動區(qū)域的權重圖算法、基于勻速直線運動假設的幀補償算法進行實驗，實驗結果如表2所示，從中可以看出，使用基于運動區(qū)域的權重圖算法合成的HDR圖像整體亮度和對比度較高,以Bride視頻為例，位于合成圖像上方部分車頂?shù)募毠?jié)(如圖7左上所示)、人物的面部特征細節(jié)(如圖7左下所示)保留清晰完整，而車窗外的天空部分(如圖7右所示),相較于直接融合算法和基于勻速直線運動假設的幀補償算法,色彩不夠豐富,細節(jié)損失較多。這是由于在基于運動區(qū)域的權重圖算法中，對ExposureFusion算法中的權重圖進行了修改，在本實驗中，使得高曝光度下的圖像在合成圖像時所占權重較大，而低曝光度下的圖像在合成過程中所占權重較小，因此圖像整體偏亮，高曝光度下的細節(jié)保留較多。為了更精確地度量合成效果，本項目對不同算法合成后的HDR視頻進行BIQI[]和NIQE[]度量，表3和表4展示了所有合成幀的BIQI和NIQE的平均值。BIQI或NIQE的值越大，表明合成圖像的質量越差。表中可以看出，本發(fā)明在BIQI度量標準下表現(xiàn)最優(yōu)。基于勻速直線運動假設的幀補償算法在兩種度量方法下都優(yōu)于直接融合，然而其BIQI度量結果略遜于基于運動區(qū)域的權重圖算法。對合成圖像去鬼影效果的分析如表5所示，左列為不進行鬼影去除直接使用ExposureFusion對原始幀進行合成的效果圖，中間一列為使用基于勻速直線運動假設算法的合成圖，最右邊的圖為本發(fā)明所提出方法的效果圖。可以看出，第一列圖中的鬼影十分明顯，第三列圖中能去除大部分的鬼影但運動區(qū)域質量遠低于第二列圖。綜上所述，本發(fā)明開創(chuàng)性地使用了塊匹配運動估計算法對會造成鬼影的運動區(qū)域進行檢測，并依據檢測結果對需要合成的LDR圖像序列進行運動區(qū)域標注，再根據運動區(qū)域對ExposureFusion算法中的權重加以改進，生成去鬼影HDR圖像并合成視頻。通過實驗證明，本發(fā)明能夠較好地提高通過不同曝光值的LDR視頻序列生成HDR視頻的質量。表1不同算法HDR合成幀的平均BIQI值比較表BrideTowerCampusTunnel直接融合算法38.5034.8440.8027.86差值位圖算法38.6235.6738.3428.94本發(fā)明算法34.9834.5438.6727.91幀補償算法35.0834.8339.9927.85表2不同算法HDR合成幀的平均NIQE值比較表BrideTowerCampusTunnel直接融合算法3.744.784.603.24差值位圖算法4.074.704.553.60本發(fā)明算法4.024.884.643.34幀補償算法3.694.774.513.18雖然本發(fā)明已以較佳實施例揭露如上，然其并非用以限定本發(fā)明。本發(fā)明所屬
技術領域：
中具有通常知識者，在不脫離本發(fā)明的精神和范圍內，當可作各種的更動與潤飾。因此，本發(fā)明的保護范圍當視權利要求書所界定者為準。當前第1頁1 2 3