大多数数码相机和显示器将彩色图像捕获或显示为24位矩阵。由于每个颜色通道具有8位，而共有三个通道，因此每个通道的像素值范围是0至255。换句话说，普通相机或显示器具有有限的动态范围。
然而，我们周围的世界颜色有一个非常大的变化范围。当灯关闭时，车库会变黑；太阳照射下，车库看起来变得非常明亮。即使忽略极端情况，八位在常规情况下也几乎无法完全捕捉场景。因此，相机会尝试估计光线并自动设置曝光，以使图像中最有用的部分具有良好的动态颜色范围，而太暗和太亮的部分分别被设置为0和255。
在下图中，左侧的图像是正常曝光的图像。请注意，背景中的天空已完全消失，因为相机决定使用一个能够让小孩被正确拍摄而明亮的天空被忽略的设置。右侧图像是iPhone生成的HDR图像。
iPhone通过在三种不同的曝光下拍摄三张图片来捕获HDR图像。图像是连续快速拍摄的，因此三次拍摄之间几乎没有偏移。然后组合三个图像以产生HDR图像。
在本节中，我们将介绍使用OpenCV创建HDR图像的步骤。
1)使用不同曝光设置拍摄多张图像
当我们在使用相机拍摄时，每个通道只有8位用于表示场景的动态范围（亮度范围）。但是我们可以通过改变快门速度在不同曝光下拍摄场景的多个图像。大多数单反相机都有一个称为自动包围曝光（AEB）的功能，只需按一下按钮，我们就可以在不同曝光下拍摄多张照片。在相机上使用AEB或在手机上使用自动包围应用程序，我们可以一个接一个地快速拍摄多张照片，因此场景不会改变。若要在iPhone上使用HDR模式，则需要拍摄三张照片(对于安卓手机则可下载超级相机应用程序实现此功能)。
1曝光不足的图像：此图片比正确的曝光图像暗。目标是拍摄非常明亮的图像部分。
2正确曝光的图像：这是相机根据估计的照明度拍摄的常规图像。
3过度曝光的图像：此图片比正确的曝光图像亮。目标是捕捉非常黑暗的图像部分。
当场景的动态范围非常大时，我们可以采用拍摄三张或更多照片的方法来生成HDR图像。在本教程中，我们将使用曝光时间为1/30,0.25,2.5和15秒拍摄的4张图像。缩略图如下所示。
通常，与SLR相机或手机相关的曝光时间和其他设置的信息会被储存在JPEG文件的EXIF元数据中。您可以通过以下链接学习如何查看存储在Windows和Mac中的JPEG文件中的EXIF元数据。
windows下右键图片-属性-详细信息，有图像具体信息。如下所示：
或者，您可以使用我最喜欢的名为EXIFTOOL的EXIF命令行实用程序。
由于本文所用代码涉及到opencv非免费代码，createTonemapMantiuk这部分算法都是申请专利需要收费（本文可以不要这段代码）。在使用时编译opencv和opencv_contrib需要选择OPENCV_ENABLE_NONFREE。
如果是python，直接安装指定版本opencv就行了：
pip install opencv-contrib-python==3.4.2.17
在使用非免费代码
头文件和命名空间如下：
#include <opencv2/xphoto.hpp> using namespace xphoto;
手动输入图像，曝光时间以及图像个数。
代码如下： C++：
/**
* @brief 读图
*
* @param images
* @param times
*/
void readImagesAndTimes(vector<Mat> &images, vector<float> ×)
{
//图像个数
int numImages = 3;
//图像曝光时间
static const float timesArray[] = { 1.0 / 25 ,1.0 / 17, 1.0 / 13 };
times.assign(timesArray, timesArray + numImages);
static const char* filenames[] = { "1_25.jpg", "1_17.jpg", "1_13.jpg"};
//读取图像
for (int i = 0; i < numImages; i++)
{
Mat im = imread(filenames[i]);
images.push_back(im);
}
}python：
def readImagesAndTimes():
# List of exposure times
times = np.array([ 1/30.0, 0.25, 2.5, 15.0 ], dtype=np.float32)
# List of image filenames
filenames = ["img_0.033.jpg", "img_0.25.jpg", "img_2.5.jpg", "img_15.jpg"]
images = []
for filename in filenames:
im = cv2.imread(filename)
images.append(im)
return images, times用于合成HDR图像的原始图像未对准可能导致严重的伪影。在下图中，左侧图像是使用未对齐图像组成的HDR图像，右侧图像是使用对齐图像的图像。我们在左侧图像中发现了明显的重叠缺陷，这是通过放大图像的一部分并使用红色圆圈进行标识得出的。
当然，在拍摄用于创建HDR图像的照片时，专业摄影师将相机安装在三脚架上。他们还使用一种称为反光镜锁死的功能来减少额外的振动。即使这样，图像也可能无法完美对齐，因为无法保证无振动的环境。使用手持相机或手机拍摄图像时，对齐问题会变得更糟。
OpenCV 提供了一个简单的AlignMTB方法，可以幸运地对齐这些图像。所有图像都会被转换为中值阈值位图（MTB）格式，这是由该算法完成的。图像的MTB生成方式为将比中值亮度亮的点分配为1，其余为0。MTB不随曝光时间的改变而改变。因此不需要我们指定曝光时间就可以对齐MTB。
代码如下：
C++：
// Align input images Ptr<AlignMTB> alignMTB = createAlignMTB(); alignMTB->process(images, images);
python：
# Align input images alignMTB = cv2.createAlignMTB() alignMTB.process(images, images)
典型相机的响应与场景亮度不是线性的。如果一个摄像机拍摄到两个物体，其中一个物体的亮度是另一个物体在现实世界中的两倍，那么这句话的意思是什么？。当您测量照片中两个对象的像素强度时，较亮对象的像素值将不会是较暗对象的两倍。如果不考虑相机的响应函数（CRF），就无法将多张图像合并为一个HDR图像。将多个曝光图像合并为HDR图像意味着什么？
在图像的某个位置（x，y）仅考虑一个像素。如果CRF是线性的，则像素值将与曝光时间成正比，除非像素在特定图像中太暗（即接近0）或太亮（即接近255）。我们可以过滤出这些不好的像素（太暗或太亮），并且将像素值除以曝光时间来估计像素的亮度，然后在像素不差的所有图像（太暗或太亮）上对亮度值取平均。我们可以对所有像素进行这样的处理，并通过对“好”像素进行平均来获得所有像素的单张图像。但是CRF不是线性的，我们需要在评估CRF前把图像强度变成线性。
好消息是，如果我们知道每张图像的曝光时间，可以从图像中估算CRF。与计算机视觉中的许多问题一样，找到CRF的问题被设置为优化问题，其中目标是最小化由数据项和平滑项组成的目标函数。这些问题通常会减少到使用奇异值分解（SVD）求解的线性最小二乘问题，而奇异值分解是所有线性代数包的一部分。CRF恢复算法细节见论文Recovering High Dynamic Range Radiance Maps from Photographs。
使用CalibrateDebevec或在OpenCV中仅使用两行代码来查找CRF CalibrateRobertson。在本教程中我们将使用CalibrateDebevec。
代码如下：
C++：
// Obtain Camera Response Function (CRF) Mat responseDebevec; Ptr<CalibrateDebevec> calibrateDebevec = createCalibrateDebevec(); calibrateDebevec->process(images, responseDebevec, times);
python：
# Obtain Camera Response Function (CRF) calibrateDebevec = cv2.createCalibrateDebevec() responseDebevec = calibrateDebevec.process(images, times)
下图显示了使用红色，绿色和蓝色通道图像恢复的CRF。
当我们完成对CRF的估计时，便可以将曝光图像合并为一个HDR图像，即MergeDebevec算法。C ++和Python代码如下所示。
C++:
// Merge images into an HDR linear image
Mat hdrDebevec;
Ptr<MergeDebevec> mergeDebevec = createMergeDebevec();
mergeDebevec->process(images, hdrDebevec, times, responseDebevec);
// Save HDR image.
imwrite("hdrDebevec.hdr", hdrDebevec);Python:
# Merge images into an HDR linear image
mergeDebevec = cv2.createMergeDebevec()
hdrDebevec = mergeDebevec.process(images, times, responseDebevec)
# Save HDR image.
cv2.imwrite("hdrDebevec.hdr", hdrDebevec)上面保存的HDR图像可以在Photoshop中加载并进行色调映射。一个例子如下所示。
现在我们将曝光图像合并为一个HDR图像。你能猜出这张图片的最小和最大像素值吗？对于漆黑条件，最小值显然为0。什么是理论最大值？无穷！实际上，不同情况下的最大值是不同的。如果场景包含非常明亮的光源，我们将看到非常大的最大值。我们已经利用多个图像恢复了相对亮度信息，但我们现在的难点在于将其编码为24位图像以便于显示。
色调映射：将高动态范围（HDR）图像转换为每通道8位图像同时保留尽可能多的细节的过程称为色调映射。
有几种色调映射算法。OpenCV实现了其中的四个。要记住的是，没有正确的方法来进行色调映射。通常，我们希望在色调映射图像中看到比在任何一个曝光图像中更多的细节。有时，色调映射的目标是产生逼真的图像，并且通常目标是产生超现实的图像。OpenCV实现的算法偏向于生成逼真的结果，因此可能不太引人注目。
我们来看看各种选项。下面列出了不同色调映射算法的一些常见参数。
1）伽马gamma：此参数通过应用伽马校正来压缩动态范围。当gamma等于1时，不应用校正。小于1的灰度会使图像变暗，而大于1的灰度会使图像变亮。
2）饱和度saturation：此参数用于增加或减少饱和度。当饱和度高时，颜色更丰富，更强烈。饱和度值接近零，使颜色渐渐变为灰度。
3）对比度contrast：控制输出图像的对比度（即log（maxPixelValue / minPixelValue））。
让我们来探索OpenCV中可用的四种色调映射算法
Drago Tonemap
Drago Tonemap的参数如下所示：
createTonemapDrago ( float gamma = 1.0f, float saturation = 1.0f, float bias = 0.85f )
这里，bias是[0,1]范围内偏置函数的值。从0.7到0.9的值通常会得到最好的结果。默认值为0.85。有关更多技术细节，请参阅此文章。参数通过反复试验获得。最终输出乘以3只是因为它给出了最令人满意的结果。更多的技术细节见：
结果如下所示：
Durand Tonemap
Durand Tonemap的参数如下所示：
createTonemapDurand ( float gamma = 1.0f, float contrast = 4.0f, float saturation = 1.0f, float sigma_space = 2.0f, float sigma_color = 2.0f );
该算法基于将图像分解为基础层和细节层。使用称为双边滤波器的边缘保留滤波器获得基础层。双边滤波器中的参数sigma_space和sigma_color分别影响空间域和颜色域的平滑程度。更多的技术细节见：
结果如下所示：
Reinhard Tonemap
Reinhard Tonemap的参数如下所示：
createTonemapReinhard ( float gamma = 1.0f, float intensity = 0.0f, float light_adapt = 1.0f, float color_adapt = 0.0f )
参数intensity应在[-8,8]范围内。强度值越大，结果越明亮。参数light_adapt控制灯光适应并且在[0,1]范围内。值1表示仅基于像素值的自适应，值0表示全局自适应。中间值可以用于两者的加权组合。参数color_adapt控制色度适应并且在[0,1]范围内。当值为1时，通道单独处理；当值为0时，所有通道适应级别相同。中间值可用于两者的加权组合。更多的技术细节见：
结果如下所示：
Mantiuk Tonemap
Mantiuk Tonemap的参数如下所示：
createTonemapMantiuk ( float gamma = 1.0f, float scale = 0.7f, float saturation = 1.0f )
scale是对比度比例因子。从0.6到0.9的值产生最佳结果。更多的技术细节见：
结果如下所示：
上面所有色调映射代码见：
C++:
// Tonemap using Drago's method to obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Drago's method ... ";
Mat ldrDrago;
Ptr<TonemapDrago> tonemapDrago = createTonemapDrago(1.0, 0.7);
tonemapDrago->process(hdrDebevec, ldrDrago);
ldrDrago = 3 * ldrDrago;
imwrite("ldr-Drago.jpg", ldrDrago * 255);
cout << "saved ldr-Drago.jpg" << endl;
// Tonemap using Durand's method obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Durand's method ... ";
Mat ldrDurand;
Ptr<TonemapDurand> tonemapDurand = createTonemapDurand(1.5, 4, 1.0, 1, 1);
tonemapDurand->process(hdrDebevec, ldrDurand);
ldrDurand = 3 * ldrDurand;
imwrite("ldr-Durand.jpg", ldrDurand * 255);
cout << "saved ldr-Durand.jpg" << endl;
// Tonemap using Reinhard's method to obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Reinhard's method ... ";
Mat ldrReinhard;
Ptr<TonemapReinhard> tonemapReinhard = createTonemapReinhard(1.5, 0, 0, 0);
tonemapReinhard->process(hdrDebevec, ldrReinhard);
imwrite("ldr-Reinhard.jpg", ldrReinhard * 255);
cout << "saved ldr-Reinhard.jpg" << endl;
// Tonemap using Mantiuk's method to obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Mantiuk's method ... ";
Mat ldrMantiuk;
Ptr<TonemapMantiuk> tonemapMantiuk = createTonemapMantiuk(2.2, 0.85, 1.2);
tonemapMantiuk->process(hdrDebevec, ldrMantiuk);
ldrMantiuk = 3 * ldrMantiuk;
imwrite("ldr-Mantiuk.jpg", ldrMantiuk * 255);
cout << "saved ldr-Mantiuk.jpg" << endl;Python:
# Tonemap using Drago's method to obtain 24-bit color image
print("Tonemaping using Drago's method ... ")
tonemapDrago = cv2.createTonemapDrago(1.0, 0.7)
ldrDrago = tonemapDrago.process(hdrDebevec)
ldrDrago = 3 * ldrDrago
cv2.imwrite("ldr-Drago.jpg", ldrDrago * 255)
print("saved ldr-Drago.jpg")
# Tonemap using Durand's method obtain 24-bit color image
print("Tonemaping using Durand's method ... ")
tonemapDurand = cv2.createTonemapDurand(1.5,4,1.0,1,1)
ldrDurand = tonemapDurand.process(hdrDebevec)
ldrDurand = 3 * ldrDurand
cv2.imwrite("ldr-Durand.jpg", ldrDurand * 255)
print("saved ldr-Durand.jpg")
# Tonemap using Reinhard's method to obtain 24-bit color image
print("Tonemaping using Reinhard's method ... ")
tonemapReinhard = cv2.createTonemapReinhard(1.5, 0,0,0)
ldrReinhard = tonemapReinhard.process(hdrDebevec)
cv2.imwrite("ldr-Reinhard.jpg", ldrReinhard * 255)
print("saved ldr-Reinhard.jpg")
# Tonemap using Mantiuk's method to obtain 24-bit color image
print("Tonemaping using Mantiuk's method ... ")
tonemapMantiuk = cv2.createTonemapMantiuk(2.2,0.85, 1.2)
ldrMantiuk = tonemapMantiuk.process(hdrDebevec)
ldrMantiuk = 3 * ldrMantiuk
cv2.imwrite("ldr-Mantiuk.jpg", ldrMantiuk * 255)
print("saved ldr-Mantiuk.jpg")本文所有代码见：
C++:
#include "pch.h"
#include <opencv2/opencv.hpp>
#include <opencv2/xphoto.hpp>
#include <vector>
#include <iostream>
#include <fstream>
using namespace cv;
using namespace std;
using namespace xphoto;
/**
* @brief 读图
*
* @param images
* @param times
*/
void readImagesAndTimes(vector<Mat> &images, vector<float> ×)
{
//图像个数
int numImages = 3;
//图像曝光时间
static const float timesArray[] = { 1.0 / 25 ,1.0 / 17, 1.0 / 13 };
times.assign(timesArray, timesArray + numImages);
static const char* filenames[] = { "1_25.jpg", "1_17.jpg", "1_13.jpg"};
//读取图像
for (int i = 0; i < numImages; i++)
{
Mat im = imread(filenames[i]);
images.push_back(im);
}
}
int main()
{
// Read images and exposure times 读取图像和图像曝光时间
cout << "Reading images ... " << endl;
//图像
vector<Mat> images;
//曝光时间
vector<float> times;
//读取图像和图像曝光时间
readImagesAndTimes(images, times);
// Align input images 图像对齐
cout << "Aligning images ... " << endl;
Ptr<AlignMTB> alignMTB = createAlignMTB();
alignMTB->process(images, images);
// Obtain Camera Response Function (CRF) 获得CRF
cout << "Calculating Camera Response Function (CRF) ... " << endl;
Mat responseDebevec;
Ptr<CalibrateDebevec> calibrateDebevec = createCalibrateDebevec();
calibrateDebevec->process(images, responseDebevec, times);
// Merge images into an HDR linear image 图像合并为HDR图像
cout << "Merging images into one HDR image ... ";
Mat hdrDebevec;
Ptr<MergeDebevec> mergeDebevec = createMergeDebevec();
mergeDebevec->process(images, hdrDebevec, times, responseDebevec);
// Save HDR image. 保存HDR图像
imwrite("hdrDebevec.hdr", hdrDebevec);
cout << "saved hdrDebevec.hdr " << endl;
// Tonemap using Drago's method to obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Drago's method ... ";
Mat ldrDrago;
Ptr<TonemapDrago> tonemapDrago = createTonemapDrago(1.0, 0.7);
tonemapDrago->process(hdrDebevec, ldrDrago);
ldrDrago = 3 * ldrDrago;
imwrite("ldr-Drago.jpg", ldrDrago * 255);
cout << "saved ldr-Drago.jpg" << endl;
// Tonemap using Durand's method obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Durand's method ... ";
Mat ldrDurand;
Ptr<TonemapDurand> tonemapDurand = createTonemapDurand(1.5, 4, 1.0, 1, 1);
tonemapDurand->process(hdrDebevec, ldrDurand);
ldrDurand = 3 * ldrDurand;
imwrite("ldr-Durand.jpg", ldrDurand * 255);
cout << "saved ldr-Durand.jpg" << endl;
// Tonemap using Reinhard's method to obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Reinhard's method ... ";
Mat ldrReinhard;
Ptr<TonemapReinhard> tonemapReinhard = createTonemapReinhard(1.5, 0, 0, 0);
tonemapReinhard->process(hdrDebevec, ldrReinhard);
imwrite("ldr-Reinhard.jpg", ldrReinhard * 255);
cout << "saved ldr-Reinhard.jpg" << endl;
// Tonemap using Mantiuk's method to obtain 24-bit color image 色调映射算法
cout << "Tonemaping using Mantiuk's method ... ";
Mat ldrMantiuk;
Ptr<TonemapMantiuk> tonemapMantiuk = createTonemapMantiuk(2.2, 0.85, 1.2);
tonemapMantiuk->process(hdrDebevec, ldrMantiuk);
ldrMantiuk = 3 * ldrMantiuk;
imwrite("ldr-Mantiuk.jpg", ldrMantiuk * 255);
cout << "saved ldr-Mantiuk.jpg" << endl;
return 0;
}Python:
import cv2
import numpy as np
def readImagesAndTimes():
times = np.array([ 1/30.0, 0.25, 2.5, 15.0 ], dtype=np.float32)
filenames = ["img_0.033.jpg", "img_0.25.jpg", "img_2.5.jpg", "img_15.jpg"]
images = []
for filename in filenames:
im = cv2.imread(filename)
images.append(im)
return images, times
if __name__ == '__main__':
# Read images and exposure times
print("Reading images ... ")
images, times = readImagesAndTimes()
# Align input images
print("Aligning images ... ")
alignMTB = cv2.createAlignMTB()
alignMTB.process(images, images)
# Obtain Camera Response Function (CRF)
print("Calculating Camera Response Function (CRF) ... ")
calibrateDebevec = cv2.createCalibrateDebevec()
responseDebevec = calibrateDebevec.process(images, times)
# Merge images into an HDR linear image
print("Merging images into one HDR image ... ")
mergeDebevec = cv2.createMergeDebevec()
hdrDebevec = mergeDebevec.process(images, times, responseDebevec)
# Save HDR image.
cv2.imwrite("hdrDebevec.hdr", hdrDebevec)
print("saved hdrDebevec.hdr ")
# Tonemap using Drago's method to obtain 24-bit color image
print("Tonemaping using Drago's method ... ")
tonemapDrago = cv2.createTonemapDrago(1.0, 0.7)
ldrDrago = tonemapDrago.process(hdrDebevec)
ldrDrago = 3 * ldrDrago
cv2.imwrite("ldr-Drago.jpg", ldrDrago * 255)
print("saved ldr-Drago.jpg")
# Tonemap using Durand's method obtain 24-bit color image
print("Tonemaping using Durand's method ... ")
tonemapDurand = cv2.createTonemapDurand(1.5,4,1.0,1,1)
ldrDurand = tonemapDurand.process(hdrDebevec)
ldrDurand = 3 * ldrDurand
cv2.imwrite("ldr-Durand.jpg", ldrDurand * 255)
print("saved ldr-Durand.jpg")
# Tonemap using Reinhard's method to obtain 24-bit color image
print("Tonemaping using Reinhard's method ... ")
tonemapReinhard = cv2.createTonemapReinhard(1.5, 0,0,0)
ldrReinhard = tonemapReinhard.process(hdrDebevec)
cv2.imwrite("ldr-Reinhard.jpg", ldrReinhard * 255)
print("saved ldr-Reinhard.jpg")
# Tonemap using Mantiuk's method to obtain 24-bit color image
print("Tonemaping using Mantiuk's method ... ")
tonemapMantiuk = cv2.createTonemapMantiuk(2.2,0.85, 1.2)
ldrMantiuk = tonemapMantiuk.process(hdrDebevec)
ldrMantiuk = 3 * ldrMantiuk
cv2.imwrite("ldr-Mantiuk.jpg", ldrMantiuk * 255)
print("saved ldr-Mantiuk.jpg")Das obige ist der detaillierte Inhalt vonSo verwenden Sie OpenCV, um HDR-Bilder mit hohem Dynamikbereich in Python zu erhalten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
