拉普拉斯算子以及Paper1 Exposure Fusion: A Simple and Practical Alternative to High Dynamic Range Photography

学习前言

最近一直在跟着实验老师学习多曝光图像处理，就顺便在看各种论文的时候把自己不懂的东西给整理出来，这是第一篇博客，希望能够坚持下去啦啦啦~~

基本原理

拉普拉斯算子

使用二阶微分的方法分割图像：先定义一个二阶微分的离散公式，然后根据公式构造一个滤波器模板。而拉普拉斯算子就是最简单的各向同性微分算子，即将原图像旋转之后进行滤波处理给出的结果，与先对图像滤波再旋转的结果相同。
拉普拉斯算子可以用于锐化图像。为什么可以锐化呢？耐心耐心看下去…
一个二维图像的函数 $f(x,y)$ 的拉普拉斯算子定义为
$${\nabla }^{2}f=\frac{{\partial }^{2}f}{\partial x^2}+\frac{{\partial }^{2}f}{\partial y^2}$$
记住！！我们必须至此第二个变量。在$x$方向上，有
$$\frac{{\partial }^{2}f}{\partial x^2}=f(x+1,y)+f(x-1,y)-2f(x,y)（1）$$
类似的，在$y$方向上也有：
$$\frac{{\partial }^{2}f}{\partial y^2}=f(x,y+1)+f(x,y-1)-2f(x,y)（2）$$
So， 满足这三个公式的两个变量的拉普拉斯算子是
$${\nabla }^{2}f=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)（3）$$
到了这里，厉害的专家们发明了一种所谓“滤波模板”，只需要移动模板就能来实现对图像的处理。上式所对应的滤波模板是：

这个模板给出了以90^°为增量进行旋转的各向同性结果。到了这里我们可以发现中间的权值的绝对值是最高的，因此它能够把图像的边缘（那些原本强度就大的点）增强，因此产生了锐化的效果。其他的滤波器（比如线性平滑滤波器）只是简单地使用了不同的系数。相应的对（3）式，进行添加项或者符号变换，就能定义新的模板：
其中,( a )对45^°增幅的结果是各向同性的,( b ) ( c )是实践中常常使用的模板类型。

论文摘要及个人总结

摘要

We propose a technique for fusing a bracketed exposure sequence into a high quality image, without converting to HDR first. Skipping the physically-based HDR assembly step simplifies the acquisition pipeline. This avoids camera response curve calibration and is computationally efficient. It also allows for including flash images in the sequence. Our technique blends multiple exposures, guided by simple quality measures like saturation and contrast. This is done in a multiresolution fashion to account for the brightness variation in the sequence. The resulting image quality is comparable to existing tone mapping operators.

我们提出了一种技术，将包围曝光序列融合成高质量的图像，而无需首先转换为HDR。跳过基于物理的HDR组装步骤可以简化获取管道。这避免了相机的响应曲线校准和计算效率。它还允许在序列中包含flash图像。我们的技术通过简单的质量检测，如饱和度和对比度，将多种曝光混合在一起。这是以多分辨率方式完成的，以解决序列中的亮度变化。 最终得到的图像质量与现有的色调映射算子相当。

主要方法

按照自己的理解我将本文方法归结为：跳过计算HDR， 直接进行曝光融合。曝光融合采用以下步骤：

1. 选取适当的质量指标（本文选择了饱和度、对比度）
2. 逐步计算每个像素的感知质量
3. 选择权重最高的像素，进行融合