【HDR】曝光融合（Exposure Fusion）

0 前言

在曝光融合（Exposure Fusion）算法问世之前，多曝光序列合成用于显示的HDR需要两个步骤，第一步是将多张不同曝光的低动态范围图像合成为HDR（例如Debevec提出的加权融合方法），通常HDR为12bit或者16bit；第二步是通过tonemapping对高动态范围HDR进行压缩以支持低动态范围显示设备（例如Durand提出的基于双边滤波的tonemapping算法），一般会压缩至8bit。

曝光融合算法的优势在于不需要标定相机响应曲线，并且跳过tonemapping步骤，直接合成用于显示的高动态范围图像。

1 算法细节

1.1 Naive

1.1.1 主要思想

对于多曝光图像序列，取每一张图像中最有价值的部分用于合成。例如，曝光时间长的图像中暗区细节丰富同时噪声水平低，那么暗区就是有价值的部分。显然，需要一个指标来衡量每张图像中哪些像素有价值，然后通过计算每张图每个像素的价值指标当作对应的权重，最终通过加权融合的方式得到HDR。

1.1.2 权重计算

从对比度、饱和度和亮度三个维度对像素的价值进行评估：

• 对比度
  这里的对比度指的是图像的梯度，对于边缘和纹理等重要的信息分配很大的权重。具体地，对图像的灰度图执行拉普拉斯滤波，结果取绝对值作为对比度指标 $C(I_k)$。
  $$C(I_k)=|{△}_{gray}(I_k)|$$
• 饱和度
  RGB三通道之间差异大的可视为饱和度高的区域，反之，对于过曝或者欠曝区域RGB三通道的值趋于一致，饱和度较低。因此，可将RGB三个通道之间的标准差作为饱和度指标。
  $$S_{k,i,j}=\sqrt{\frac{(I_{k,i,j}^B-M_{k,i,j}{)}^2+(I_{k,i,j}^G-M_{k,i,j}{)}^2+(I_{k,i,j}^R-M_{k,i,j}{)}^2}{3}}$$