[db:标题]

在拉普拉斯金字塔在多图HDR算法中的应用以及多曝光图像的融合算法简介一文中提高的Exposure Fusion算法，是一种非常优秀的多曝光图片合成算法，对于大部分测试图都能获取到较为满意的结果，但是也存在着两个局限性： 　　1、存在着Out-of-range Artifact； 2、存在着low frequency halo； 　　为了解决这两个问题，Charles Hessel在2019年发表了一篇名为《Extended Exposure Fusion》的论文，基本上有效的避免了《Exposure Fusion》的这两个缺陷，并且以此为基础，将Exposure Fusion扩展到了单幅图像的增强中。 　　在IPOL网站中，有对这两篇文章的详细资料和在线测试程序，详见： 　　http://www.ipol.im/pub/art/2019/278/　　　　　　Extended Exposure Fusion 　　https://www.ipol.im/pub/art/2019/279/　　　　　Simulated Exposure Fusion 　　我们不去过多的分析他们的原理，只是大概的描述下论文的细节吧，更为详细的可以直接阅读论文本身。 　　一、Extended Exposure Fusion 　　这个文章虽然篇幅有十几页，但是实际上核心的东西就是一个：无中生有，即我们从原始的图像数据序列中fu在继续创造更多的图像，然后利用Exposure Fusion合成，这些新创造出的图像相对于原始的图具有更低的动态范围，具体的过程为： 　　确定一个参数Beta，有效范围是[0,1]，然后根据Ceil(1.0 / Beta)向上取整得到我们需要重新创建的图像的数量M，这个Beta我们称之为动态范围。新创建的M个图像的生产方法如下： 　　 对于序列中的每一个值，我们计算一个参数：　　　　　　　 　　 　　作为需要压缩的动态的范围的中心，当原始的像素值t在范围内时，线性映射，即t不变化，当不在此范围时，按以下公式计算新的t值。 　　 　　其中 ,以及，这样就保证像素不在我们设定的动态范围时，像素值不会断崖式的裁剪，而是平滑的予以变化，从而使得融合的结果不会太突兀。 　　以下时Beta = 0.5/0.34/0.25时对应的重新映射的曲线图，可以看到随着Beta的值的变小，新创建的图像数量M不断地增加，但是不管如何，所有图像组合在一起，都覆盖了原图的所有的动态范围（即合并后的映射图总会有一条45倾斜的直线），而Beta值的含义页可以从曲线总可以看出就是直线段的长度，即每幅图动态范围保持不变的部分。 　　　　　　Beta = 0.5, M = 2　　　　　　　　　　　　　　Beta = 0.34, M = 3　　　　　　　　　　　　　　　　　Beta = 0.25, M = 4 　　注意，以上的映射等行为的公式都是针对归一化后的图像数据的，即要将图像由[0，255]先映射为[0,1]。 　　如果原始图像序列由N幅图像，则这样处理就增加为了N*M幅图，后续就是对这N*M幅进行标准的比曝光融合了。因此可以明显的看出，这个算法的速度要比Exposure Fusion至少慢M倍。 　　以下C++代码简答的解释了上述新图像的生成过程： 　　当Beta = 0.5，M = 2时（注意到上述曲线），下述图像清晰的表达了这个扩展的过程： 　 原始的图像序列只有4幅图，扩展后的为8幅图，而且我们注意到扩展后的图和源图没有一个是相同的，通过组合这新生产的8幅图，最终得到扩展的融合结果。 　　就以上述图为例，Beta设置为0.5，我们金字塔层数都设置为8，Exposure Fusion和Extended Exposure Fusion的融合效果分别如下所示： 　　　　　　　　　　Exposure Fusion　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　Extended Exposure Fusion 　　我们注意观察图中最左侧窗户上部的小方格内，左图里该方格里基本是纯白色，看不到什么信息，而右图则把原始图input 1里的有效信息带入了，增加了信息量。 　　在比如下图，左图是标准的Exposure Fusion，右图为扩展后的，可以看到右侧图台灯里以及窗户外面的地面有着更为细腻的细节，而左图基本是纯色。 　　在《Extended Exposure Fusion》还提到了对各图像权重的一个改进，虽然那个东西有一定作用，但是个人认为是锦上添花的一些东西吧，实际上也没有啥大的作用，因此，本人未做具体的研究。