【技术实现步骤摘要】
本专利技术涉及一种图像处理的方法，具体是一种一种高效的高动态范围视重建方法及系统。
技术介绍
1、高动态范围视频比常见的标准动态范围视频具有更高的对比度，更广的色域，因此高动态范围视频可以更好的呈现真实的世界，显著提高视频的观影体验。此外，目前许多消费设备如电视机、电脑和智能手机等的显示屏已经开始支持高动态范围视频的播放，而目前大多数视频资源依旧是标准动态范围视频。因此，为了满足用户更好的观影体验，业界急需高效的高动态范围视频重建方法来将标准动态范围视频有效地转换为高动态范围视频。
2、高动态范围视频重建方法大致有两种技术路线。第一类是采用逆色调映射的方法。这类方法在线性亮度域采用逆色调映射算法估计原始场景的高动态范围亮度。由于标准动态范围视频的色域通常为bt709色域，而高动态范围视频的色域通常为更广的bt2020色域，因此该类算法在进行逆色调映射处理后还需要进行色域映射来将bt709色域的图像数据转换为bt2020色域的图像数据。此外，为了使生成数据符合高动态范围视频的相关显示标准如hdr10和dolby vision等，还需要对生成的图像数据进行光电转换等处理以将线性域的亮度数据转换为非线性的图像数据。可以看出，这类方法处理流程非常复杂，而且还涉及一些手工设计的参数，实际中很难得到最优的参数来生成高动态范围视频。第二类是直接采用深度学习和卷积神经网络来将标准动态范围视频重建为高动态范围视频，即用一个神经网络模拟第一类方法的整个流程，然后采用深度学习的方式通过收集合适的数据集训练神经网络来学习最优参数。这些方法主
技术实现思路
1、本专利技术针对现有的高动态范围视频重建技术的缺陷，提供一种高效的高动态范围视重建方法及系统，显著提高了高动态范围视频重建的效率和性能。
2、本专利技术的第一方面，提供一种高效的高动态范围视重建方法，包括：
3、构建一个标准动态范围视频转换为高动态范围视频的域映射子系统，所述域映射子系统包含仿射变换模型，在低分辨率空间预测标准动态范围到高动态范围视频映射的仿射变换参数，利用预测的所述仿射变换参数将标准动态范围视频转换为高动态范围视频；
4、构建高动态范围视频细节增强子系统，所述细节增强子系统对所述域映射子系统输出的高动态范围视频进一步增强亮度和颜色细节，提高视频的视觉显示效果；
5、训练所述域映射子系统和所述细节增强子系统，得到最优网络参数；将待重建的标准动态范围视频输入训练后的所述域映射子系统和所述细节增强子系统依次处理，生成高动态范围视频。
6、可选地，所述构建一个标准动态范围视频转换为高动态范围视频的域映射子系统，其中：
7、对于每个像素i，该域映射子系统学习一组仿射变换系数mi＝(ai,bi),其中ai∈r3×3,bi∈r3×1，通过下式将输入标准动态范围像素i转换为高动态范围像素i′:
8、
9、其中，r,g,b分别表示像素r，g，b三通道的值，代表矩阵乘法。
10、可选地，所述域映射子系统，包括：
11、对输入图像进行下采样，然后根据下采样后的图像来学习仿射变换系数。
12、可选地，所述域映射子系统，采用全局调制模块在下采样空间中进行特征提取，其中：
13、每个全局调制模块采用不同的卷积层从输入图像中提取不同感受野的特征然后将这两种特征相加得到特征fl；
14、最后利用全局信息对相加后的特征fl进行调制，所述全局信息是对输入进行全局平均池化的输出。
15、可选地，所述域映射子系统，利用1×1卷积从全局信息中学习一个缩放系数α和一个平移系数β，然后用下式对特征fl进行调制：
16、
17、其中，是全局调制模块的输出。
18、可选地，所述域映射子系统，还包括：
19、采用细节引导的上采样模块对下采样空间中学到的仿射变换参数进行上采样，以匹配原始输入图片的分辨率。
20、可选地，所述构建高动态范围视频细节增强子系统，采用transformer作为编解码器的特征提取模块，其中：
21、编码器中将输入图像逐渐下采样到更低分辨率的特征空间进行特征学习，在解码器中对编码器中学习的特征逐渐上采样到原始分辨率；
22、将不同分辨率空间的编码器的特征与相应分辨率空间的解码器输入特征进行特征拼接，然后进行该分辨率空间的特征融合和学习。
23、可选地，所述transformer，使用自注意力提取模块和空间感知的前馈网络来提升效率和性能，其中：
24、所述自注意力提取模块，其自注意力的计算是在特征通道维度，在自注意力计算前采用卷积来提取特征的上下文信息，在计算自注意力前对图像特征进行空间下采样处理来进一步降低运算量；
25、所述前馈网络将普通前馈网络中间特征按通道维度平均分成两部分特征f1和f2，然后从f1中使用卷积和sigmoid激活函数学习空间注意力fs，利用学到的空间注意力fs与特征f2进行点乘以增强特征的空间感知能力，然后利用卷积进一步提升特征的上下文感知能力。
26、可选地，所述训练所述域映射子系统和所述细节增强子系统，得到最优网络参数，包括：
27、训练标准动态范围视频转换为高动态范围视频的域映射子系统：以最小化内容重建损失函数为目标，以标准动态范围视频为输入，对应的真实高动态范围视频为真值，优化更新子系统网络参数；
28、训练构建的细节增强子系统：以最小化内容重建损失函数为目标，以所述域映射子系统的输出为输入，对应的真实高动态范围视频为真值优化更新该子系统网络参数。
29、可选地，所述以最小化内容重建损失函数为目标，其中，内容重建损失函数即计算子系统输出与对应的真实高动态范围图像之间的l1损失：
30、
31、其中，n表示一个训练步骤中输入的图片总数。和yn表示每个训练步骤中域映射子系统或细节增强子系统第n个高动态范围输出和对应的高动态范围真实图像。
32、本专利技术的第二方面，提供一种高效的高动态范围视重建系统，包括：
33、域映射子系统构建模块：构建一个标准动态范围视频转换为高动态范围视频的域映射子系统，所述域映射子系统包含仿射变换模型，在低分辨率空间预测标准动态范围到高动态范围视频映射的仿射变换参数，利用预测的所述仿射变换参数将标准动态范围视频转换为高动态范围视频；
34、细节增强子系统构建模块：构建高动态范围视频细节增强子系统，所述细节增强子系统对所述域映射子系统输出的高动态范围视频进一步增强亮度和本文档来自技高网...
【技术保护点】
1.一种高效的高动态范围视重建方法，其特征在于，包括：
2.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述构建一个标准动态范围视频转换为高动态范围视频的域映射子系统，其中：
3.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述域映射子系统，包括：
4.根据权利要求2所述的高效的高动态范围视重建方法，其特征在于，所述域映射子系统，采用全局调制模块在下采样空间中进行特征提取，其中：
5.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述域映射子系统，还包括：
6.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述构建高动态范围视频细节增强子系统，采用Transformer作为编解码器的特征提取模块，其中：
7.根据权利要求6所述的高效的高动态范围视重建方法，其特征在于，所述Transformer，使用自注意力提取模块和空间感知的前馈网络来提升效率和性能，其中：
8.根据权利要求1所述的高效的高动态范围视频重建方法，其特征在于：所述训练所述域
9.根据权利要求1所述的高效的高动态范围视频重建方法，其特征在于：所述以最小化内容重建损失函数为目标，其中，内容重建损失函数即计算子系统输出与对应的真实高动态范围图像之间的L1损失：
10.一种高效的高动态范围视频重建系统，其特征在于：包括：
...【技术特征摘要】
1.一种高效的高动态范围视重建方法，其特征在于，包括：
2.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述构建一个标准动态范围视频转换为高动态范围视频的域映射子系统，其中：
3.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述域映射子系统，包括：
4.根据权利要求2所述的高效的高动态范围视重建方法，其特征在于，所述域映射子系统，采用全局调制模块在下采样空间中进行特征提取，其中：
5.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述域映射子系统，还包括：
6.根据权利要求1所述的高效的高动态范围视重建方法，其特征在于，所述构建高动态范围视频细节增...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。