基于場(chǎng)景局部特征的多曝光圖像融合

李衛(wèi)中

（湖北工程學(xué)院物理與電子信息工程學(xué)院，湖北孝感432000）

0 引言

現(xiàn)實(shí)場(chǎng)景因包含豐富的光影信息而呈現(xiàn)出了絢麗多彩的大千世界［1-2］。然而，當(dāng)人們用數(shù)碼相機(jī)記錄這些景象時(shí)，往往因?yàn)閿?shù)碼相機(jī)的動(dòng)態(tài)范圍受限而導(dǎo)致自然場(chǎng)景信息的大量丟失［3-4］。例如：縮短曝光時(shí)間（欠曝光）可以很好地捕捉場(chǎng)景明亮區(qū)域的信息，但場(chǎng)景暗區(qū)的信息丟失嚴(yán)重；增加曝光時(shí)間（過(guò)曝光）可以很好地捕捉場(chǎng)景暗區(qū)的信息，但場(chǎng)景明亮區(qū)域由于過(guò)度曝光導(dǎo)致信息嚴(yán)重丟失。

為了盡可能多地捕獲現(xiàn)實(shí)場(chǎng)景的信息，可以利用計(jì)算機(jī)圖像處理的辦法將同一場(chǎng)景多張不同曝光量的圖像合成一張包括場(chǎng)景所有信息的圖像。目前，主要有兩種不同的方法實(shí)現(xiàn)上述過(guò)程。

第一種方法通常包括高動(dòng)態(tài)范圍圖像合成和色調(diào)映射兩個(gè)步驟［5］：首先通過(guò)模擬相機(jī)響應(yīng)曲線和輻射圖將多曝光圖像序列合成一張高動(dòng)態(tài)范圍圖像；然后，利用色調(diào)映射進(jìn)行動(dòng)態(tài)范圍壓縮使合成的場(chǎng)景圖像能夠在普通顯示器上正常顯示。該方法由于需要高動(dòng)態(tài)范圍圖像合成和色調(diào)映射兩個(gè)步驟，因此效率較低，實(shí)時(shí)性相對(duì)較差。

第二種方法則利用圖像融合的方式直接將同一現(xiàn)實(shí)場(chǎng)景不同曝光量的圖像序列融合成一張包括自然場(chǎng)景所有光影信息的圖像，該方法被稱為多曝光圖像融合（以下簡(jiǎn)稱曝光融合）。目前，曝光融合已經(jīng)廣泛用于便攜式多媒體設(shè)備、數(shù)碼相機(jī)以及機(jī)器視覺(jué)領(lǐng)域［6-7］。

為了獲得高質(zhì)量的曝光融合圖像，本文提出了基于場(chǎng)景局部特征的曝光融合算法。首先，利用滑動(dòng)窗將曝光序列分解為具有一定重疊區(qū)域的規(guī)則的圖像塊；其次，利用圖像的局部特征（局部方差、局部可視性、局部顯著性以及局部相似性）計(jì)算圖像塊權(quán)重值；接著，利用加權(quán)融合的方法計(jì)算最佳輸出圖像塊；最后，將輸出的圖像塊融合得到最終的輸出圖像。實(shí)驗(yàn)結(jié)果表明，無(wú)論在靜態(tài)場(chǎng)景還是動(dòng)態(tài)場(chǎng)景，本文提出的算法都能獲得令人滿意的結(jié)果。

1 相關(guān)工作

近些年，曝光融合已經(jīng)成為圖像處理和光學(xué)成像領(lǐng)域的研究熱點(diǎn)［8］。Mertens 等［9］采用多尺度圖像分解及融合的方法，利用圖像的評(píng)價(jià)指標(biāo)實(shí)現(xiàn)曝光融合；該方法可以獲得較好的靜態(tài)場(chǎng)景圖像，但在動(dòng)態(tài)場(chǎng)景融合時(shí)容易產(chǎn)生鬼影現(xiàn)象。Shen 等［10］改進(jìn)了該算法，利用改進(jìn)的拉普拉斯金字塔實(shí)現(xiàn)曝光融合，在一定程度上提高了圖像質(zhì)量，但算法復(fù)雜度也明顯增加。Singh等［11］利用引導(dǎo)濾波和非線性方程增強(qiáng)場(chǎng)景信息，但圖像顯得不自然。Shen 等［12］利用概率模型和隨機(jī)游走算法實(shí)現(xiàn)曝光融合，可以較好地呈現(xiàn)場(chǎng)景的整體效果，但局部對(duì)比度低且細(xì)節(jié)模糊。Bruce［13］采用局部信息熵評(píng)價(jià)每一像素的權(quán)重實(shí)現(xiàn)曝光融合，但該方法得到的圖像比較昏暗。

上述算法只適合靜態(tài)場(chǎng)景（即場(chǎng)景中所有物體都是靜止不動(dòng)）的曝光融合，如果現(xiàn)實(shí)場(chǎng)景為動(dòng)態(tài)場(chǎng)景，即相機(jī)的移動(dòng)或者場(chǎng)景中存在運(yùn)動(dòng)的物體（如：奔馳的小汽車(chē)、移動(dòng)中的行人、隨風(fēng)飄搖的樹(shù)枝等），直接利用上述算法實(shí)現(xiàn)曝光融合，將產(chǎn)生嚴(yán)重的鬼影現(xiàn)象。其中，因相機(jī)移動(dòng)產(chǎn)生的鬼影現(xiàn)象可以通過(guò)將相機(jī)固定放置在三腳架上來(lái)解決［14］。除此之外，鬼影現(xiàn)象主要由場(chǎng)景中的移動(dòng)物體產(chǎn)生。針對(duì)該問(wèn)題，國(guó)內(nèi)外眾多學(xué)者展開(kāi)了深入的研究。Jacobs 等［15］介紹了基于局部信息熵和對(duì)比度的去鬼影方法，但它只能消除因物體小范圍移動(dòng)產(chǎn)生的鬼影現(xiàn)象；Gallo 等［16］提出了基于隨機(jī)抽樣一致和泊松融合的去鬼影方法，可以較好地去除鬼影，但容易產(chǎn)生塊效應(yīng)；Zhang 等［17］分別利用梯度幅值和梯度方向表示對(duì)比度和空間連續(xù)性，其中梯度方向用于去除鬼影，但該方法只能在一定程度上減少鬼影并不能完全消除；Li 等［18］分別運(yùn)用中值濾波和遞歸濾波去除鬼影現(xiàn)象和噪聲，在一定程度上改善了圖像質(zhì)量；Kakarala 等［19］采用離散余弦變換去除鬼影現(xiàn)象，但只能去除小物體移動(dòng)產(chǎn)生的鬼影；Liu等［20］介紹了稠密尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）算子實(shí)現(xiàn)曝光融合，但去除鬼影現(xiàn)象并不徹底；Ma 等［21］將圖像序列分解為信號(hào)強(qiáng)度、信號(hào)結(jié)構(gòu)和平均強(qiáng)度三個(gè)分量進(jìn)行處理，然后分別對(duì)三個(gè)分量進(jìn)行重構(gòu)得到最終的融合結(jié)果，但去除鬼影效果并不徹底且算法效率不高。

2 本文算法

本文算法的基本思想如圖1所示。

圖1 本文算法流程Fig. 1 Flowchart of the proposed algorithm

首先，采用滑動(dòng)窗函數(shù)將不同曝光量圖像劃分為規(guī)則的圖像塊，并且要求相鄰的圖像塊具有一定像素的重疊。其次，引入圖像的四種局部特征：局部方差、局部可視性、局部顯著性以及局部相似性，分別計(jì)算圖像塊的權(quán)重值。如果是靜態(tài)場(chǎng)景，只需要局部方差、局部可視性和局部顯著性三種局部特征計(jì)算圖像塊權(quán)重值；如果是動(dòng)態(tài)場(chǎng)景，則四種局部特征都需要用于計(jì)算圖像塊的權(quán)重值，其中局部相似性特征只用于去除動(dòng)態(tài)場(chǎng)景的鬼影現(xiàn)象。接著，利用加權(quán)融合的方法計(jì)算最佳輸出圖像塊。最后，將輸出的圖像塊采取重疊區(qū)域像素取平均值的方法得到最終結(jié)果。

2.1 圖像分塊

在本文中，假設(shè)輸入的圖像序列已經(jīng)配準(zhǔn)，Ik表示曝光序列，其中k = 1，2，…，N，N 表示輸入圖像的數(shù)量。采用滑動(dòng)窗將每一張不同曝光量的輸入圖像劃分成尺寸為n × n 的規(guī)則的圖像塊，并且要求相鄰的圖像塊有一定像素的重疊，滑動(dòng)窗每次移動(dòng)的步幅為μ。本文選取圖像塊的尺寸為15× 15（即n = 15），滑動(dòng)窗的步幅選取為μ = 6。

2.2 局部方差

自然場(chǎng)景中包含大量的邊緣和紋理等結(jié)構(gòu)信息，這些結(jié)構(gòu)信息可以充分表達(dá)場(chǎng)景中主要的可視信息，人類對(duì)場(chǎng)景中的結(jié)構(gòu)信息感知十分敏感。文獻(xiàn)［22］中指出自然場(chǎng)景的大量結(jié)構(gòu)信息包含在局部方差中，圖像的局部方差可以較好地表征場(chǎng)景中的大部分邊緣和粗紋理等結(jié)構(gòu)信息，能很好地呈現(xiàn)自然場(chǎng)景的基本信息，因此本文采用局部方差表示場(chǎng)景的結(jié)構(gòu)信息，計(jì)算過(guò)程為：

其中：Sij，k為圖像塊 Pij，k的局部方差分別表示三顏色通道（紅、綠和藍(lán)）的局部方差。

2.3 局部可視性

場(chǎng)景的曝光亮度決定了圖像的可視性：曝光亮度過(guò)低的場(chǎng)景過(guò)于昏暗，可識(shí)別的場(chǎng)景信息少；曝光亮度過(guò)高的場(chǎng)景由于亮度過(guò)飽和，可識(shí)別的信息也很少。即場(chǎng)景曝光亮度過(guò)低或者過(guò)高都會(huì)導(dǎo)致場(chǎng)景的可視性差，只有合適的曝光亮度才能讓場(chǎng)景的可視信息足夠多。因此，本文采用曝光亮度表示圖像塊的局部可視性。

首先，計(jì)算圖像塊歸一化后像素的平均值。文獻(xiàn)［18］中指出：像素的歸一化亮度值小于0.1 和像素的歸一化亮度值大于0.9 時(shí)，分別對(duì)應(yīng)曝光亮度過(guò)低和曝光亮度過(guò)高兩種情況，只有像素的歸一化亮度值在0.5 附近才意味著合適的曝光亮度［9，23］。曝光亮度過(guò)低和過(guò)高兩種情況下，圖像塊的可視性差，應(yīng)該分配小的局部可視性權(quán)重；而曝光合適的圖像塊可視性好，應(yīng)該分配較大的可視性權(quán)重值。因此，本文設(shè)計(jì)了一個(gè)分段函數(shù)表示圖像的局部可視性權(quán)重，計(jì)算過(guò)程為：

2.4 局部顯著性

JND（Just Noticeable Distortion）模型［24］用于衡量人類的視覺(jué)系統(tǒng)對(duì)場(chǎng)景信息的敏感度和感知力，是一個(gè)非常重要的圖像質(zhì)量評(píng)價(jià)指標(biāo)。JND 模型以場(chǎng)景的紋理信息和背景亮度為基礎(chǔ)，可以很好地突顯場(chǎng)景中細(xì)節(jié)豐富、對(duì)比度好的顯著區(qū)域。因此，本文利用JND模型估算圖像塊的局部顯著性，計(jì)算過(guò)程為：

2.5 局部相似性

當(dāng)場(chǎng)景中存在行駛的汽車(chē)、奔跑的動(dòng)物以及行人等移動(dòng)物體時(shí)，直接將曝光序列進(jìn)行圖像融合很容易產(chǎn)生鬼影現(xiàn)象（偽影），這將嚴(yán)重影響圖像的質(zhì)量。為了提高圖像質(zhì)量，消除場(chǎng)景中移動(dòng)物體對(duì)融合圖像的影響，本文利用局部相似性去除鬼影現(xiàn)象。

首先，將每個(gè)圖像塊轉(zhuǎn)換為灰度圖并將像素值歸一化到區(qū)間［0，1］。由于圖像序列中每張圖像的曝光量不一樣，導(dǎo)致序列中圖像的亮度差異較大，亮度差異將直接影響去鬼影的效果。圖像亮度過(guò)暗或者過(guò)亮，都無(wú)法有效地去除鬼影；而亮度合適的圖像去除鬼影的效果會(huì)更好。因此，本文對(duì)灰度圖進(jìn)行了伽馬校正，以便讓每張灰度圖的曝光水平都比較接近。文獻(xiàn)［9，23］中指出，像素值為0.5 的像素有合適的曝光亮度，呈現(xiàn)的圖像亮度合適，故應(yīng)該盡量使圖像在伽馬校正后像素亮度接近0.5。當(dāng)像素亮度值小于0.5時(shí)，應(yīng)該通過(guò)伽馬校正使像素亮度值變大以接近于0.5；當(dāng)像素亮度值大于0.5 時(shí)，應(yīng)該通過(guò)伽馬校正使像素亮度值變小以接近于0.5；當(dāng)像素亮度值等于0.5 時(shí)，伽馬校正后亮度保持不變。本文將伽馬系數(shù)設(shè)置為2ηij，k（這里ηij，k為像素亮度值），伽馬校正過(guò)程可以表示為：

其中：ηij，k表示圖像塊 Pij，k的灰度圖的像素的平均值。

本文選擇曝光亮度合適的圖像塊的伽馬校正結(jié)果作為參考圖像塊，采用歐氏距離表征圖像塊之間的相似性。為了提高算法效率、減小復(fù)雜度，采用歐氏距離的平方值計(jì)算圖像塊的局部相似性。利用圖像塊與參考?jí)K之間的相似性計(jì)算，檢測(cè)圖像塊相對(duì)于參考?jí)K的運(yùn)動(dòng)物體，圖像相似性Dij，k計(jì)算表達(dá)式為：

其中：σ2為標(biāo)準(zhǔn)差，本文設(shè)定σ2= 0.5。

2.6 權(quán)重圖計(jì)算及圖像塊融合

為了便于后續(xù)采取加權(quán)融合的方法計(jì)算輸出圖像，本文綜合考慮上述四種局部特征計(jì)算圖像塊的權(quán)重值。首先將各圖像塊的權(quán)重值對(duì)應(yīng)相乘，然后進(jìn)行歸一化處理得到每個(gè)圖像塊的權(quán)重。圖像塊歸一化權(quán)重Wij，k的計(jì)算表達(dá)式為：

其中：ε為一個(gè)很小的正常數(shù)，ε = 10-12。

需要注意的是：只有在動(dòng)態(tài)場(chǎng)景時(shí)才需要考慮Aij，k，如果是靜態(tài)場(chǎng)景，式（10）中Aij，k是不需要考慮的。

在計(jì)算得到每個(gè)圖像塊的權(quán)重之后，利用加權(quán)融合的方法計(jì)算最佳輸出圖像塊Bij，其表達(dá)式為：

如果直接將輸出圖像塊融合，很容易出現(xiàn)塊效應(yīng)，影響圖像的質(zhì)量。為了保持圖像塊之間的連續(xù)性避免出現(xiàn)塊效應(yīng)，同時(shí)由于圖像分塊時(shí)相鄰的圖像塊有一定像素的重疊，因此本文將最佳輸出圖像塊之間的重疊區(qū)域像素取平均值實(shí)現(xiàn)圖像塊融合，得到最終的曝光融合結(jié)果。同時(shí)，為了減小圖像中的噪聲，大約有1%的極亮和極暗像素被裁剪掉。

3 實(shí)驗(yàn)與結(jié)果分析

選擇多組靜態(tài)場(chǎng)景和動(dòng)態(tài)場(chǎng)景的曝光序列用于實(shí)驗(yàn)的測(cè)試和分析，實(shí)驗(yàn)中所用的圖像序列可從網(wǎng)站http：//users.soe.ucsc.edu/～orazio/deghost.html下載，分別從主觀和客觀兩方面與現(xiàn)有的算法進(jìn)行比較和分析。實(shí)驗(yàn)的硬件平臺(tái)采用Intel i7處理器（3.4 GHz，64 位），16 GB 內(nèi)存的計(jì)算機(jī)。所有的算法全部利用Matlab R2016a編程實(shí)現(xiàn)。

3.1 靜態(tài)場(chǎng)景測(cè)試

圖2和圖3為靜態(tài)場(chǎng)景測(cè)試及實(shí)驗(yàn)結(jié)果比較，并分別給出了測(cè)試結(jié)果和對(duì)應(yīng)的局部放大圖。

圖2 為曝光序列Candik 的測(cè)試結(jié)果，在每個(gè)算法測(cè)試結(jié)果的右邊分別給出了臺(tái)燈和桌上文件的局部放大圖。從實(shí)驗(yàn)結(jié)果可以看出，文獻(xiàn)［12，18，20］的算法得到的圖像效果比較相似，這三種算法都獲得了較好的整體效果，但局部對(duì)比度低，從局部放大圖中可以看出，臺(tái)燈的輪廓和文件中的文字都比較模糊。文獻(xiàn)［13］的算法得到的圖像整體比較昏暗，全局對(duì)比度低，畫(huà)面看起來(lái)不夠生動(dòng)。文獻(xiàn)［21］的算法在全局對(duì)比度和色彩飽和度方面都取得了較好的效果，但是在極亮區(qū)域損失了部分可視信息，例如臺(tái)燈內(nèi)部和桌上文件可視細(xì)節(jié)不是很清晰。相對(duì)而言，本文算法得到的圖像整體效果更好，色彩鮮艷，畫(huà)面看起來(lái)生動(dòng)，場(chǎng)景局部可視細(xì)節(jié)豐富，例如局部放大圖中的臺(tái)燈輪廓和文件中的文字看起來(lái)都比較清晰。

圖3 顯示了House 圖像序列的實(shí)驗(yàn)結(jié)果。文獻(xiàn)［12，18，20］的算法為了同時(shí)兼顧亮區(qū)和暗區(qū)信息，整體對(duì)比度偏低，并且在門(mén)框部分呈現(xiàn)出比較嚴(yán)重的黑色光暈現(xiàn)象。文獻(xiàn)［13］的算法呈現(xiàn)的圖像整體比較暗，色彩的飽和度低，整個(gè)畫(huà)面昏暗缺乏生機(jī)，場(chǎng)景的可視信息模糊。文獻(xiàn)［21］的算法雖然呈現(xiàn)了較好的整體效果，但損失了場(chǎng)景中明亮區(qū)域的一部分可視信息，且該區(qū)域色彩飽和度低，例如室外花園區(qū)域由于亮度過(guò)飽和導(dǎo)致可視信息較少并且色彩不夠鮮艷。本文算法保持了良好的整體效果，很好地兼顧了場(chǎng)景亮區(qū)和暗區(qū)信息，保持了較高的全局對(duì)比度和局部對(duì)比度，場(chǎng)景細(xì)節(jié)清晰可見(jiàn)，例如室外花園區(qū)域可視信息豐富，色彩鮮艷（見(jiàn)局部放大圖）。

圖2 序列Candik曝光融合結(jié)果Fig.2 Exposure fusion results of“Candik”sequence

圖3 序列House曝光融合結(jié)果Fig.3 Exposure fusion results of“House”sequence

3.2 動(dòng)態(tài)場(chǎng)景測(cè)試

動(dòng)態(tài)場(chǎng)景的實(shí)驗(yàn)測(cè)試結(jié)果分別如圖4 和圖5 所示：圖4 中每組圖像的左邊部分為算法得到的實(shí)驗(yàn)結(jié)果，右邊為實(shí)驗(yàn)結(jié)果的局部放大圖像；圖5 中每組圖像的上半部分為算法得到的實(shí)驗(yàn)結(jié)果，其下半部分為對(duì)應(yīng)實(shí)驗(yàn)結(jié)果的局部放大圖像。文獻(xiàn)［17，18，20］的算法得到了類似的實(shí)驗(yàn)結(jié)果，這三種算法采用不同的方法實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景曝光融合，但只在一定程度上減輕了鬼影現(xiàn)象，并沒(méi)有完全去除鬼影，從圖4 和圖5 的局部放大圖可以看出，馬的頭部、移動(dòng)的皮球和行人都能看到比較明顯的鬼影現(xiàn)象。文獻(xiàn)［19］的算法雖然較好地去除了鬼影現(xiàn)象，但卻導(dǎo)致了顏色失真（例如圖4 局部放大圖中馬頭部出現(xiàn)了比較明顯的顏色退化）和較亮區(qū)域的場(chǎng)景信息丟失（圖5 天空區(qū)域由于亮度過(guò)飽和導(dǎo)致天空、白云等可視信息大量丟失）。文獻(xiàn)［21］的算法在圖4 中雖然消除了鬼影現(xiàn)象，但馬圈內(nèi)部由于過(guò)于昏暗而損失了大量的可視信息。在圖5 中，文獻(xiàn)［21］的算法只在一定程度上減少了鬼影現(xiàn)象，并沒(méi)有完全消除，例如圖5 中的皮球和行人還是存在鬼影現(xiàn)象。相對(duì)而言，本文算法有效地去除了鬼影現(xiàn)象，同時(shí)保持了圖像較好的整體效果和豐富的局部信息，例如圖4 中馬圈的內(nèi)部細(xì)節(jié)和 圖5中天空區(qū)域的信息都清晰可見(jiàn)。

圖4 序列Horse曝光融合結(jié)果Fig.4 Exposure fusion results of“Horse”sequence

圖5 序列Street曝光融合結(jié)果Fig.5 Exposure fusion results of“Street”sequence

3.3 客觀評(píng)價(jià)

圖像質(zhì)量的客觀評(píng)價(jià)指標(biāo)可以更加全面地評(píng)價(jià)算法的性能。本文采用圖像清晰度和曝光融合圖像質(zhì)量評(píng)價(jià)指標(biāo)（Image Quality Assessment，IQA）［25］綜合評(píng)價(jià)算法性能。圖像清晰度利用平均梯度衡量圖像中的微小細(xì)節(jié)，圖像清晰度值越大，表明圖像提供的可視信息越多，圖像越清晰，可視效果越好，其定義為：

其中：zr，c表示像素灰度值，r和c分別表示像素所在的行和列坐標(biāo)；R和C表示測(cè)試圖像像素行和列的數(shù)目。

IQA 是文獻(xiàn)［25］為曝光融合提出的評(píng)價(jià)指標(biāo)，綜合考慮了曝光融合前后圖像的結(jié)構(gòu)連續(xù)性和結(jié)構(gòu)相似性，該指標(biāo)的評(píng)定結(jié)果在區(qū)間［0，1］，其值越大，表明圖像質(zhì)量越高。IQA的定義為：

其中，M(Y)表示IQA 計(jì)算結(jié)果；Ml(Y)表示第l尺度圖像質(zhì)量的平均值；L為圖像分解尺度的數(shù)量；βl為第l尺度的權(quán)值。

表1 為不同自然場(chǎng)景的曝光融合圖像清晰度測(cè)試結(jié)果，從表中的測(cè)試數(shù)據(jù)可以看出，本文算法在絕大多數(shù)場(chǎng)景的測(cè)試中，圖像清晰度測(cè)試結(jié)果優(yōu)于其他對(duì)比算法，表明本文算法得到的圖像保留了場(chǎng)景更多的微小細(xì)節(jié)、有更好的圖像清晰度。表2 給出了9 組不同自然場(chǎng)景的IQA 測(cè)試結(jié)果。在絕大部分場(chǎng)景測(cè)試中，本文算法的測(cè)試結(jié)果高于其他算法，說(shuō)明本文算法在曝光融合前后保持了更好的圖像結(jié)構(gòu)連續(xù)性和結(jié)構(gòu)相似性。

表1 圖像清晰度測(cè)試結(jié)果Tab. 1 Test results of image definition

綜合上述兩項(xiàng)客觀指標(biāo)測(cè)試結(jié)果，本文算法有更加優(yōu)良的性能，獲得的圖像具有更高的圖像質(zhì)量。

3.4 計(jì)算效率

本文所有的比較算法均在同一臺(tái)PC 上采用Matlab R2016a編程實(shí)現(xiàn)。表3為本文算法與另外四種曝光融合算法計(jì)算效率的對(duì)比結(jié)果。本文算法和文獻(xiàn)［18］的算法效率相當(dāng)，兩者的計(jì)算效率都較高，但本文算法獲得的圖像效果更好。文獻(xiàn)［12］的算法效率次之，但該算法只適用于靜態(tài)場(chǎng)景。文獻(xiàn)［20-21］的算法效率較低。實(shí)驗(yàn)結(jié)果表明：本文算法在提高曝光融合圖像質(zhì)量的同時(shí)，保持了較高的計(jì)算效率。

表2 IQA測(cè)試結(jié)果Tab. 2 Test results of IQA

表3 計(jì)算效率測(cè)試結(jié)果 單位：sTab. 3 Test results of computational efficiency unit：s

4 結(jié)語(yǔ)

本文提出了一種實(shí)用而高效的曝光融合算法。該算法利用滑動(dòng)窗將圖像序列分成規(guī)則的圖像塊，通過(guò)計(jì)算圖像塊的局部特征，采取加權(quán)融合的辦法得到最終的融合圖像。選取12 組不同自然場(chǎng)景的曝光序列，分別在靜態(tài)場(chǎng)景和動(dòng)態(tài)場(chǎng)景從主觀和客觀兩方面完成了對(duì)算法的測(cè)試和分析。實(shí)驗(yàn)結(jié)果表明：本文算法保持了圖像良好的整體效果，保留了場(chǎng)景豐富的可視信息，完全去除了動(dòng)態(tài)場(chǎng)景的鬼影現(xiàn)象。無(wú)論在靜態(tài)場(chǎng)景還是動(dòng)態(tài)場(chǎng)景，本文算法都表現(xiàn)出了更加優(yōu)異的性能，得到了令人滿意的圖像。后期將考慮進(jìn)一步提升算法的性能，以便將算法應(yīng)用于實(shí)際項(xiàng)目中。