Reinhard算法模型的色调映射算法的研究

第16卷第1期2013年3月成都工业学院学报JOURNAL OF CHENGDU TECHNOLOGICAL UNIVERSITY Vol．16，No．1March．，2013收稿日期：2013－01－18基金项目：四川省科技支撑计划(2012GZ0090)作者简介：岳丽(1987－)，女(汉族)，甘肃嘉峪关人，在读硕士研究生，研究方向:数据库与信息系统。

胡大裟(1976－)，男(汉族)，四川泸州人，讲师，博士，研究方向:并行计算，编程语言，软件工程。

基于Reinhard 模型的色调映射算法的研究岳丽，胡大裟，蒋玉明(四川大学计算机学院，成都610065)摘要：传统显示设备由于受自身动态范围的限制无法很好地显示高动态范围图像，因此需要通过色调映射算法进行合理的动态域压缩，不同的压缩算法对图像最终的显示质量有很大的影响。

综述了现有高动态范围图像的色调处理方法，分析了Reinhard 基于摄影模型的色调映射算法的推导过程，通过几组对比实验分析了算法中的参数选择以及Reinhard 全局色调映射算法和局部色调映射算法在处理图像上的不同优势。

关键词：高动态范围图像;色调映射;全局映射;局部映射中图分类号：G718文献标志码：A 文章编号：2095－5383（2013）01－0018－04Research on HDR Image Tone Mapping Based on Reinhard ’s AlgorithmYUE Li ，HU Dasha ，JIANG Yuming（College of Computer Science ，Sichuan University ，Chengdu 610065，China ）Abstract ：Traditional display device couldn ’t display high dynamic range image well due to its dynamic range limitation ，and this dynamic range mismatch must be overcome with a reasonable tone mapping method by compressing the dynamic range．This paper firstly introduced the existing tonemapping methods of HDRI．After that ，it analyzed emphatically the derivation process of Reinhard ’s tone mapping algorithm．Finally ，the authors analyzed the algorithm of parameter selection and the different advantages of Reinhard global tone mapping algorithm and local tone mapping algorithm in image processing through several group of experiments．Key words ：HDRI ；tone mapping ；global mapping ；local mapping长期以来，图像传感器的动态范围都很小，但是真实场景中亮度的动态变化范围却非常广，平常大部分场景的亮度范围都远远超过了图像传感器所能感受的动态范围，因此，需要一种特殊的图像，即高动态范围图像（High Dynamic Range Image ，HDRI ）来满足要求。

基于Reinhard算法的局部色彩迁移改进算法
Reinhard算法是一种常用的色彩迁移算法，可以将一幅图像的色彩风格应用到另一幅图像上。

该算法存在一些问题，例如在某些情况下会出现色彩过于饱和或变暗的情况。

为了解决这些问题，我们可以对Reinhard算法进行改进。

我们可以引入局部色彩迁移的概念。

传统的Reinhard算法是基于整个图像的全局色彩迁移，即将整个源图像的色彩风格应用到整个目标图像上。

而局部色彩迁移则是考虑到每个像素的邻域信息，根据局部邻域的色彩分布来进行色彩迁移。

这样可以得到更细致的色彩迁移效果。

我们可以对Reinhard算法的颜色映射函数进行改进。

传统的Reinhard算法使用的颜色映射函数是一个全局的曲线，通过计算源图像和目标图像的平均值和方差来确定。

这种方法可能会造成色彩过度饱和或变暗的问题。

改进的方法是使用局部的颜色映射函数，通过分别计算每个像素点的邻域平均值和方差来确定颜色映射函数。

这样可以保持局部色彩的平衡。

我们可以引入自适应的参数调整方法。

传统的Reinhard算法使用固定的参数来进行色彩迁移，这可能并不适用于所有的图像。

改进的方法是根据图像的特征来自动调整参数。

可以根据图像的亮度和对比度来动态调整曲线的形状和斜率。

这样可以使得色彩迁移更加自然。

基于Reinhard算法的局部色彩迁移改进算法可以通过引入局部色彩迁移、改进的颜色映射函数和自适应的参数调整方法来解决传统Reinhard算法存在的问题。

这种改进算法可以得到更好的色彩迁移效果，使得图像的色彩更加平衡和自然。

基于Reinhard算法的局部色彩迁移改进算法随着计算机视觉技术的不断发展，图像处理领域中色彩迁移技术的应用越来越广泛。

在许多应用中，色彩迁移技术可以使一幅图像的色调与另一幅图像相似，从而达到类似的视觉效果。

Reinhard算法是一种著名的全局色彩迁移算法，但它无法处理图像中的局部信息。

本文提出了一种基于Reinhard算法的局部色彩迁移改进算法，能够更好地保留图像的局部信息。

首先，我们简要回顾Reinhard算法的基本原理。

该算法将输入图像的颜色映射到输出图像，使得输入图像的颜色分布与输出图像的颜色分布相似。

该算法中，首先计算输入图像和输出图像的CIELAB色彩空间下的平均色彩和方差，然后通过对输入图像进行局部色调变换来实现色彩迁移。

Reinhard算法具有很高的效率和良好的色彩迁移效果，但是它只能处理全局信息，而且在处理一些图像时会出现色彩失真的问题。

为了处理图像中的局部信息，我们提出了一种基于Reinhard算法的局部色彩迁移改进算法。

该算法分为两个步骤：局部颜色分布估计和局部色彩变换。

在第一步，我们采用k-means聚类算法来估计输入图像和输出图像的局部颜色分布。

在输入图像中，我们将每个像素点的周围像素分为若干个局部区域，并对每个局部区域进行聚类，得到该区域中最常见的颜色。

通过这样的方法，我们可以得到输入图像和输出图像的局部颜色分布。

在第二步，我们对输入图像进行局部色彩变换。

对于输入图像的每个像素点，我们计算其所属的局部区域的平均颜色和方差，然后使用Reinhard算法对该局部区域进行颜色变换。

重复这个过程，直到处理完整个图像。

通过这种方式，我们可以实现对图像局部信息的保留。

此外，我们还可以通过调整局部区域大小来控制算法的效果。

当局部区域较小时，算法将更为准确地保留图像的局部信息，但同时会降低算法的速度。

反之，当局部区域较大时，算法速度较快，但可能会导致一些局部信息的丢失。

以下为几幅经过我们算法处理后的图像，可以看见相比于Reinhard算法，我们的算法能够更好地保留图像局部信息，从而得到更加自然的视觉效果。

基于Reinhard算法的局部色彩迁移改进算法局部色彩迁移是一种用于图像处理的方法，主要用于将一张图像的色彩特征迁移到另一张图像中。

Reinhard算法是一种经典的色彩迁移算法，它通过对图像的色彩统计特征进行变换来实现迁移。

Reinhard算法存在一些问题，如无法处理图像中的细节信息，容易产生色彩失真等。

为了解决这些问题，研究者提出了许多改进的局部色彩迁移算法。

改进的局部色彩迁移算法主要包括以下几个方面的改进。

改进算法可以针对不同的图像区域选择不同的迁移方法，并对每个区域进行分别处理。

这种方法可以更好地保留图像中的细节信息，并提高色彩迁移的准确性。

改进算法可以采用多尺度的方式进行迁移，即在不同的尺度下对图像进行处理，然后进行融合。

这种方法可以提高迁移的鲁棒性，并增强迁移结果的细节。

改进算法还可以结合其他图像处理技术，如边缘检测、纹理生成等，来进一步优化迁移结果。

在改进算法中，局部色彩迁移的核心步骤是颜色变换。

传统的Reinhard算法通过对图像的颜色分布进行统计，并对颜色值进行变换来实现迁移。

改进算法可以在此基础上进一步优化颜色变换的过程。

可以通过对图像的颜色分布进行建模，并根据模型来选择合适的变换函数。

改进算法还可以考虑图像的局部结构信息，在颜色变换的过程中保持图像的结构一致性。

除了颜色变换，改进算法还可以应用其他的图像处理技术来提高迁移的效果。

可以通过边缘检测来保护图像的边缘信息，防止色彩失真。

还可以使用纹理生成技术，在迁移的过程中增加图像的纹理细节。

这些技术的应用可以提高迁移结果的质量，并且使得迁移结果更加自然。

基于Reinhard算法的局部色彩迁移改进算法可以在保持色彩特征的提高迁移的准确性和鲁棒性。

通过选择合适的迁移方法、引入多尺度处理和结合其他图像处理技术，可以进一步优化迁移结果，并增强图像的细节信息。

这些改进为局部色彩迁移算法的应用提供了更多的可能性，使得色彩迁移在图像处理中得到了广泛的应用。

reinhard方法-回复什么是Reinhard方法，并探讨它在不同领域中的应用。

[Reinhard 方法] 是一种图像处理方法，旨在改善图像的对比度和色调映射。

它由Erik Reinhard于2001年提出，并被广泛用于计算机图形学、计算机视觉和数字图像处理等领域。

首先，我们来了解一下Reinhard方法的基本原理。

该方法的核心思想是将输入图像的色彩映射到适当的色调范围，使图像更加生动自然。

Reinhard方法将图像处理任务转化为将像素值转换为新的亮度和颜色通道。

通过对图像亮度进行转换，可以增强图像的对比度；通过对颜色通道进行转换，可以调整图像的色调分布。

这种转换可以通过以下步骤完成：第一步，将输入图像从RGB颜色空间转换为luminance和chrominance 颜色空间。

Luminance表示图像的亮度信息，通常以灰度值表示；Chrominance表示图像的色度信息，即图像的颜色信息。

第二步，通过对luminance颜色空间进行对数压缩来提高图像的对比度。

对数压缩可以确保亮度值在合适的范围内，避免出现过亮或过暗的图像。

第三步，通过应用色调映射函数对chrominance颜色空间进行调整，以改变图像的色调分布。

这种映射函数可以根据具体需求来设计，例如，可以通过映射函数来调整图像的颜色温度，使其更加暖色或冷色。

第四步，将调整后的luminance和chrominance颜色空间转换回RGB 颜色空间，以生成最终的处理结果图像。

通过该转换，图像的亮度和颜色信息将被重新映射到新的范围内，使图像达到更加自然和生动的效果。

Reinhard方法可以在各种应用中发挥重要作用。

在计算机图形学中，该方法常用于渲染引擎中，通过对渲染结果进行色调映射，使虚拟场景看起来更加真实。

在计算机视觉中，Reinhard方法可以应用于图像增强、图像修复和视频处理等任务中，提高图像的质量和可视化效果。

在数字图像处理中，该方法可用于图像编辑和图像生成等领域，通过调整图像的色调和对比度，改善图像的视觉感受。

2020年11期创新前沿科技创新与应用Technology Innovation and Application基于Reinhard 算法的局部色彩迁移改进算法晋诗瑶，张天旭，吴军，刘金辉，王媛，郑齐凭（中国矿业大学信息与控制工程学院，江苏徐州221116）1概述图像的颜色迁移是图像处理中一门新兴的热门技术，通过图像之间色彩的传输，可以合成具有不同色彩效果的图像，满足人们的不同需求。

对于灰度图像的色彩迁移，不仅可以提高其观赏性、艺术性，提高其社会价值、商业意义，例如对大量黑白图片、海报、工业设计稿件等，还可以应用到医学、遥感及其他学科领域中，通过色彩传输来突出要探测的目标区域，便于进一步地诊断、识别等。

传统的灰度图像色彩迁移算法，如Reinhard 算法，对于局部颜色迁移，不能很好的保留原始图像的细节信息，因此，本文提出一种基于Reinhard 算法的局部色彩迁移改进算法，将具有强关联性的RGB 颜色空间模型，转化到具有正交基的l αβ颜色空间上，通过加入新的局部参考图像和源图像信息，引入新的局部标准差比值因子，实现保持细节的颜色迁移，得到一幅具有全新色彩的自然的新图像。

2色彩空间模型概述2.1RGB 色彩空间RGB 空间是一种应用最为广泛的颜色空间模型，它以R ，G ，B 三种最基本的颜色作为三基色，构成一个立方体模型，三种颜色的混合比例不同，所得到的颜色也不同，在RGB 空间中，任意色光F 都能RGB 三种分量的不同混合叠加而形成。

RGB 模型简单直观，但是RGB 三种基色高度相关，如果任一基色发生改变，那么它所构成的颜色在很大程度上也要发生改变。

2.2l αβ色彩空间l αβ色彩空间是Ruderman 提出的一种新的色彩空间，它改进了RGB 模型的强相关性，其中l 表示非色彩通道，α表示彩色的黄-蓝通道，β表示红-绿通道。

由于三种通道之间相关性较小，可以通过不同的方法对此色彩通道进行运算，干扰性较小，利用此色彩空间实现颜色迁移，可以得到比较好地效果。

基于Reinhard算法的局部色彩迁移改进算法局部色彩迁移是一种常用的图像处理技术，它可以在保持图像空间结构的同时改变图像的色彩分布，常应用于图像风格迁移、图像着色等方面。

Reinhard等人提出的全局色彩迁移算法是一种经典的色彩迁移方法，但在处理复杂图像时存在着色偏和失真的问题。

为了解决这一问题，研究者们提出了基于Reinhard算法的局部色彩迁移改进算法，该算法能够更加准确地保持局部细节和色彩特征，取得了良好的效果。

本文将重点介绍基于Reinhard算法的局部色彩迁移改进算法的原理和方法，并探讨其在图像处理领域的应用前景。

一、Reinhard算法的局限性Reinhard等人于2001年提出了一种基于颜色直方图的全局色彩迁移算法，该算法使用颜色均值和标准差来描述图像的色彩特征，然后通过调整色彩均值和标准差的方式来实现色彩迁移。

该算法简单直观，适用于大多数图像，但在处理复杂的图像时存在一定的局限性。

具体来说，Reinhard算法存在以下几个问题：1.色彩偏移问题：在处理包含多种颜色和纹理的复杂图像时，Reinhard算法往往会导致色彩偏移，即迁移后的图像与原图相比出现明显的色彩失真现象。

2.细节丢失问题：由于全局色彩迁移算法无法准确保持图像的局部细节和纹理信息，因此在处理包含丰富纹理的图像时往往会导致细节丢失，影响图像的视觉质量。

为了解决Reinhard算法存在的问题，研究者们提出了一系列基于Reinhard算法的局部色彩迁移改进算法，通过引入局部信息和纹理特征，有效地改善了色彩迁移的质量和效果。

二、基于Reinhard算法的局部色彩迁移改进算法原理介绍基于Reinhard算法的局部色彩迁移改进算法主要包括以下几个关键步骤：局部特征提取、色彩迁移映射和像素调整。

下面将详细介绍这些步骤的原理和方法。

1.局部特征提取为了准确保持图像的局部细节和纹理特征，基于Reinhard算法的局部色彩迁移改进算法首先需要提取图像的局部特征。

基于Reinhard算法的局部色彩迁移改进算法Reinhard算法是一种用于图像色彩迁移的经典算法，它能够将一个图像的色彩风格转移到另一个图像上。

Reinhard算法存在一些问题，如无法处理细节部分的色彩迁移等。

为了改进这些问题，我们提出了基于Reinhard算法的局部色彩迁移改进算法。

我们的改进算法首先通过对原始图像进行分割，将图像划分为多个局部区域。

然后，对于每个局部区域，我们分别应用Reinhard算法进行色彩迁移。

这样，我们就能够分别处理每个区域的色彩迁移，提高了算法的准确性和细节保留能力。

在色彩迁移的过程中，我们还考虑了局部区域的特征，比如颜色分布和纹理信息。

通过将这些特征结合到Reinhard 算法中，我们能够更好地保持原始图像的细节，并获得更加自然和真实的色彩迁移结果。

我们还引入了自适应参数调整策略来优化算法的性能。

具体而言，我们将Reinhard算法中的参数进行自动调整，根据图像的特征和需求，选择合适的参数值。

这样一来，我们能够更好地适应不同的图像和色彩迁移任务，并获得更好的迁移效果。

实验结果表明，我们的改进算法在色彩迁移任务上表现出了较好的性能。

与传统的Reinhard算法相比，我们的算法能够更好地保持原始图像的细节，并提供更加真实和自然的迁移结果。

在处理不同类型的图像和不同风格的色彩迁移任务时，我们的算法也展现出了较好的适应性和稳定性。

我们提出了一种基于Reinhard算法的局部色彩迁移改进算法。

该算法通过分割图像、考虑局部特征和自适应参数调整等策略，提高了色彩迁移的准确性和细节保留能力。

我们的实验结果表明，该算法在色彩迁移任务上具有较好的性能和适应性，有望在图像处理和艺术设计领域中得到广泛应用。

逆色调映射算法的研究及其在影视领域中的应用黄嘉宝1 顾晓娟2(1.北京电影学院中国电影高新技术研究院,北京100088)(2.北京电影学院影视技术系,北京100088)ʌ摘要ɔ逆色调映射算法使得传统的标准动态范围影像上变换为当前逐渐兴起的高动态范围影像㊂本文通过研究逆色调映射算法的发展历史,对不同时期㊁不同分类的算法进行了详细的梳理,探讨其在当今影视领域中的应用,最后提出了几条逆色调映射算法在内容创作上的设计原则,并对该技术的未来前景做了简要的分析㊂ʌ关键词ɔ高动态范围 逆色调映射算法 模型驱动 数据驱动ʌ中图分类号ɔT N 8731前言近几年来,高动态范围(H i g h D yn a m i c R a n ge ,H D R )技术在影视领域中逐渐兴起:在电视领域,越来越多的消费级H D R 显示器投入市场,国内外的电视台和网络媒体都纷纷积极推动H D R 节目在业务上的发展;在电影领域,具有超高光通量的激光光源放映机以及大尺寸L E D 银幕的出现,使得人们可以在电影院中观看H D R 电影㊂然而,H D R 技术在行业内迅速发展的同时,也存在着一些限制㊂在制作端,拍摄㊁制作㊁存储H D R 内容需要更高的成本㊁更高的技术要求和一定的设备支持;在用户端,家用电视机㊁电脑㊁手机等显示设备从S D R 过渡到H D R 还需要很长一段时间;在影院端,由于成本和技术的制约,放映设备从S D R 升级为H D R 也非一蹴而就㊂因此,目前大部分电视节目㊁电影㊁网络视频等内容都还是以S D R 的标准进行拍摄㊁制作和播出的,而这些S D R的发行母版并达不到H D R 电视频道㊁院线及网络平台的播出标准㊂面对H D R 影像需求量的不断增长,解决目前H D R 内容匮乏的方法之一就是使用逆色调映射算法(I n v e r s e T o n e M a p p i n g O pe r a t o r ,i TMO )将现有的S D R 影片转换成H D R 版本㊂逆色调映射,指的是将影像从低动态范围拓展为高动态范围,使其在H D R 显示设备上以适合的对比度显示[1]㊂目前,国内外已经有许多学者做过了将S D R 内容转换为H D R 的研究,现有的算法可以分为两大类,一类是模型驱动(M o d e l -D r i v e n )的算法,另一类是数据驱动(D a t a -D r i v e n )的算法㊂本文首先对不同时期㊁不同分类的逆色调映射算法的发展历史进行了详细的梳理,探讨其在当今影视领域中的应用并举出了实例,最后提出了几条逆色调映射算法在内容创作上的设计原则,对该技术的前景做出了简要的分析㊂ʌ作者信息ɔ黄嘉宝(1995-),女,硕士,北京电影学院中国电影高新技术研究院硕士研究生在读,主要研究方向:数字电影技术;顾晓娟(1980-),女,理学博士,北京电影学院影视技术系副研究员,主要研究方向:数字电影技术㊂02 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研2逆色调映射相关算法2.1模型驱动的逆色调映射算法模型驱动的逆色调映射算法可以由一个数学公式来描述规律,表示为:L H D R =f (L S D R ),其中L S D R 对应S D R 影像亮度,f (㊃)表示逆色调映射,L H D R 对应映射后的H D R 影像亮度㊂模型驱动的算法在处理图像上有一定的优势,例如计算量小㊁图像处理速度快,以及可以直观地用曲线来表示㊂按照图像处理的方式,目前算法的模型可分为四大类,分别是全局模型㊁分段模型㊁基于蒙版的模型和基于用户的模型㊂2.1.1全局模型在全局模型中,S D R 影像的同一帧画面中的每个像素都应用同一种逆色调映射方式进行变换㊂(1)线性变换模型A k yüz 等人在不同动态范围下的主观感受实验中发现,S D R 图像不需要经过复杂的处理,仅仅通过简单的线性缩放就能达到令人接受的H D R 效果[2]㊂他们采用如下公式对S D R 影像进行亮度范围的拓展:L H D R =L H D R m a x ˑL S D R -L m i n L m a x -L m i n(1)其中L m a x 表示画面中的最高亮度,L m i n 表示画面中的最低亮度,L H D R m a x 表示H D R 显示器的最高亮度㊂虽然A k yüz 在主观实验中发现对亮度进行线性缩放使得影像的平均亮度更亮,更能得到观测者的青睐,但是他们的算法在今天可能并不适用㊂首先,该算法中映射后的H D R 图像亮度受每帧画面的最大亮度L m a x 及最小亮度L m i n 所影响,因此它不适用于动态视频的逆色调映射,因为可能造成闪烁的现象㊂其次,随着目前H D R 显示技术的发展,H D R 显示器的峰值亮度可以达到4000尼特及以上,那么线性变换使得影像的平均亮度大大提升,从而在视觉上造成令人不适的结果㊂(2)非线性变换模型M a s i a 等人提出自适应伽马曲线,适用于拓展曝光过度图像的亮度范围[3]㊂通过测量图像的最大亮度㊁最小亮度和平均亮度,为每幅图像计算出合适的伽马值,进而对S D R 图像进行伽马校正,提高其动态范围㊂其公式可表示为:L H D R =L H D R m a x ˑL S D RL S D R m a xγ(2)其中L H D R m a x表示H D R 显示器的峰值亮度,L S D R m a x表示S D R 显示器的峰值亮度,γ=a ˑk e y +b ,a 和b 为常数(a=10.44,b=-6.282),k e y 表示画面的亮度倾向,该值越高,画面的平均亮度越高,反之画面的平均亮度越低,计算方式为:k e y=l o g L S D R a v g -l o g L S D R m i n l o g L S D R m a x -l o g L S D R m i n (3)L S D R a v g表示图像的平均亮度,计算方式为:l o g L S D R a v g =1nðx ,yl o g L S D R x ,y +δ (4)(x ,y)表示图像中像素的坐标,δ是一个为了避免L S D Rx ,y =0时产生奇异性的一个很小的数㊂即便使用伽马曲线可以控制图像的平均亮度在一个不太高的区间内,这种算法的局限性在于它可能增大图像的对比度,使得转换成H D R 后的影像损失一部分的暗部细节㊂H u o 等人受人类视觉系统(H u m a n V i s u a lS ys t e m ,H V S )特性的启发,提出了一种基于视网膜响应的逆色调映射算法[4]㊂算法模拟了人眼视觉适应的特性,将输入亮度进行非线性变换,其公式可表示为:L H D R =V S D R σx ,ynV S D R m a x -VS D R +δ1n(5)式(5)中的V S D R 表示S D R 影像的码值,σx ,y表示映射为H D R 影像后的像素(x ,y )周围的局部亮度,使用双边滤波[5]对周边像素进行加权平均计算该值,即σx ,y =L x ,yσs ,σr ,其中σs 表示空间域中的权重,σr 表示亮度域上的权重㊂δ是一个为了避免分母为0的一个很小的常数,n 表示灵敏度控制指数,取值为0.7到1.0,原文中作者建议该值取0.9㊂该算法的可取之处在于从人体生理学的角度上进行研究,然而,它需要人为地对n 的值进行调参㊂其次,使用双边滤波导致了算法的时间复杂度较高,12 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研需要逐帧对画面的局部循环进行计算,且卷积核的尺寸越大,滤波的速度越慢㊂另外,与M a s i a 的算法类似,H u o 的算法结果会随着画面中视觉元素的变化而变化,将它们应用在动态视频中可能会产生画面闪烁的现象㊂2.1.2分段模型分段模型将同一帧S D R 画面根据亮度区间进行分组,每组应用不同的逆色调映射方式对像素的亮度范围进行拓展㊂M e yl a n 等人提出了一种色调缩放函数,该函数为包含了两种不同斜率的分段线性函数,分别对图像的漫反射区域和高光区域的亮度进行不同程度的线性缩放,分段拓展图像的动态范围[6]㊂另外,在高光区域应用了图像平滑,以减少分段缩放造成图像灰度变化的不连贯,其公式可表示为:L H D R =k 1ˑV -S D R V -S D R <ωk 2ˑV -S D R +b 2 V -S D R ⩾ω(6)其中,V -S D R 表示归一化的S D R 影像的码值,k 1㊁k 2㊁b 2为分段函数中的常数,计算方式为k 1=ρω,k 2=L H D R m a x -ρ1-ω,b 2=L H D R m a x -k 2,其中L H D Rm a x 表示HD R 显示器的最高亮度,ρ为漫射白的最高亮度,ω为S D R 影像码值的拐点,这两个变量需要手动调参㊂2.1.3基于蒙版的模型基于蒙版的模型利用单色蒙版对画面的不同区域进行划分,一般将画面分割成高光区域和非高光区域,进而对不同的区域进行相应的处理㊂比起全局模型和分段模型,基于蒙版的模型更适用于对画面进行细化处理,正因如此,该模型的计算量更大,运算时间相对较长㊂B a n t e r l e 等人提出了一种基于蒙版的逆色调映射框架[7],首先使用逆伽马变换将输入的S D R 图像亮度进行线性化处理,接着应用基于R e i n h a r d 的摄影学色调重现算子的逆色调映射算子[8]将S D R 图像拓展成H D R 图像,同时根据图像分割出来的高光区域计算出插值权重,最后使用线性插值对拓展后的图像与原始的S D R 图像进行组合㊂R e m pe l 等人提出了一种名为L D R 2H D R 的逆色调映射算法[9],该算法首先将S D R 图像中非线性的像素值通过逆伽马变换转换成线性亮度,接着使用线性变换扩大图像的对比度,同时使用双边滤波对图像进行平滑处理以抑制噪声的产生;下一步使用灰度蒙版分割出画面的高光区域,并对蒙版应用高斯滤波以柔化边缘,然后使用边缘停止函数(E d g e -s t o p p i n g Fu n c t i o n )检测画面里高光的边缘,以防止羽化后的蒙版影响高光边缘外的像素;最后对蒙版分割出的高光区域进行线性增强㊂如图1所示,L D R 2H D R 将输入的S D R 图像(左1)使用灰度蒙版(右2)将高光区域划分出来进行亮度增强,最终输出H D R 图像(右1)㊂图1 R e m pe l 的L D R 2H D R 逆色调映射算法流程①K o v a l e s k i 和O l i v e i r a 也提出了一种基于蒙版的模型,它包括了基于双边滤波(C r o s s -B i l a t e r a l F i l -t e r i n g)的亮度增强函数,可以处理曝光不足的画面[10]㊂在他们的算法中,第一步对原S D R 图像应用双边滤波以去除噪声,然后对图像线性化处理;第二步,使用双边网格将图像中码值高于230(原文使用8比特位深的图片进行实验,码值在0~255间)的像素区分开,并对其应用双边滤波,以平滑高光区域的轮廓,同时保证了物体的边缘不受影响;最后,将原S D R 的亮度映射到目标显示器的动态范围内,同时高光区域也得到了增强,二者相结合得到最终H D R 画面㊂后来该算法得到了改进[11],图像无论在任何曝光条件下都能完成高质量的转换,并且支持实时对S D R 视频进行处理㊂2.1.4基于用户的模型在基于用户的模型中,需要涉及到用户的参与和交互,和上文所述的几类自动算法相比,此类算法属于半自动模型㊂W a n g 等人提出了一种基于用户的算法,需要22 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研人为地在图像中使用画笔工具框选出欠曝或过曝的区域,并框选出与之具有相似纹理的正常曝光区域,通过纹理合成技术来重构欠曝或过曝区域的细节[12]㊂与自动的算法相比,虽然W a n g 的算法在重构欠曝或过曝区域的细节上更具有真实性,但需要耗费较长的时间进行人工处理,并且该算法不适用于视频转换㊂J a i n 等人提出了I n t e r n e t H D R 算法[13]㊂和W a n g 的算法类似,该算法涉及到用户交互,不同之处在于W a n g 使用原图中相似纹理处来恢复丢失的信息,而J a i n 通过使用G o o g l e 图像搜索引擎来获取与原图相似的信息,以恢复S D R 图像中阴影和高光区域丢失的信息来创建H D R 图像㊂图2 D i d yk 的半自动系统的软件截图②D i d yk 等人开发了一套用于增强S D R 视频中高光区域的半自动系统[14],首先对画面中的过曝区域进行检测,并自动对过曝区域进行预分类,将其分成漫反射㊁镜面反射㊁光源三个部分,如图2中蓝色㊁品红㊁黄色三种色块分别与之对应,然后将分类结果显示给用户;在用户协助阶段,用户可以选图3 E n d o 的深度逆色调映射算法流程③择接受或者修改系统自动分类的结果;最后使用一个自适应非线性色调曲线(A d a pt i v e N o n -L i n e a r T o n e -C u r v e)对镜面反射区域和光源两个部分进行亮度和对比度的增强㊂与其他自动算法相比,人工介入更能保证高质量视频的输出,同样,该半自动系统需要人为花费一些时间进行校正和质检的工作㊂2.2数据驱动的逆色调映射算法近几年来,基于深度学习的图像处理提供了数据驱动的解决方案,这些算法模型基本上都不再使用封闭的数学公式来描述㊂它们和基于模型驱动的算法的区别,首先,在建模方式上,模型驱动的算法是人类根据现实规律来建模,而数据驱动的算法是计算机在大量数据的基础上经过训练和拟合,形成一个决策模型㊂其次,在对图像的处理方式上,模型驱动是对图像中的像素进行直接处理,而数据驱动是对图像的抽象特征进行计算㊂另外,在处理结果上,大部分基于模型驱动的算法都不能补偿由于图像量化㊁曝光不足或过度㊁伽马校正等因素造成的图像信息丢失,它们解决的只是图像亮度的拓展,而基于数据驱动的图像增强算法不仅能改变图像的亮度曲线,还能自动地预测并重建出图像中丢失的信息㊂这类算法的建模步骤分为三步,首先需要收集大量的数据,其次建立起一个初步的神经网络,最后利用采集到的数据对该神经网络进行训练㊂其中,卷积神经网络(C o n v o l u t i o n a l N e u r a l N e t w o r k ,C N N )模型具有很高的学习能力,并且它的结构非常适用于图像处理㊂(1)基于自编码架构的逆色调映射模型自编码(A u t o e n c o d e r )架构由编码器(E n -c ode r )和解码器(D e c o d e r )两个部分组成㊂编码器是全卷积网络的结构,它负责提取输入的S D R 图像或影像的潜在特征㊂解码器是反卷积网络的结构,它负责将提取到的潜在特征转换为H D R 图像或影像㊂32 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研2017年,E n d o 等人提出了第一个基于深度学习的逆色调映射算法[15],该算法的主要思想基于包围曝光技术,从一张S D R 图像生成不同曝光的S D R 图像,最终合成一张H D R 图像㊂图3描述了该算法的学习和推理两个阶段:在学习阶段,使用摄影机响应曲线(C a m e r a R e s po n s e F u n c t i o n ,C R F )对H D R 图像生成k 张不同曝光的S D R 图像序列,让神经网络学习在这k 张图像的同一像素中不同亮度值的变化;在推理阶段,学习后的模型将生成具有k 个不同曝光量的S D R 图像序列,最后通过合并这些图像以创建H D R 图像㊂同年,E i l e r t s e n 等人设计了一种基于混合动态范围自动编码器的全卷积神经网络,通过预测图像中高光区域因过曝而丢失的信息,将S D R 图像重建为H D R 图像[16]㊂S D R 输入图像由编码器进行编码,通过卷积运算对输入的图像数据进行降维,编码后的图像由H D R 解码器进行解码,进而将抽象的潜在特征可视化输出的H D R 图像㊂同时残差连接在编码器和解码器之间传输数据,以利用高分辨率图像细节来重建H D R 图像㊂该算法的局限在于不擅长处理暗部区域,但它能够还原过曝区域的细节,前提是这个范围不宜太大㊂Y a n g 等人提出了一种深度往复式H DR 转换框架[17]㊂这个模型适用于曝光不足或曝光过度的图像校正,它包含了两个卷积神经网络,第一个网络负责处理输入的S D R 图像,将其转换成H D R 图像并重构阴影和高光部分丢失的细节,而第二个网络负责对重建的H D R 图像进行色调映射并输出细节经过增强的S D R 图像㊂X u 等人提出利用过去基于深度学习的算法来转换动态视频会导致画面闪烁的问题,因此他们设计了一种基于深度学习的视频逆色调映射算法[18],可对视频进行处理,同时解决帧间的闪烁问题㊂他们的视频转换框架由一个3D 全卷积神经网络和一个3D 反卷积神经网络构成,其中3D 的卷积神经网络在视频处理领域发挥巨大的优势㊂但他们使用的训练样本是在一个镜头中取连续的21帧组成的视频序列,即该算法是基于单个镜头来处理视频的,它的局限性在于不能处理多个镜头㊁多个场景的常规影片㊂(2)基于生成对抗网络的逆色调映射模型生成对抗网络(G e n e r a t i v e A d v e r s a r i a l N e t -w o r k ,G A N )由生成模型和判别模型组成,在每次的单独交替迭代训练中,生成网络和判别网络在博弈的过程中不断进行优化㊂N i n g 等人提出了基于生成对抗网络的逆色调映射模型[19],其中生成网络为自编码模型,负责将输入的S D R 图像转换成H D R 图像,而判别网络为分类模型,负责将生成网络输出的H D R 图像判别为真 H D R 图像或 假 H D R 图像㊂判别网络将分类后得出的结果由0到1以及之间的数字表示,若结果为1,则判定为 真 H D R 图像,若结果为0,则判定为 假 H D R 图像,若结果为0到1之间时表示图像为 真 H D R 的概率大小㊂该判定结果进而反馈给生成网络,作为损失函数来不断优化网络中的参数㊂(3)基于新型卷积神经网络架构的逆色调映射模型M a r n e r i d e s 等人提出了一种基于E x pa n d N e t 的深度卷积神经网络,用于在S D R 转换到H D R 的过程中重建丢失的信息[20]㊂设计该架构而摒弃自编码架构是为了避免编码器在对图像信息进行下采样和解码器对数据上采样为图像的过程中数据受到一部分的损失,造成图像清晰度的下降,以及减少光晕㊁条带等图像劣化的现象㊂E x p a n d N e t 架构分为三个分支,即局部分支㊁扩张分支和全局分支,分别负责处理S D R 图像的高频特征㊁中频特征和高频特征,然后三个分支的处理结果进行融合,并由一个小的卷积层进行进一步处理,以最终生成H D R 图像㊂3S D R 上变换H D R 在影视领域中的应用目前在影视领域中,将S D R 内容转换为H D R的需求量越来越大,因此在商业上也出现了一些利用现有的S D R 母版制作成H D R 母版以及在实况转播中实时将S D R 信号上变换为H D R 信号的解决方案㊂42 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研3.1利用S D R 母版制作H D R 母版将S D R 的视频母版制作成H D R 版本实际上属于内容创作的范畴,这个过程一般在D I 系统中完成㊂英国F i l m L i g h t 公司的B a s e l i gh t 调色系统针对H D R 调色进行了一些优化,并推出了逆色调映射工具B o o s t R a n ge ,使得S D R 素材的动态范围拓展到H D R 的动态范围上㊂该工具可以对每个镜头的逆色调映射效果进行微调,例如调节高光拓展的幅度㊁镜头整体曝光㊁峰值白㊁对比度㊁饱和度㊁高光饱和度和趾部㊂图4 B a s e l i g h t 中的B o o s t R a n ge工具图5灰度渐变图图6 灰度渐变图映射前(左)及映射后(右)示波器截图,纵轴为图像中像素的绝对亮度(单位:尼特)以亮度从100尼特映射到1000尼特为例,B o o s t R a n ge 工具基于某种非线性变换模型对S D R 图像进行逆色调映射㊂使用该工具对图5所示的灰度渐变图的亮度进行映射,参数设置如图4所示,其中F i l m L i g h t 建议将B o o s t 参数的值设置为1,其他参数设置为初始值㊂映射前的亮度在0~100尼特的区间均匀分布(见图6左),映射后图像的亮度在暗部和高光区域得到了非线性的拓展,而中间调部分的亮度趋向于使用线性的方式进行提高(见图6右)㊂图7为主观测试图在使用B o o s t R a n ge 工具进行逆色调映射前后的对比,图中红色方框强调了画面中亮度发生明显变化的区域(见图7左上㊁右上),如天空中云层反射的太阳光㊁人物面部和水果的高光和银质器具表面的镜面反射光㊂结合图7左下㊁右下示波器截图可见,该工具并不会大幅度提升画面中的暗部及中间调的亮度,而画面中的高光区域得到了适当的拓展㊂另外,由于亮度的整体提升,映射后画面的饱和度稍低于映射前画面的饱和度㊂图7 测试图映射前主观图(左上)㊁映射后主观图(右上)④及映射前示波器截图(左下)㊁映射后示波器截图(右下),纵轴为图像中像素的绝对亮度(单位:尼特)除此之外,可以使用在D I 系统中加载3D 查找表(L o o k -u p Ta b l e ,L U T )的方式来对S D R 素材进行亮度范围的拓展㊂例如,为了促进H L G 产品的推广,B B C 授权了一系列L U T 的许可,其中包括了四种B T .709(S D R )转换到B T .2100H L G 的3D L U T[21],它们分别适用于不同的应用条件,即显示相关的保持S D R 外观的直接映射㊁场景相关的匹配H D R 摄影机的直接映射㊁显示相关的保持S D R 创作意图的逆色调映射㊁场景相关的匹配52 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研H D R 摄影机的逆色调映射㊂3.2实况转播中的S D R 上变换H D R使用信号转换器可以实时地将S D R 视频信号转换为H D R 视频信号,这种方式通常用于电视台的实况转播㊂市面上常见的转换设备有S O N Y 的H D R C-4000和A J A 的H D R F S -H D R 等,用于4K 现场直播制作流程中4K /H D R 和H D /S D R 同步制作和播出,大大节省H D R 和S D R 独立制作的时间和成本㊂4结语高动态范围影像的制作已经成为了一种趋势,但是目前大部分影视工作者仍然以制作S D R 内容为主,而逆色调映射技术的研究正好解决H D R 内容不足的迫切问题㊂另外,现有的逆色调映射算法的优势及不足之处都可以为今后算法的设计提供有用的理论参考㊂为了展现高动态范围影像独特的魅力,从内容创作的角度出发,逆色调映射算法的设计可以依据以下几个原则:(1)画面的平均亮度不能过度拓展㊂由于影像中大部分元素都在中间调的范围内,若大大提高影像的平均亮度,画面的中间调过于明亮会导致观众眼睛的不适㊂报告I T U-R B T .2390-7建议,对于峰值亮度为1000尼特的显示器而言,漫射白的亮度应该在200尼特左右[22],镜面反射及光源的亮度应该在200尼特到1000尼特这一区间内㊂(2)适当将画面的最高亮度拓展到显示器的峰值亮度㊂相比传统的S D R 影像,H D R 影像利用了更多的资源去存储从漫射白到高光白的细节信息㊂在影像质量允许的范围内,以及在不影响画面主体作为首要兴趣点的前提条件下,可以尝试把画面中例如火焰㊁爆炸㊁灯泡等元素的高光推到极限,其原因首先是这充分利用了H D R 影像的码值,其次是使得影像更接近于真实场景,增强观众的沉浸感㊂(3)保持画面暗部的细节㊂H D R 显示器的黑电平比常规显示器的黑电平要更低,因此H D R 影像具有层次更丰富的暗部细节㊂在对画面整体进行亮度缩放的同时,需要注意画面的暗部应该适当地向更低的电平进行拓展㊂(4)两个相邻镜头的平均亮度不宜相差过大㊂虽然人眼能感知到的动态范围高达24档,但是静态的动态范围只有12档左右[23],人眼从观看较亮画面到较暗画面时会进行暗适应的过程,反之进行明适应的过程,而且暗适应的时间比明适应的时间要长很多㊂因此,若在长时间观看H D R 影像时不断地调节眼睛静态的动态范围,观众会造成用眼疲劳的问题㊂(5)合理地对色彩的饱和度进行处理㊂对于同一码值的像素而言,亮度越低,人眼感知到该像素的饱和度越高,亮度越高,人眼感知到该像素的饱和度越低㊂因此,对S D R 影像进行动态范围的拓展,可能会稍微降低画面的饱和度,尤其是高光部分㊂在这种情况下,需要适当对提升了亮度的高光区域进行一些饱和度的补偿㊂现在,我们正处于一个S D R 向H D R 过渡的时代,而逆色调映射算法正是这个时代的必然产物㊂在未来,这项技术也会有更广阔的发展空间㊂过去的电影由于拍摄㊁制作㊁发行和放映条件的限制,其分辨率㊁动态范围㊁色彩空间等画面的质量指标都没有达到最理想的效果,因此逆色调映射算法与超分辨率㊁色彩空间扩张㊁2D 转3D 等技术同理,都是为了将从前低质量的作品重制为高技术格式的影像,使得电影这一门艺术在科技不断更新的时代中一直传承下去㊂注释①图片来源:R e m pe l A .,T r e n t a c o s t e M .,S e e t z e n H .,e t a l .L d r 2H d r :O n -t h e -F l y R e v e r s e T o n e M a p p i n g of L eg a c y Vi d e o a n d P h o t o g r a p h s [J ].A C M T r a n s a c t i o n s o n G r a ph i c s ,2007,26(3):39.1-39.6.②图片来源:D i d yk P .,M a n t i u k R .,H e i n M .,e t a l .E n h a n c e -m e n t o f B r i g h t V i d e o F e a t u r e s f o r H D R D i s p l a y s [J ].C o m pu t e r G r a ph i c F o r u m ,2008,27(4):1265-1274.③图片来源:E n d o Y .,K a n a m o r i Y .,a n d M i t a n i J ..D e e p Re -v e r s e T o n e M a p p i n g [J ].A C M T r a n s a c t i o n s o n G r a p h i c s ,2017,36(6):177.1-177.10.④图片来源:北京电影学院影视技术系高技术格式测试片‘如你所见“镜头素材㊂62 现代电影技术N o .2/2021 A D V A N C E D M O T I O N P I C T U R E T E C H N O L O G Y视听科技教研。

基于Reinhard算法的局部色彩迁移改进算法摘要：色彩迁移是一种通过改变图像的色调和色彩分布来获取一种良好的可视化效果的图像处理技术。

Reinhard算法是一种常用的色彩迁移算法，但是在某些情况下，该算法容易产生颜色失真和锐化效应。

因此，本文提出了一种基于Reinhard算法的局部色彩迁移改进算法。

该算法首先将图像分割为多个区域，然后对每个区域进行颜色统计和匹配。

通过在区域之间进行颜色匹配，本文提出的算法可以在保持整体颜色分布的同时，有效地避免颜色失真和锐化效应。

实验结果表明，本文提出的算法可以显著提高色彩迁移的质量，并且在保持整体颜色分布的同时，能够减少颜色失真和锐化效应。

关键词：色彩迁移；Reinhard算法；局部色彩迁移；颜色匹配；颜色失真1. 引言色彩迁移是一种常用的图像处理技术，它可以通过改变图像的色调和颜色分布，来获取一个良好的可视化效果。

色彩迁移广泛应用于多个领域，如图形图像处理和计算机视觉。

近年来，随着数字媒体技术和计算机图形学的发展，色彩迁移得到了越来越多的关注和研究。

2. Reinhard算法Reinhard算法是一种基于颜色映射函数的色彩迁移算法。

它的思想是对图像的颜色空间进行分析，然后根据分析结果进行颜色映射。

具体来说，该算法将图像的颜色空间分解为3个分量：亮度、色调和饱和度。

然后，它通过统计所有像素的颜色分布，来建立一个颜色映射函数。

这个颜色映射函数将所有像素的颜色映射到一个新的颜色空间，从而实现图像的色彩迁移。

但是，在某些情况下，Reinhard算法容易产生颜色失真和锐化效应。

这是由于该算法在进行颜色映射时，将所有颜色都分为了两类：亮色和暗色。

这种分割方式往往不能很好地反映图像的颜色分布，因此导致了颜色失真和锐化效应的产生。

为了解决这个问题，本文提出了一种基于Reinhard算法的局部色彩迁移改进算法。

该算法通过将图像分割为多个区域，然后对每个区域进行颜色统计和匹配，来避免颜色失真和锐化效应的产生。