论文部分内容阅读
真实世界场景的动态范围可以高达十几个数量级,但是目前通用的拍摄和显示设备的动态范围远不能与之匹配。即使通过调节光圈和快门速度调整曝光度,获得的单张图像仍然会存在曝光过度的亮区和曝光不足的暗区,不能完整表达场景的真实信息。不仅如此,图像在拍摄和存储期间还会随时受到噪声干扰,进一步影响图像细节信息的表达。同时,随着图像分辨率的增大,对高动态影像的预处理和融合处理所需要的时间甚至长达数秒,严重制约了算法的进一步推广和应用。因此,研究针对噪声环境下高动态范围成像的加速方法就显得十分重要。针对噪声问题,本文通过图像去噪减弱噪声对图像信息的干扰;针对拍摄和显示设备动态范围不足引起的细节丢失问题,本文通过高动态范围融合成像技术解决;针对算法处理速度慢的问题,本文利用CPU+GPU的异构并行架构对算法加速。本文首先对获取到的同一场景不同曝光度图像序列进行空域滤波以抑制噪声,而后,在HSI色域空间以饱和度和对比度作为权重影响因子构建权重图,并且基于金字塔原理,对不同分辨率下的亮度图依据权重图进行融合,最终获得和真实场景更为接近、色彩逼真、信息保留完整的图像。为了提升处理速度,本文主要从数据访存优化和数据计算优化两方面进行算法加速的研究。数据访存优化方面通过缓存复用数据到局部存储器、缓存固定模板到常量存储器、合并内核函数等方法以缩短访存时间。数据计算优化方面,则通过坐标变换避免重复计算、用查找表代替运算结果范围固定的计算、一个工作项处理多个像素点等方法实现。本文分别应用双边滤波和非局部平均滤波对多曝光图像序列去噪,实验结果表明,不同场景下,两种算法均可以较为明显地改善多曝光融合结果图像的质量。和未去噪直接融合结果相比,应用双边滤波去噪时,三种场景的峰值信噪比平均提升了29.77%,结构相似度平均提升了10.85%;应用非局部平均滤波去噪时,三种场景的峰值信噪比平均提升了32.21%,结构相似度平均提升了12.7%。三种场景经过多曝光融合后,和融合前图像序列中质量最高的图像相比,平均梯度分别提高了9.70%,31.02%,18.60%,空间频率分别提高了11.99%,18.25%,18.49%。分析对比未经过CPU+GPU异构并行架构加速的运行时间和加速后的运行时间,本文针对三种场景的测试,分别获得了57.3倍、71.1倍和42.8倍的加速比。本文研究结果表明,噪声的去除和处理速度的加快对高动态影像多曝光融合的进一步应用有积极的推动作用。