论文部分内容阅读
基于图像的建模和绘制(Image Based Modeling and Rendering,IBMR)在计算机图形学、计算机视觉、虚拟现实等领域得到越来越多的关注,相对于传统建模和绘制方法,表现出了很大的优势.其许多算法都假设图像的象素值与实际场景的亮度成线性关系,而实际上,传统图像的象素值与实际场景亮度并不是线性的,这样导致一些算法的效果变差.新型的高动态范围(High Dynamic Range,HDR)图像的象素值与实际场景的亮度成线性关系.用高动态范围图像代替传统图像,许多算法的效果可以明显得到提高.而将传统图像转化为高动态范围图像,关键是要正确标定相机响应函数.文献[Mitsunaga99]用多项式来描述相机响应函数,能够利用同一场景的多张不同曝光度图像来进行标定,但算法需要人工输入曝光度比的初始值,且稳健性不好.该文对它作了改进,使算法的稳健性大大提高,并且能够自动估计图像间曝光度比的初始值,省去了人工输入的麻烦.最后改进了算法迭代结束条件,使算法结束时取得最优解.高动态范围图像在普通显示设备上显示时必须先进行动态范围压缩.该文在介绍和分析了三种当前效果最好的高动态范围压缩算法的基础上,提出了一种新的快速、高质量的动态范围压缩算法:自适应γ校正算法,并将它与其他三个算法做了分析和比较.自适应对数映射方法[Drago03]是一个全局映射,特点是速度快,不会产生人为有害纹理.双边滤波器方法[Durand02]和梯度域压缩方法[Fattal02]都是局部映射,特点是能够很好地保留图像细节,但速度较慢,且容易引入人为有害纹理.该文提出的自适应γ校正算法属于全局映射,效果与自适应对数映射方法类似,但速度要更快,能够自动调整图像的饱和度,而且该文提出的算法灵活性更高,可以通过手工设置参数,得到不同曝光效果的结果图像.最后,该文将相机响应函数、高动态范围图像应用到全景图的图像拼接中,解决了不同曝光度图像拼接时出现亮度不一致的问题[Zhang04b].