数据准备
首先，我们准备三张不同曝光的图像，如下图所示。
曝光时间0.05
|
曝光时间0.0125
|
曝光时间0.003125
|
|---|
利用几个helper函数来从文件夹里读取图像和图像的曝光时间。
import PIL.ExifTags
from PIL import Image
import cv2
import numpy as np
from libtiff import TIFF
from os import listdir
from os.path import isfile, isdir, join
#读取文件夹下文件
def ListFiles(FilePath):
onlyfiles = [f for f in listdir(FilePath) if isfile(join(FilePath, f))]
return onlyfiles
#获得图像文件属性
def get_exif(fn):
img = Image.open(fn)
exif = {PIL.ExifTags.TAGS[k]: v
for k, v in img._getexif().items()
if k in PIL.ExifTags.TAGS
}
return exif
#获得图像曝光时间
def get_exposure_time(fn):
exif = get_exif(fn)
exposure_time = exif.get('ExposureTime')
return exposure_time[0]/exposure_time[1]
#获取图像曝光时间序列和图像
def getImageStackAndExpos(folderPath):
files = ListFiles(folderPath)
exposTimes = []
imageStack = []
for file in files:
filePath = join(folderPath,file)
exposTime = get_exposure_time(filePath)
currImage = cv2.imread(filePath)
exposTimes.append(exposTime)
imageStack.append(currImage)
#根据曝光时间长短，对图像序列和曝光时间序列重新排序
index = sorted(range(len(exposTimes)), key=lambda k: exposTimes[k])
exposTimes = [exposTimes[i] for i in index]
imageStack = [imageStack[i] for i in index]
return exposTimes,imageStack
预处理
由于上面的三张图像在拍摄的时候存在一定的抖动和位移情况，可以用SIFT算法对其配准Python进行SIFT图像对准。在配准的时候，首先需要找到一张曝光最好的照片作为基准照片，下面的一个函数计算照片中曝光不足和曝光过量的像素个数，把曝光不足和曝光过量像素最少的图像作为参考图像。
def getSaturNum(img):
gray_image = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
underExpos=np.count_nonzero(gray_image==0)
overExpos = np.count_nonzero(gray_image==255)
return underExpos + overExpos
def getRefImage(imgStack):
saturNum = imgStack[0].shape[0]*imgStack[0].shape[1]
for imgIndex in np.arange(len(imgStack)):
curImg = imgStack[imgIndex]
curSaturNum = getSaturNum(curImg)
print(curSaturNum)
if curSaturNum <= saturNum:
saturNum = curSaturNum
refIndex = imgIndex
return refIndex
在获得参考图像以后，使用Python进行SIFT图像对准中提供的siftImageAlignment进行配准，并且返回已经对其的图像序列。
def siftAlignment(imgStack,refIndex):
refImg = imgStack[refIndex]
outStack = []
for index in np.arange(len(imgStack)):
if index == refIndex:
outStack.append(refImg)
else:
currImg = imgStack[index]
outImg,_,_ = siftImageAlignment(refImg,currImg)
outStack.append(outImg)
return outStack
HDR合成
为了合成HDR图像，首先要拟合相机响应函数（Camera Response Function，CRF），关于拟合CRF的算法，后续博客中将详细介绍，这里，我们先关注Opencv-Python的实现。
import numpy as np
import cv2
import Utility #Utility为前面函数所在的模块
exposTimes,images = Utility.getImageStackAndExpos('stack_alignment')
refImgIndex= Utility.getRefImage(images)
images = Utility.siftAlignment(images,refImgIndex)
exposTimes = np.array(exposTimes,dtype=np.float32) #需要转化为numpy浮点数组
calibrateDebevec = cv2.createCalibrateDebevec(samples=120,random=True)
###采样点数120个，采样方式为随机，一般而言，采用点数越多，采样方式越随机，最后的CRF曲线会越加平滑
responseDebevec = calibrateDebevec.process(images, exposTimes) #获得CRF
mergeDebevec = cv2.createMergeDebevec()
hdrDebevec = mergeDebevec.process(images, exposTimes, responseDebevec) #
# Save HDR image.
cv2.imwrite("hdrDebevec.hdr", hdrDebevec)
网友评论