Exposure Fusion

http://ntp-0.cs.ucl.ac.uk/staff/j.kautz/publications/exposure_fusion.pdf

很经典的文章，慢慢发现很多东西都是相同的

1 定义质量标准:对比度，饱和度，最佳曝光（0，1）

2 基于三个质量标准构建权重图，三个质量标准采用乘积进行合并。这样给每一个输入图创建了一个权重图。

  为什么现在乘积，因为类似取And，要保证所有的质量标准被考虑进去，当然给每一个质量标准进行一个幂运算，相当于赋予权重。

3 基于权重进行融合：

  保证融合后图像正常，即保证这些权重和为1，因此对2产生的权重进行求和归一化。

  3.1 直接基于权重进行融合，因为权重变化太快，就会出现不好的图像缝隙。图（b），这是因为我们组合的图像由于曝光时间不同，包含不同的绝对强度。

  3.2 我们可以通过使用高斯滤波器平滑权重图来避免急剧的权重图转换，但这会导致边缘出现不希望出现的晕圈，并在对象边界上溢出信息。图（C）

  3.3使用跨双边滤波器的边缘感知平滑操作似乎是更好的选择，然而，目前还不清楚如何定义控制图像，这将告诉我们应该在哪里停止平滑。使用原始灰度图像作为控制图像效果不佳，如图4d所示。此外，很难找到好的参数的交叉双边过滤器(即。，以控制空间和强度的影响)。

  3.4 基于金字塔进行融合。类似bansift，分频处理即分频融合，然后重构回去。

      每一个输入的LDR对应一个平滑后的权重图mask。

      图像金字塔：Mask 通过降采样得到图像金字塔。pyrW

      拉普拉斯金字塔：基于原图LDR得到拉普拉斯金字塔pyrI，（在高斯金字塔的运算过程中，图像经过卷积和下采样操作会丢失部分高频细节信息。为描述这些高频信息，人们定义了拉普拉斯金字塔(Laplacian Pyramid， LP)）

     为什么基于金字塔融合（权重*Laplacian 分频）的效果比直接采用（权重*图像）进行融合好？它混合的是图像特征而不是强度，在每个尺度上都是单独计算的，权重图中的锐化只能影响原始图像中出现的锐化（边缘），相反地，原始图像中的平坦区域总是具有可忽略的系数大小，因此不受权重函数可能急剧变化的影响。对于彩色图像的处理，文章发现分别进行各个颜色通道的混合会产生很好的效果。

作者提到基于梯度域进行融合，效果也不错，梯度方法首先将图像转换为梯度场，应用混合操作，然后根据得到的梯度重构最终图像。拉普拉斯金字塔融合与之类似，都不是直接处理图像强度。但是基于梯度的融合会导致尺度和位移的模糊性，容易发生颜色偏移，重建需要解决偏微分方程，这可能是昂贵的高分辨率图像。