數(shù)據(jù)準備

首先，我們準備三張不同曝光的圖像，如下圖所示。

曝光時間0.05	曝光時間0.0125	曝光時間0.003125

利用幾個helper函數(shù)來從文件夾里讀取圖像和圖像的曝光時間。

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

#讀取文件夾下文件
def ListFiles(FilePath):
    onlyfiles = [f for f in listdir(FilePath) if isfile(join(FilePath, f))]
    return onlyfiles

#獲得圖像文件屬性
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

#獲得圖像曝光時間
def get_exposure_time(fn):
    exif = get_exif(fn)
    exposure_time = exif.get('ExposureTime')
    return exposure_time[0]/exposure_time[1]

#獲取圖像曝光時間序列和圖像
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)
    #根據(jù)曝光時間長短，對圖像序列和曝光時間序列重新排序
    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

預處理

由于上面的三張圖像在拍攝的時候存在一定的抖動和位移情況，可以用SIFT算法對其配準Python進行SIFT圖像對準。在配準的時候，首先需要找到一張曝光最好的照片作為基準照片，下面的一個函數(shù)計算照片中曝光不足和曝光過量的像素個數(shù)，把曝光不足和曝光過量像素最少的圖像作為參考圖像。

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

在獲得參考圖像以后，使用Python進行SIFT圖像對準中提供的siftImageAlignment進行配準，并且返回已經(jīng)對其的圖像序列。

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

為了合成HDR圖像，首先要擬合相機響應函數(shù)（Camera Response Function，CRF），關于擬合CRF的算法，后續(xù)博客中將詳細介紹，這里，我們先關注Opencv-Python的實現(xiàn)。

import numpy as np
import cv2
import Utility #Utility為前面函數(shù)所在的模塊

exposTimes,images = Utility.getImageStackAndExpos('stack_alignment')
refImgIndex= Utility.getRefImage(images)
images = Utility.siftAlignment(images,refImgIndex) 

exposTimes = np.array(exposTimes,dtype=np.float32) #需要轉(zhuǎn)化為numpy浮點數(shù)組
calibrateDebevec = cv2.createCalibrateDebevec(samples=120,random=True)  
###采樣點數(shù)120個，采樣方式為隨機，一般而言，采用點數(shù)越多，采樣方式越隨機，最后的CRF曲線會越加平滑
responseDebevec = calibrateDebevec.process(images, exposTimes)  #獲得CRF
mergeDebevec = cv2.createMergeDebevec()
hdrDebevec = mergeDebevec.process(images, exposTimes, responseDebevec) #
# Save HDR image.
cv2.imwrite("hdrDebevec.hdr", hdrDebevec)