我 多媒体的发展 1687 - 5699 1687 - 5680 Hindawi 10.1155 / 2019/8459896 8459896 研究文章 高动态范围成像基于双向结构相似性和加权低秩矩阵完成 https://orcid.org/0000 - 0001 - 9911 - 3950 余 马里 https://orcid.org/0000 - 0002 - 5930 - 1882 张 海 Kotropoulos 康斯坦丁 信息科学与技术学院 九江大学 九江332005 中国 jju.edu.cn 2019年 26 12 2019年 2019年 05年 08年 2019年 05年 12 2019年 26 12 2019年 2019年 版权©2019马里Yu和海。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

高动态范围(HDR)成像,旨在增加图像的动态范围,通过合并multiexposure图片,吸引了大量关注。鬼魂经常观察合成图像,由于摄像机运动和对象运动的场景。低秩矩阵完成(LRMC)提供了一个有效的工具来删除鬼魂。但是,用户规范包含或排除的地区是必需的。在本文中,我们提出一个新颖的基于双向结构相似性和HDR成像方法加权低秩矩阵完成。在我们的方法中,我们首先提出了双向结构相似之处包含预估结构相似(fps)和backward-projection结构相似(bps)把每个图像分成四组:运动区域,在源图像饱和区域,在参考图像饱和区域,静态和不饱和区域。然后,重量地图和地图构建基于fps和运动bps介绍了加权LRMC模型重构背景辐照度地图。实验是几个挑战性的图像集上进行复杂的场景,和结果表明,该方法优于三个当前最先进的方法和Photoshop cs6,健壮的参考图像。

 中国国家自然科学基金 61562047 61562048 61462048 61862044 江西省教育部门 151084年 九江大学的科学基础 2014年kjyb029 2015年lgy831 1。介绍

典型的数码相机捕获图像中表示为每个颜色通道8位/像素,这是远低于实际场景的动态范围。因此,黑暗或光明的细节部分场景中丢失在一个单一的形象。这个问题可以通过合并来解决图像捕捉下不同的曝光设置,因为不同区域信息可以被捕获在特定的曝光( 1]。

一些方法生成高动态范围(HDR)形象估计的加权和辐照度图像,之后恢复相机响应函数( 2, 3),而其他人则直接生成一个HDR-like低动态范围(LDR)图像作为输入的加权和存贷比图像通过适当调整权重( 4- - - - - - 6]。这些方法执行如果现场是静态的。然而,鬼魂经常观察合成图像,因为运动是很难避免的应用程序。因此,除鬼在HDR图像至关重要 7- - - - - - 9]。

最近,大多数研究集中在场景中物体运动校正,由于固定相机或摄像机运动可以避免应用全球注册方法( 10- - - - - - 12]。现有对象运动去除方法主要包括两大类:选取方法和校正。选取方法( 13- - - - - - 16)生成一个合成图像的加权和所有输入图像或基于梯度图像的加权和,,0或小重量分配给运动像素。这些方法在某些情况下表现良好;然而,他们通常依赖于运动的准确检测像素。

校正方法重建运动区域和饱和区域基于相关性。例如,森et al。 17和胡锦涛et al。 18)利用块匹配的方法为每个像素搜索最近的补丁,用来正确的运动区域和饱和区域。然而,不匹配出现在饱和区域和融合中存在模糊的形象。齐默et al。 19]提出使用光流找到密集的对应关系,基于一个HDR图像重建。然而,大排量的通信失败。

排名极小化提供了一个有效的工具在图像恢复 20.- - - - - - 22]。基于假设的强度图像是线性的辐照度,哦et al。 23)首次提出引入秩最小化在HDR图像检测运动和使用稀疏估计误差来确定重量的地图。Bhardwaj和拉曼 24)修改了软阈值函数在最初的稳健主成分分析(RPCA)算法恢复低秩矩阵,这是基于结合运用金字塔方法( 4)获得合成背景照度地图。李等人。 25)提高了模型通过引入低秩矩阵完成(LRMC)。然而,这些方法也遭受的问题选取方法。为了处理这个问题,哦,等。 26]介绍了1级约束到LRMC和替换的部分和奇异值核规范。低秩矩阵估计背景辐照度地图。李和林( 27)采用截断核范数极小化加速算法。然而,他们的性能高度依赖失踪的选择区域。在[ 26, 27),丢失的区域需要进行用户规范的一部分。当现场是复杂的,它是困难的为用户这么做。

解决LRMC-based HDR成像方法的局限性,提出了一种新颖的基于双向HDR成像方法和加权LRMC模型结构相似之处。首先,我们提出了双向结构相似性段图像分成四组:运动区域,在源图像饱和区域,饱和地区参考图像,静态和不饱和区域。相似度测量与亮度变化无关,如局部熵( 28),零均值归一化互相关( 29日, 30.],interconsistency和intraconsistency [ 31日[],方向信号的结构组件 32),是用来检测运动区域。这些方法在很多情况下表现良好但容易错误well-exposure区域对应的源图像饱和地区参考对象运动的形象。考虑到图像需要转换成相同的亮度相似性检查前,我们观察到的结构性变化在运动区域和饱和区域是双向和单向,分别。为了便于讨论之后,参考图像源图像的投影称为的预估(FP)和反向投影称为backward-projection (BP)。在运动区域结构的变化FP和英国石油公司;源图像的结构在饱和区在FP BP和保持不变的变化;结构在饱和地区参考图像保持不变在BP和FP的变化。因此,我们提出双向结构相似之处包括FP结构相似(fps)和英国石油(BP)结构相似(bps)更准确地检测运动区域和饱和区域。然后,我们构造运动地图和地图基于fps和基点和重量引进加权LRMC-based方法。该方法不需要用户规范缺失的地区和健壮的参考图像。

剩下的纸是组织如下。该方法基于双向结构相似性和加权LRMC-based部分中描述的方法 2。部分 3讨论了实验和结果,紧随其后的是结论部分 4。

 2。HDR图像基于双向结构相似性和加权LRMC

在这一部分中,一种新颖的基于双向HDR成像方法结构相似性和加权LRMC被描述。图 1说明了该方法的概述。鉴于 n不同的异地恋曝光图像{ 我1, 我2、… 我 n},每个图像的像素数量 米,一个图像 我 r(1≤ r≤ n)被选为参考图像和其他源图像。我们假设 n图像是全球一致通过应用全球注册方法( 12]。首先,对于每个源图像,我们测量双向结构相似之处包括fps和基点。然后,所有像素分为四组:运动区域,在源图像饱和区域,在参考图像饱和区域,静态和不饱和区域。噪声可能会导致不正确的区域检测。因此,我们引入fps和削减bps成图生成最终的运动地图和地图,重量是集成到加权LRMC模型。低秩矩阵的加权LRMC模型对应于背景辐照度。

该方法的框图。

 2.1。双向结构相似

在前面的方法中,FP前通常采用测量两种不同曝光图像之间的相似性。不饱和区域源图像中对应一个饱和地区参考图像是错误的运动区域。比饱和不饱和地区丰富的细节。当不饱和强度预计将饱和强度、压缩强度之间的差异导致丢失的细节,预计地区饱和区。相比之下,当饱和强度预计将不饱和强度、压缩强度差异不能恢复,这样结构相似度很低。因此,在饱和的参考图像区域像素小fps和大的基点,而饱和区域的源图像的像素小基点和大fps。运动区域的像素都有小fps和小的基点。

图 2说明了结构两幅图像之间的相似性FP和英国石油(BP)图 2(一个)参考图片和图吗 2 (b)是源图像。图 2 (c)backward-projected图像(b)和(d)是(a)的forward-projected形象。数据吗 2 (e)和 2 (f)个基点,fps (a)和(b)之间。三个区域用红色框表示源图像中的饱和区,饱和地区参考图像,分别和运动区域。从数据 2 (e)和 2 (f),我们可以看到,该地区1个基点和大fps小,区域2大基点和小fps,地区3个基点和小fps。基于上述现象,每个图像可以被划分为四个小组:运动区域,在源图像饱和区域,在参考图像饱和区域,静态和不饱和区域。

fps和基点两个图像的例子。(一)参考图像;(b)源图像;(b) (c) backward-projected形象;(d) forward-projected形象(一个);(e)个基点;fps (f)。

在文献[如上所述 32],patch-based结构相似性将最好的代表结构相似。与前面的方法,所有颜色通道被认为是共同的。我们使用的颜色通道最大的结构性变化来确定结构相似。因此,所需的结构两个不同曝光图像之间的相似性 我 我和 我 j是由最小的结构相似的颜色通道: (1) 年代 p 我 我 , 我 j = 最小值 k ∈ R , G , B 2 浸 k , p 我 我 , 我 j + c 1 var k , p 我 我 + var k , p 我 j + c 1 , 在哪里 R, G, B代表红、绿、蓝通道的彩色图像,分别var k, p(∙)的方差大小9×9的窗口 p 的通道 k,浸 k, p(∙∙)协方差, c1是一个小的常数,以避免分母和提名者是零和设置为0.03。

平滑区域,强度相似的颜色通道将应对结构相似。采用了一种直接的关系如下: (2) l p 我 我 , 我 j = 2 ∑ k ∈ R , G , B μ k , p 我 我 μ k , p 我 j + c 2 ∑ k ∈ R , G , B μ k , p 2 我 我 + μ k , p 2 我 j + c 2 , 在哪里 μ k, p(∙)代表窗口的平均值 p的通道 k和 c2是一个小的常数,以避免分母和提名者是零和设置为0.01。

对于饱和区域,压缩强度差异。在饱和区和非饱和区域具有相同的强度不同,饱和区域的相似性小于不饱和的区域。因此,我们引入well-exposedness [ 4)衡量多远的强度饱和强度相似。我们定义well-exposedness相似如下: (3) E p 我 我 , 我 j = 2 ∏ k ∈ R , G , B f μ k , p 我 我 f μ k , p 我 j + c 2 ∏ k ∈ R , G , B f 2 μ k , p 我 我 + f 2 μ k , p 我 j + c 2 , 在哪里 f(∙)是well-exposedness测量功能和定义为 (4) f x = 1 − 2 x − 0.5 。

对于每个源图像 我 我(1≤ 我≤ n, 我≠ r),我们定义fps和bps如下: (5) 帧/秒 p 《外交政策》 我 r , 我 我 = 年代 p 《外交政策》 我 r , 我 我 l p 《外交政策》 我 r , 我 我 E p 《外交政策》 我 r , 我 我 , 个基点 p 我 r , 英国石油公司 我 我 = 年代 p 我 r , 英国石油公司 我 我 l p 我 r , 英国石油公司 我 我 E p 我 r , 英国石油公司 我 我 , FP(∙)和男朋友(∙)代表了FP和BP基于直方图投影算法,分别。

 2.2。运动地图和重量地图建设

fps和基点,源图像分为四组。让0,1,2,3表示运动区域的标签,在源图像饱和区域,饱和地区参考图像,静态和不饱和区域,分别。为像素 p ,属于概率 lth组被定义为 (6) DS p , l 我 我 = 帧/秒 p 《外交政策》 我 r , 我 我 , 个基点 p 我 r , 英国石油公司 我 我 − C l 2 , 在哪里 Cl的中心吗 lth组。如上所述节 2.1运动的中心区域,在源图像饱和区域,饱和地区参考图像,和静态和不饱和区域(0,0),( 1,0],[0,1]和[ 1, 1),分别。然后,初始分割取决于 l p = 参数 最小值 l ∈ 0、1、2、3 DS p , l 我 我 。

因为噪音会使分割不可靠,我们使用图削减算法( 33, 34),能量函数被定义为 (7) 参数 最小值 l ∈ 0、1、2、3 ∑ p ∈ P D p DS p 我 我 + γ ∑ p , 问 ∈ N 米 p , 问 。

第一项是数据项为代表 D p DS p , l 我 我 = 1 / 1 + e − 20. DS p 我 我 − 0.5 。第二项是平滑项提出的 米 p , 问 = e − 我 p − 我 问 2 / 2 σ ,在那里 σ是整个图像的方差。

我们使用方程(的分割结果 7)定义运动地图和地图的重量。首先,源图像中的像素标记为0是包含在运动区域。饱和区域可能与运动区域;因此,我们把区域标签1和2与运动区域和运动区域。剩下的区域被视为静态区域,重量地图基于fps和基点。对于每个源图像,每个像素的权重值在静态区域标记为2和3是1,而每个像素的权重值静态区域标记为1个基点成正比 p( 我 r英国石油公司( 我 我))。参考图像的所有像素都设置为1的重量值,除了重量值饱和区域最小值成比例fps p(FP ( 我 r), 我 我所有源图像)。我们为每个像素定义重量地图如下: (8) W p 我 我 = 个基点 我 我 r , 英国石油公司 我 我 , 我 ≠ r , l p = 1 , 最小值 我 我 = 1、2 , … , n ∧ 我 ≠ r 帧/秒 p 《外交政策》 我 r , 我 我 , 我 = r , l p = 2 , 1 , 其他人 。

2.3。加权LRMC-Based HDR图像

让 我= [vec ( 我1vec (), 我2vec (),… 我 n)∈R 米× nvec(∙)是一个矩阵,从矩阵变换函数向量。对于每一个图像,对应的光辉形象 D 我( 我= 1,2,… n)是由相机响应函数估计。辐照度矩阵 D是由背景矩阵 l秩等于1 +稀疏矩阵误差 E。然后,有效地区是静态区域由部分中讨论的方法 2.2。在有效的地区,不饱和区域中的信息比饱和区域的更可靠。因此,我们加入稀疏与小重量误差饱和区域和小重量不饱和区域。我们提出加权LRMC-based HDR图像如下: (9) 参数 最小值 l , E l ∗ + λ W ⊗ E 0 , 年代 。 t 。 P Ω D = P Ω l + E , 在哪里 l ∗ 核标准, W ⊗ E 0 矩阵的l0-norm吗 E, ⊗ 意味着点积和 PΩ(∙)定义如下: (10) P Ω y p = y p , p ∈ Ω , 0 , p ∉ Ω 。

灵感来自哦et al。 26), l r = ∑ k = r + 1 n σ k l 的部分和矩阵的特征值 l是用来取代核规范和吗 l0规范被 l1规范。然后,方程( 9)改写如下: (11) 参数 最小值 l , E l r + λ W ⊗ E 1 , 年代 。 t 。 P Ω D = P Ω l + E , r = 1。

的优化方程( 11)可以通过增广拉格朗日乘数法和交替方向方法解决。最后,由此产生的HDR图像恢复的平均值低秩矩阵 l。

 3所示。实验结果

在本节中,该方法的性能评价主观和客观地通过比较哦et al。 26),胡锦涛等。 18马,et al。 32),和Photoshop cs6挑战性的图像集的复杂的场景(下载 http://user.ceng.metu.edu.tr/∼阿克于兹/文件/ eg2015 /),每个图像集包含五个异地恋图像和第三张图片选为参考方法。哦,et al。 26是最先进的LRMC-based HDR成像方法。胡锦涛et al。( 18)是最具竞争力的最先进的校正HDR成像方法。马等。 32接触最先进的融合方法。Photoshop密室是商业软件。

主观评价实验结果,莱因哈德的色调映射方法要 35)是用于显示该方法生成的HDR图像和哦et al。 26]。胡等所产生的结果。 18)是一组潜在的图像,合并后的莫顿等。 4]。马等。 32)和Photoshop cs6直接生成可显示的图像。所有的实验都在Matlab进行R2016b(64位)和Windows 7。

图 3该方法显示了生成的结果,哦et al。 26),胡锦涛等。 18马,et al。 32],Photoshop密室。胡锦涛et al。( 18和马等。 32在除鬼)执行好。然而,在餐馆里的人失踪的细节,如图 3 (h)和 3(我)。哦,et al。 26)和Photoshop cs6保持在黑暗中明亮的区域,但细节问题消除鬼,如图 3 (g)和 3 (j)。这是因为哦et al。 26)不能处理大型的重叠区域的男子和妇女坐着。然而,该方法成功地消除了鬼和保留细节在黑暗和明亮的地区。

比较结果“咖啡馆”(a)拟议的方法;(b)哦et al。 26];(c)胡锦涛et al。( 18];马(d)等。 32];(e) Photoshop密室;(f j)相应靠近的(a e)。

图 4给另一个比较该方法产生的结果,哦et al。 26),胡锦涛等。 18马,et al。 32],Photoshop密室。这个场景是非常复杂的,有大的和不规则的重叠区域的图像。因此,用户指定的区域是很困难的。鬼魂的结果很明显哦et al。 26)和Photoshop密室。胡锦涛et al。( 18和马等。 32产生愉快的结果完全没有鬼,但是结果是不自然的。例如,图 4 (c)显示颜色的光线扭曲,和图 4 (d)显示光环出现在边缘。该方法提供了最好的性能除鬼和细节保留,并没有额外的工件。类似的结果也可以看到在图 5。

比较结果“FastCars”(a)拟议的方法;(b)哦et al。 26];(c)胡锦涛et al。( 18];马(d)等。 32];(e) Photoshop密室。

比较结果“Shop2”(a)拟议的方法;(b)哦et al。 26];(c)胡锦涛et al。( 18];马(d)等。 32];(e) Photoshop密室。

由于缺乏参考图像,我们应用盲图像质量评价指标,基于HDR图像梯度评估者(HIGRADE) [ 36),客观地评价性能。HIGRADE指数,代表着更高的视觉质量更高的价值。表 1显示了该方法的HIGRADE分数和三个最先进的方法。在大多数情况下,该方法实现HIGRADE得分最高,这表明该方法能够实现自然表象和保护丰富的细节。

该方法的性能比较,并使用HIGRADE指数三种先进的方法。

图像序列 该方法 哦,et al。 26] 胡锦涛et al。( 18] 马等。 32]
咖啡馆 0.4205 −0.5244 −0.0026 0.3531
FastCars 0.5094 0.0388 0.4533 0.5509
Shop2 0.483 −0.4278 0.2203 0.241
Walkpeople 0.5869 −0.1342 0.3153 0.1092
平均 0.5 −0.2619 0.2466 0.3136

图 6显示了该方法的结果基于不同参考图像。该方法依赖于运动的性能地图和地图的重量。如数据所示 6 (f)- - - - - - 6(我),鬼被成功和细节的黑暗和明亮的区域保留。细节丢失在路上出现在图 6 (j),因为有太大的饱和区域在参考图像(图 6 (e))。

该方法的比较结果与不同参考图像。(安妮)输入存贷比图像;(f j)产生的结果(a e)作为参考图像。

 4所示。结论和讨论

在本文中,一个新颖的基于双向HDR成像方法提出了结构相似性和加权LRMC。我们观察到结构的变化运动区域和饱和地区双向和单向,分别。因此,我们提出双向结构相似之处包括fps和bps段图像分成四组:运动区域,在源图像饱和区域,在参考图像饱和区域,静态和不饱和区域。然后,图算法是用来消除噪声。最后,运动地图和地图基于fps和重量bps介绍了加权LRMC-based方法。与前面的LRMC-based方法不同,该方法不需要用户规范缺失的地区。

实验在一些具有挑战性的复杂场景进行图像集。相比,该方法有三个当前最先进的算法和Photoshop密室。结果表明,该方法可以保留更多的细节在黑暗中明亮的区域,同时去除鬼。特别是,该方法选择的参考图像具有很好的鲁棒性。

 数据可用性

所有数据用于支持我们的研究结果被下载 http://user.ceng.metu.edu.tr/∼阿克于兹/文件/ eg2015 /,包括在本文(5页)。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作一直在支持部分由中国国家自然科学基金(批准号。61562047,61562048,61562048,61862044),教育部门的科技项目江西(没有。151084),和九江大学的科学基金会(2014 kjyb029和2015 lgy831号)。

 莱因哈德 E。 病房 G。 Pattanaik 年代。 埃蒙斯 p E。 高动态范围成像:采集、显示和基于图像的照明 2005年 2日 美国伯灵顿 摩根考夫曼 埃蒙斯 p E。 高动态范围辐射的地图从图像中恢复 学报ACM媒体24日的年度会议 1997年11月 纽约,纽约,美国 369年 378年 Grossberg m D。 纳亚尔 美国K。 确定图像的相机反应:什么是可知的吗? IEEE模式分析与机器智能 2003年 25 11 1455年 1467年 10.1109 / tpami.2003.1240119 2 - s2.0 - 0442280600 莫顿 T。 Kautz J。 Reeth f . V。 接触融合:一个简单而实用的替代高动态范围摄影 计算机图形学论坛 2009年 28 1 161年 171年 10.1111 / j.1467-8659.2008.01171.x 2 - s2.0 - 60849129172 首歌 M。 道 D。 陈 C。 接触概率融合 IEEE图像处理 2012年 21 1 341年 357年 马 K。 王 Z。 多次曝光图像融合:在patch-wise方法 学报2015年IEEE国际会议上图像处理(ICIP) 2015年9月 加拿大魁北克市 1717年 1721年 10.1109 / icip.2015.7351094 2 - s2.0 - 84956657131 Karađuzović-hadžiabdić K。 Telalović j . H。 mantiuk r·K。 评估多次曝光deghosting HDR图像的方法 计算机与图形学 2017年 63年 1 17 10.1016 / j.cag.2017.01.002 2 - s2.0 - 85012188778 ,这个时候,斯里干达 一个。 西迪贝 D。 鬼为高动态范围图像检测和删除:最新进展 信号处理:图像通信 2012年 27 6 650年 662年 10.1016 / j.image.2012.02.001 2 - s2.0 - 84861625159 Tursun o . T。 阿克于兹 a . O。 erdem那样预言正发党胜利 一个。 Erdem那样预言正发党胜利 E。 艺术的状态在HDR deghosting:一项调查和评估 计算机图形学论坛 2015年 34 2 683年 707年 10.1111 / cgf.12593 2 - s2.0 - 84932082325 伊甸园 一个。 Uyttendaele M。 Szeliski R。 无缝的场景图像拼接大运动和曝光差异 计算机学报2010年IEEE会议Visionand模式识别(CVPR) 2006年6月 纽约,纽约,美国 2498年 2505年 10.1109 / cvpr.2006.268 2 - s2.0 - 33747810987 即时通讯 J。 李 年代。 沉重的一击 J。 改善弹性登记为消除鬼工件高动态成像 IEEE消费类电子产品 2011年 57 2 932年 935年 10.1109 / tce.2011.5955242 2 - s2.0 - 79960897699 病房 G。 快速、可靠的用于合成高动态范围图像配准从手持曝光照片 《图形工具 2003年 8 2 17 30. 10.1080 / 10867651.2003.10487583 西迪贝 D。 Puech W。 施特劳斯 O。 鬼在高动态范围图像检测和删除 17世纪欧洲信号处理研讨会论文集 2009年8月 英国格拉斯哥 1 5 汗 大肠。 阿克于兹 a . O。 莱因哈德 E。 除鬼在高动态范围图像 《图像处理国际会议(ICIP) 2006年10月 亚特兰大,乔治亚州,美国 2005年 2008年 10.1109 / icip.2006.312892 2 - s2.0 - 78649862795 张 W。 可汗 W.-K。 Gradient-directed multiexposure组成 IEEE图像处理 2012年 21 4 2318年 2323年 10.1109 / TIP.2011.2170079 2 - s2.0 - 84859084288 加洛 O。 盖尔芬德 N。 陈 观测。 马吕斯 T。 Kari P。 Artifact-free高动态范围成像 学报2009年IEEE国际会议上计算摄影(组成) 2009年4月 旧金山,加州,美国 1 7 10.1109 / iccphot.2009.5559003 2 - s2.0 - 77958003778 森 P。 Kalantari n K。 Yaesoubi M。 Darabi 年代。 高盛 d·B。 谢赫特曼 E。 健壮的patch-based HDR重建的动态场景 ACM交易图片 2012年 31日 6 1 11 10.1145/2366145.2366222 2 - s2.0 - 84870159579 胡 J。 加洛 O。 Pulli K。 太阳 X。 HDR deghosting:如何处理饱和? 学报2013年IEEE计算机视觉与模式识别会议(CVPR) 2013年6月 波特兰,或美国 1163年 1170年 10.1109 / cvpr.2013.154 2 - s2.0 - 84887336876 齐默 H。 Bruhn 一个。 Weickert J。 徒手HDR图像的移动场景同时分辨率增强 计算机图形学论坛 2011年 30. 2 405年 414年 10.1111 / j.1467-8659.2011.01870.x 2 - s2.0 - 84865607111 Bouwmans T。 Sobral 一个。 Javed 年代。 荣格 美国K。 Zahzah E.-H。 分解为背景/前景分离低秩矩阵加添加剂:回顾与大规模数据集比较评价 计算机科学评论 2017年 23 1 71年 10.1016 / j.cosrev.2016.11.001 2 - s2.0 - 85007241844 Bouwmans T。 Javed 年代。 张 H。 林 Z。 Otazo R。 稳健的主成分分析的应用在图像和视频处理 IEEE学报》 2018年 106年 8 1427年 1457年 10.1109 / jproc.2018.2853589 2 - s2.0 - 85051238642 帕迪 V。 Praneeth N。 静态和动态鲁棒主成分分析和矩阵完成:审查 IEEE学报》 2018年 106年 8 1359年 1379年 10.1109 / jproc.2018.2844126 2 - s2.0 - 85051191159 哦 t·H。 李 j . Y。 Kweon 我。 高动态范围成像的1级约束 学报2013年IEEE国际会议上图像处理 2013年9月 澳大利亚墨尔本 790年 794年 10.1109 / icip.2013.6738163 2 - s2.0 - 84897749420 Bhardwaj 一个。 拉曼 年代。 健壮的PCA-based解决图像组合使用增广拉格朗日乘子(ALM) 计算机视觉 2015年 32 5 591年 600年 10.1007 / s00371 - 015 - 1075 - 1 2 - s2.0 - 84924871379 李 C。 李 Y。 Monga V。 Ghost-free高动态范围成像通过最小化 信号处理信件 2014年 21 9 1045年 1049年 10.1109 / lsp.2014.2323404 2 - s2.0 - 84901428516 哦 郭宏源。 李 J.-Y。 大 Y.-W。 Kweon i S。 健壮的高动态范围成像在最小化 IEEE模式分析与机器智能 2015年 37 6 32 1219年 10.1109 / tpami.2014.2361338 2 - s2.0 - 84929179529 李 C。 林 e . Y。 计算有效截断核高动态范围成像的范数最小化 IEEE图像处理 2016年 25 9 4145年 4157年 10.1109 / tip.2016.2585047 2 - s2.0 - 84979948970 雅可布 K。 Loscos C。 病房 G。 动态场景的自动生成高动态范围图像 IEEE计算机图形学和应用程序 2008年 28 2 1 15 10.1109 / mcg.2008.23 2 - s2.0 - 41349084396 一个 J。 哈 美国J。 赵 n I。 鬼工件的概率减少运动像素检测的多重曝光的高动态范围图像 EURASIP杂志在图像和视频处理 2014年 2014年 1 1 15 10.1186 / 1687-5281-2014-42 2 - s2.0 - 84919940757 一个 J。 李 s . H。 Kuk j·G。 赵 n I。 没有鬼的多次曝光图像融合算法的效果 学报2011年IEEE国际会议音响、演讲和信号处理(ICASSP) 2011年5月 布拉格,捷克共和国 1565年 1568年 10.1109 / icassp.2011.5946794 2 - s2.0 - 80051623975 张 W。 胡 年代。 刘 K。 姚 J。 基于inter-consistency和intra-consistency Motion-free接触融合 信息科学 2017年 376年 190年 201年 10.1016 / j.ins.2016.10.020 2 - s2.0 - 84992091927 马 K。 李 H。 勇 H。 王 Z。 孟 D。 张 l 健壮的多次曝光图像融合:一块结构分解方法 IEEE图像处理 2017年 26 5 2519年 2532年 10.1109 / tip.2017.2671921 2 - s2.0 - 85018477175 柯尔莫哥洛夫 V。 Zabih R。 能量函数可以通过图削减最小化呢? IEEE模式分析与机器智能 2004年 26 2 147年 159年 10.1109 / tpami.2004.1262177 2 - s2.0 - 0742286180 Boykov Y。 Veksler O。 Zabih R。 通过削减图快速近似能量最小化 《第七IEEE计算机视觉国际会议 2002年8月 克基拉岛,希腊 377年 384年 10.1109 / iccv.1999.791245 莱因哈德 E。 斯塔克 M。 雪莉 P。 Ferwerda J。 摄影的语气对数字图像复制 ACM交易图片 2002年 21 3 267年 276年 10.1145/566654.566575 2 - s2.0 - 0036989509 茶室 D。 Ghadiyaram D。 Bovik a . C。 埃文斯 b . L。 不tone-mapped HDR照片的质量评估 IEEE图像处理 2017年 26 6 2957年 2971年 10.1109 / tip.2017.2685941 2 - s2.0 - 85018894714