1、HDR High Dynamic Range ,即高動態范圍，比如所謂的高動態范圍圖象(HDRI)或者高動態范圍渲染(HDRR)。 動態范圍是指信號最高和最低值的相對比值。目前的16位整型格式使用從“0”(黑)到“1”(白)的顏色值，但是不允 許所謂的“過范圍”值，比如說金屬表面比白色還要白的高光處的顏色值。在HDR的幫助下，我們可以使用超出普 通范圍的顏色值，因而能渲染出更加真實的3D場景。也許我們都有過這樣的體驗：開車經過一條黑暗的隧道， 而出口是耀眼的陽光，由于亮度的巨大反差，我們可能會突然眼前一片白光看不清周圍的東西了，HDR在這樣的場景就能大展身手了。通范圍的顏色值，因而能渲染出更加

2、真實的 3D場景。也許我們都有過這樣的體驗：開車經過一條黑暗的 隧道，而出口是耀眼的陽光，由于亮度的巨大反差，我們可能會突然眼前一片白光看不清周圍的東西了，HDR在這樣的場景就能大展身手了。HDR可以用3句話來概括：亮的地方可以非常亮 暗的地方可以非常暗 亮暗部的細節都很明顯。HDR的 處理在顯卡中可以分為3個步驟：將畫面用高光照動態范圍渲染，并儲存每個象素的亮度特性；將HDRI畫面轉成低 動態范圍的畫面(RGBA或是sRGB)；色彩和Gamma校正后傳送到顯示設備輸出。計算機在表示圖像的時候是用 8bit(256)級或16bit(65536)級來區分圖像的亮度的，但這區區幾百或幾萬無 法再現

3、真實自然的光照情況。HDR文件是一種特殊圖形文件格式，它的每一個像素除了普通的RGB信息，還有該點的實際亮度信息。普通的圖形文件每個象素只有0 255的灰度范圍，這實際上是不夠的。想象一下太陽的發光強度和一個純黑的物體之間的灰度范圍或者說亮度范圍的差別，遠遠超過了256個級別。因此，一張普通的白天風景圖片，看上去白云和太陽可能都呈現是同樣的灰度/亮度，都是純白色，但實際上白云和太陽之間實際的亮度不可能一樣，他們之間的亮度差別是巨大的。因此，普通的圖形文件格式是很不精確的，遠 遠沒有紀錄到現實世界的實際狀況。所以，現在我們就要介紹一下高動態范圍圖像(簡稱HDRI)。HDR高動態范圍渲染目前是一種

4、逐漸開始流行的顯示技術，其技術出發點就是讓計算機能夠顯示更接近于現實照 片的畫面質量。目前在民用領域看到最多HDR技術應用的必然是游戲了。在現實中，當人從黑暗的地方走到陽光下時，我們的眼睛會不由自主的迷起來，那是因為在黑暗的地方，人為了 更好的分辨物體，瞳孔張開很大，以便吸收光線;而突然到了光亮處瞳孔來不及收縮，視網膜上的視神經無法承受如此 多的光線，人自然會迷上眼睛阻止大量光線沖擊視神經。而電腦是不具備這種功能的。所以，HDR的最終效果因該是 亮處的效果是鮮亮的，而黑暗處你也可以清晰的分辨物體的輪廓，位置和深度，而不是以前的一團黑。動態、趨近真 實的物理環境是HDR的特效表現原則。實際游戲中

5、會發現井底水面反射的陽光在墻壁上動態的明亮反光，洞口的明亮天空也會稍微變弱些。這樣就能更 清晰的表現出水面的反光。如果此時低頭看水面會發現水面直接將陽光反射到人眼中很刺眼，但僅僅1秒鐘時間光線 就會減弱，因為人眼適應了直接反射的陽光。這就是游戲的曝光控制功能，模擬人眼自動適應光線變化的能力，而不是照相機oHDR并不僅僅是反射的光強度 要高。在游戲中，如果你盯著一個面向陽光直射的物體，物體表面會出現豐富的光反射；如果盯著不放，物體表面的泛 光會漸漸淡出，還原出更多的細節。HDR特效是變化的，因此稱作高動態光照。熱成像的非均勻性校正算法有很多種，紅外焦平面非均勻性校正算法主要分為基于定標的非均勻校

6、正算泣如一點 溫度定標算法、二點溫度定標算法、多點溫度定標算沽和基于場景的自適應非均勻校正算法(如時域高通濾波(THPFC) 算法、人工神經網絡(ANNC)算法、恒定統計平均J(Cs)校正算法等)。目前二點溫度定標算法和多點溫度定標算法是最為 成熟的實用性算法，但是它需要周期性的對它維護，這給紅外成像設備維護工作帶來很多困難。而基于場景的非均勻 校正算法不需要對其周期性的維護，所以人們對它產生了很大的興趣，目前該算法以神經網絡自適應算法為代表。一點校正法僅能在一個定標點處把單元的輸出信號校正一致，隨著相對于這個定標點的偏移越大，由于探測器 各探測元響應度的非一致性，校正誤差也越大。兩點校正法計

7、算量小，可以實現實時校正，除了進行定標外，對目標圖像無任何要求，在體積、重量、功耗、 成本等方面也最為理想，但當溫度變化范圍較寬時，由于探測器響應并非嚴格線性，兩點校正系數aij和bij會依賴于 所取的溫度T1和T2。在成像或測溫過程中，當目標溫度偏離T1和T2較大時，依據原有aij和bij得到的校正結果會 有很大的誤差。所以，原有的aij和bij系數將不能適應，需要在當前環境溫度下重新對校正系數進行更新，給應用帶 來不便。兩點校正算法是基于響應基本線性的情況下進行的，但實際上每個探測元的響應通常情況下呈非線性，尤其 在輻照度變化范圍較大時，其線性度更差。多點定標分段線性校正與兩點校正法相比，

8、計算量大，并且由于存儲多組校正系數，需要大容量存儲器，在校 正過程中還需根據背景溫度的變化選擇合適的校正系數，這增加了編程的困難。但它原理簡單，且有成熟的理論，不 存在穩定性問題，比較容易實現。綜合考慮校正效果與實際條件，在目前情況這也是一種比較實用的算法。時域高通濾波算法的優點是：算法簡單快速，可以實現實時校正，校正過程不需要定標，不影響系統正常的測量工作。對低頻的非均勻性效果 顯著。在目標跟蹤上，該算法很好地抑制了背景和噪聲，突出了移動目標，具有很好的效果。缺點是：1.只進行了偏移的校正，要求系統具有很好的增益均勻性。該算法要求場景作隨機運動，否則圖像就會退化，出現偽像。抑制固定圖案噪聲同

9、時也抑制了圖像的低頻分量，影響圖像質量。傳統人工神經網絡算法的優點是:不需要定標校準，可以連續更新增益與偏移的校正系數，而且不受探測單元 噪聲漂移的影響。其缺點是1，算法計算量較大，很難實現實時校正，且由于結構復雜，在硬件上實現也有困難，采用 了迭代運算，要保證算法的收斂性。2,與時域高通濾波算法類似，該算法也要求場景作隨機運動，否則會引起圖像退 化，出現偽像。由于傳統人工神經網絡算法具有自適應的優點，該算法被廣泛應用到各個領域。排序均值垂直濾波算法能夠有效地消除非均勻性帶來的水平條紋，并且能夠有效地保護邊緣。另外該算法計算 簡單，容易在硬件上實現。但是該算法對非均勻噪聲比較大的紅外圖像不能起

10、很大的校正作用。改進的均值濾波算法不僅能降低圖像的噪聲，對水平條紋和垂直條紋都可以進行濾波，同時也保留了圖像的部 分細節，另外，還可以較為有效地減少黑點和白點對濾波的影響，更重要的是簡化了算法，更利于在硬件上實現。另 外也為下一步進行神經網絡校正提供了一個期望值。HDR動態范圍定義 HDR是英文High-Dynamic Range的縮寫，中文譯名為高動態光照渲染。比如所謂的高動態范圍圖象（HDRI） 或者高動態范圍渲染（HDRR）。動態范圍是指信號最高和最低值的相對比值。目前的 16位整型格式使用從“0”（黑）到“1”（白）的顏色值，但是不允許所謂的“過范圍”值，在HDR的幫助下，我們可以使用

11、超出普通范圍的 顏色值，因而能渲染出更加真實的3D場景?？傊唵蝸碚f，HDR可以用3句話來概括：1.亮的地方可以非常亮。2.暗的地方可以非常暗。3.亮暗部的細節 都很明顯HDR技術原理我們已經知道，HDR渲染包含兩個步驟，一是曝光控制，即將高動態范圍的圖像映射到一個固定的低范圍中， 即屏幕能夠顯示的（0,1）的范圍內。二是對于特別亮的部分實現光暈的效果。其中曝光控制是HDR渲染的核心環節，光 暈效果對表現高亮的像素起了重要的作用。這里先分別介紹兩個步驟的原理和方法，再介紹如何實現一個完整的HDR 渲染器。在所有步驟開始之前，你必須已經通過某種方法得到了一個高動態范圍的圖像。高動態范圍的圖像每一

12、個像素都 由浮點型的R,G,B分量表示，這樣每個分量都可以任意大。對于渲染器而言，這意味著一個浮點紋理。那么，如何將 一個場景渲染到一個高動態范圍的浮點紋理中呢？你可以為場景中的每個表面創建一張浮點格式的光照貼圖，這張光 照貼圖的每個象素代表了表面上相應位置的光強。然后使用OpenGL的FBO （幀緩沖對象）將綁定了浮點光照貼圖的 場景渲染到一個同屏幕大小一致的浮點紋理中。好的，先來看看所謂的曝光控制。這個步驟在HDR渲染中被稱為Tone Mapping翻譯成中文即“調和映射”。Tone Mapping有很多具體的方法，每個方法都是一個從高動態范圍到低范圍的一個映射，我們把這些方法統稱為 To

13、ne Mapping Operator（TMO），可見，TMO的好壞直接決定了圖像的最終質量。計算當前要渲染的高動態范圍圖像的平均 亮度，然后根據平均亮度確定一個曝光參數，然后使用這個曝光參數將圖像正確地映射到屏幕能顯示的顏色區域內。非均勻矯正算法紅外焦平面非均勻性校正算法主要分為基于定標的非均勻校正算法（如一點溫度定標算法、二點溫度定標算法、多 點溫度定標算法）和基于場景的自適應非均勻校正算法（如時域高通濾波（THPFC）算法、人工神經網絡（ANNC）算法、恒 定統計平均（Cs）校正算法等）。目前二點溫度定標算法和多點溫度定標算法是最為成熟的實用性算法，但是它需要周期 性的對它維護，這給紅外

14、成像設備維護工作帶來很多困難。而基于場景的非均勻校正算法不需要對其周期性的維護， 所以人們對它產生了很大的興趣，目前該算法以神經網絡自適應算法為代表。1). 一點校正當熱成像探測元的響應度為線性關系時，可以采用一點校正法來校正其響應的非均勻性。一點校正法就是在同一 輻射條件下把各個熱成像探測元的輸出信號凡校正為一致，即在某一入射輻射下，把不同的熱成像探測元輸出信號凡 校正為其平均信號。校正過程分為標定和補償兩步，具體方法是先用溫度為幾的均勻輻射黑體輻照探測器，得到此時每個探測元的響應輸出可，求其平均值:一二孚式中n為探測器面陣中探測元總的個數。然后用下式求-n出各單的校正因子a，。把各校正因子

15、氣存入相應的存儲單元，這樣就完成了不均勻性的標定。再對探測元的每個響應輸出凡進行實時校正，即：片一如土/ 。將實際的探測元響應信號與各自的校正因子相乘，即完成 非均勻性補償。一點校正法僅能在一個定標點處把單元的輸出信號校正一致，隨著相對于這個定標點的偏移越大，由 于探測器各探測元響應度的非一致性，校正誤差也越大。2).兩點校正不僅對器件的增益系數做補償，還對偏置系數進行了校正。77和77的均勻輻射的黑體輻照探測器，得到每個探測元的響應輸出xf, x；2, 分別在整個焦平面上對其求平均值：丁=對忡2-62一7對每個探測元的空間響應輸出弓進行實時校正：-T2 一門為=(%一弓)x=華-穌2-8-T

16、% =頂三亓為第個探測元的增益系數，T2式中,gb廣F ” % “為第個探測元的偏置系數。X X v y這種算法計算量小，可以實現實時校正，除了進行定標外，對目標圖像無任 何要求，在體積、重量、功耗、成本等方面也最為理想，但當溫度變化范圍較寬 時，由于探測器響應并非嚴格線性，兩點校正系數為和號會依賴于所取的溫度 T1和T2O在成像或測溫過程中，當目標溫度偏離T1和較大時，依據原有 和島得到的校正結果會有很大的誤差。所以，原有的和系數將不能適應， 需要在當前環境溫度下重新對校正系數進行更新，給應用帶來不便。3).多點定標分段線性校正兩點校正算法是基于響應基本線性的情況下進行的，但實際上每個探測元

17、的響應通常情況下呈非線性，尤其在輻照度變化范圍較大時，其線性度更差。為了更好地適應探測器的響應性能，由此出現了多點定標分段線性校正法。具體操作是取N個黑體溫度作為目標溫度(們：i=l, 2,，N-1),記錄相應的探測元響應值。然后采用最佳平方逼近方法進行曲線擬合，得到探測器響應的逼近函數，式2-9是采用三點定標的逼近函數：為=%尸+鏟+ 與這種算法與兩點校正法相比，計算量大，并且由于存儲多組校正系數，需要大容量存儲器，在校正過程中還需根據背 景溫度的變化選擇合適的校正系數，這增加了編程的困難。但它原理簡單，且有成熟的理論，不存在穩定性問題，比 較容易實現。綜合考慮校正效果與實際條件，在目前情況

18、這也是一種比較實用的算法。.時域高通濾波法該算法由Honeywen公司P.M.Narendra等人提出，要求探測元的增益是均勻的，而實際上這是不可能的。因此一 般先對增益進行定標校正，再通過時域高通濾波來校正系統的偏置噪聲。在獲取的序列圖像幀中，場景的信息是高頻 的，而固定圖案噪聲是低頻的，通過低通濾波器估算出圖像中的低頻噪聲，然后把含有噪聲的圖像幀減去估計出的低 頻噪聲，從而獲得高頻的場景信息，達到非均勻矯正的目的。假設增益補償后的圖像像素輸出為W),低通濾波后的輸出為如),那么校正后的輸出為為()：%()=弓()一兀()2-10其中，伽=理+ (1-沁()2-11這里，”為圖像幀數。時域高

19、通濾波算法的優點是：算法簡單快速，可以實現實時校正，校正過程不需要定標，不影響系統正常的測量工作。對低頻的非均勻性效果 顯著。在目標跟蹤上，該算法很好地抑制了背景和噪聲，突出了移動目標，具有很好的效果。缺點是：只進行了偏移的校正，要求系統具有很好的增益均勻性。該算法要求場景作隨機運動，否則圖像就會退化，出現偽像。抑制固定圖案噪聲同時也抑制了圖像的低頻分量，影響圖像質量。.傳統人工神經網絡算法人工神經網絡法是由美海軍武器裝備研究中心的D.A.Scribne:等人提出，能夠完全不對FPA進行定標，其校正的原 理是利用當前視場中的景象對每一個光敏元的增益和偏置系數進行連續修正。包含兩個過程：隱含層計

20、算某像素的鄰 域輸出的平均值，并作為給定像素期望的理想輸出，其作用是對增益和偏置系數進行自適應修正;校正層(NUC)用修正 過的系數對像元的輸出進行校正。其中隱含層采取何種自適應算法對神經網絡的收斂速度和校正精度起著決定性的作用?？梢?，傳統人工神經網絡算法的優點是:不需要定標校準，可以連續更新增益與偏移的校正系數，而且不受探測單 元噪聲漂移的影響。其缺點是:1，算法計算量較大，很難實現實時校正，且由于結構復雜，在硬件上實現也有困難，采 用了迭代運算，要保證算法的收斂性。2,與時域高通濾波算法類似，該算法也要求場景作隨機運動，否則會引起圖像 退化，出現偽像。6).排序均值垂直濾波算法排序均值垂直

21、濾波算法是一種即不需要定標而且能達到實時的校正算法。首先用模版M二組成數組序列:11111在圖像上滑動，取與像素相鄰的同列四個象素,珀，T)S)S + DS + 2)對數組序列N中的元素進行均值計算，得到:x = x(j,/-2)+x(i,j)+x(i J+1)+r(f, ;+2)/5 然后用N中的每個元素與平均值x相減，得到下式：N=N-x =2-232-242-25再對從小到大進行排序，取中最小的3個元素，他們對應的值與平均值x最相似。假設這三個元素為x(i,j), x(iJ + 2),然后再對他們求一次平均值Y,則把Y賦給x(ij),生成校正后的圖像完成非均勻校正，即x, = y = x(Z,;-l) + Mi) + x(i,