基于智能空间的个人通信技术基于密度的内容和彩色自适应音调映射

摘要

音调映射运算符旨在在低动态范围设备上显示高动态范围（HDR）图像。基于聚类的内容和颜色自适应音调映射算法旨在维护颜色信息和本地纹理。但是，在低动态范围图像中仍然可以丢失精细的细节。本文通过快速搜索和查找密度峰值聚类，提供了基于聚类的内容和颜色自适应色调映射算法的有效方法。建议的聚类方法减少了局部结构的损失，并允许更好地适应图像中的颜色。进行实验以评估具有最先进的聚类技术的提出技术的有效性和性能。目标和主观评估结果表明，快速搜索和密度峰的发现保留了更具纹理信息。因此，它最适合用于基于聚类的内容和颜色自适应色调映射算法。

1.介绍

随着传感器，显示技术的出现，多次曝光摄影的出现，对高动态范围（HDR）图像的需求正在迅速增加。由于其大规模的亮度水平和更好地保存色彩变化，HDR图像与其对应的低动态范围（LDR）图像相比提供更好的视觉质量。这使得能够存储和可视化与在不同曝光中通常需要多个图像的相同图像中的明亮和暗对象，以便处于低动态范围。在标准显示设备上的HDR图像（用于显示LDR图像）的可视化是具有挑战性的，因为它们无法显示图像的高动态范围。要解决此问题，音调映射运算符用于将HDR图像转换为LDR图像。但是，直接显示HDR图像的技术变得更具成本效益。最近，大多数可用的显示设备都有LDR，这就是为什么HDR到LDR转换仍然具有实用的应用。

在LDR设备上的HDR图像可视化中，Retinex理论得到了广泛的应用，该理论将图像分割为基本层和细节层。在Retinex图像分解中，采用边缘保持滤波技术对基层进行近似。然而，由于滤波无法捕捉到图像复杂的局部结构，这些方法会产生虚假着色和晕轮伪影。为了克服这个问题，我们需要在LDR图像中更好地采用HDR图像的局部结构和颜色变化的方法。

此外，音调映射运算符通常分为两个主要类别：全局色调映射运算符和本地音调映射运算符。全局色调映射运算符使用相同的单调曲线进行整个图像的动态范围压缩[1，2］．最初，研究的重点是全局色调映射算子的设计。德拉戈等人[3.]提出了一种色调映射算法，该算法使用自适应对数基数进行亮度压缩，同时保持图像的细节和对比度。Kim和Kautz [4]在假设人类视觉系统采用高斯分布的基础上，引入了一种色调映射算子。Reinhard等人[5]提出使用自发躲避和燃烧进行动态范围压缩。术语“躲避”和“燃烧”源自印刷，其中从打印区域的保持背光称为避免，并将光添加到图像被称为燃烧。这可用于有效地增加或减少捕获图像的亮度。Reinhard和Devlin [6]引入了光自适应色调映射，提供了令人满意的视觉效果。可汗等人[7]介绍了一种基于观点的方法，其中它们利用了亮度的直方图进行音调映射。为了生产适用于各种观看条件的低动态范围图像，Han等人。[8]修改Khan等人。的[7]方法，考虑环境光对HVS的影响。一般来说，全局音调映射算子的计算效率很高[9］．但是，它们无法保留本地特征和动态范围变化，因为它们忽略了图像中的本地像素强度变化[9，10.］．

局部色调映射算子通过融合相邻像素之间的比例并压缩每个像素来解决全局色调映射算子的问题。Gu等人[11.和Min等人[12.]提出了基于层分解的局部色调映射算子，将输入图像划分为基层和细节层。基于层分解的方法也被[13.- - - - - -16.］．杜兰德和多尔西[17.提出了一种通过编码基层的大规模变化来保留细节层的方法。debevec和吉布森[18.[]提出了一种保留图像亮度和细节的方法，该方法利用局部亮度自适应函数对动态范围进行压缩，然后在低动态范围图像中重新注入细节。图像彩色外观模型(iCAM06) [19.]采用iCAM06颜色外观模型进行色调映射，考虑观看条件生成最优结果。然而,iCAM06 [19.]由于引入光环伪影，颜色饱和度和边缘处的梯度逆转，导致了视觉质量差。为了消除这些问题，作者在[20.]提出了一种基于iCAM06的模型。在他们提出的算法引导滤波器中[20.]，改变彩色自适应转化基质和HPE基元以增强模型的有效性。

Krawczyk等人[21.]提出了一种基于锚定理论的算法，将图像亮度分解成小块，然后计算每个小块的亮度。李等人[22.]提出了对称分析合成滤波器，用于减小强度范围。贾和张[23.]使用引导图像过滤器进行音调映射。Meylan等。[24.]提出了一种基于人眼视网膜特性的减小动态范围，同时提高图像局部对比度的方法。使用了另一种视网膜启发的距离压缩算法[25.]来克服晕轮伪影、细节丢失、不同显示方式的不同可视化以及颜色饱和度。

帕拉格和大津[26.通过将图像强度划分为多分辨率对比，开发了一种基于人类颜色感知的色调映射方法。此外，它们使用了基于Visual Cortex行为的动态范围减少的非线性饱和模型。陈等。[27.]引入了地球移动器的距离与段HDR图像，然后在图像的每个组件上应用了本地音调映射。这保持了局部质地和平衡的感知印象。删除伪影和对比度增强，梁等人。[28.]采用非线性扩散。l₂基于retime的模型[29.]用于增强对比度。Ahn等人[30.]提出了一种基于视网膜的自适应局部色调映射算法。最近，梁等人[31.]提出了一种杂交l₁ − l₀基于范数的层分解模型。l₁在基层上加上稀疏项l₀在细节层上。在 [32.[作者]提出使用分解的多尺度RetineX进行音调图像中的信息保存。蜀和吴[33.]采用最佳的局部音调映射操作员，以避免光环伪影和双边缘。Rana等人。[34.]提出了一种基于支持向量回归的像素级自适应色调映射算子，以克服光照变化剧烈的问题。

El Mezeni和Saranovac [35.]引入了增强的本地音调映射运算符（ELTM）。ELTM将图像分解为细节和基层，其中基层被压缩成对数和线性域。本地音调映射运算符[36.)在操作上与HVS类似。李和郑[37.]提出了一种显著性感知的局部音调映射算子，该算子利用引导滤波器保持边缘。Ferradans等人[38.提出了一种具有全局色调映射和本地音调映射的两级算法。在第一步中，它们基于人类视觉系统应用全球色调映射操作员，然后是第二阶段对比增强的本地方法。使本地和全局色调映射算法更有效，Ambalathankandy等。[39.]的直方图均衡化方法在FPGA上实现，资源利用率高。为了解决过增强问题，提出了一种非均匀量化CT图像增强技术[40］．最近，深卷积神经网络也用于范围压缩[41.］．作者在[41.使用现有色调映射运算符的输出作为培训集，因此继承了所有音调映射运算符的最佳属性。因此，与当前的色调映射方法相比，它们对所有测试图像具有很好的良好。

李等人[42.]引入了一种基于聚类的内容和颜色自适应色调映射算法，保持了图像的局部结构和自然度。他们使用K-均值算法用于颜色结构的聚类。然而,K-由于预先设定了集群的数量，对于特定的问题很难采用means。此外，利用K-means的色调映射导致了LDR图像中复杂的局部细节的丢失。此外，可用的聚类算法的数量鼓励使用最有效的基于聚类的音调映射算法。因此，为了保留复杂的局部细节，我们采用了更好的聚类技术。

在本文中，我们提出了一种基于聚类的色调映射算法，以克服虚假着色，晕效应和损失复杂的局部结构。为此，我们利用密度峰值的快速搜索和查找来进行内容和颜色自适应色调映射。这种聚类技术自动识别簇，而不考虑数据的维数。下面的研究比较了用于色调映射操作的各种可用的最先进聚类算法。通过主观评价和客观评价技术，比较了不同聚类算法的有效性。实验分析表明，在不影响图像局部结构的前提下，对密度峰值的快速搜索和查找可以获得视觉上吸引人的结果。

纸张的其余部分由以下部分组成。第二部分简要介绍了基于聚类的内容和彩色自适应色调映射算法。第三部分描述了不同的应用聚类技术。此外，第四部分讨论了评估不同聚类技术的性能的实验。我们的整体工作是在第五部分结束的。

2.基于聚类的内容和颜色自适应色调映射算法

李等人[42.]提出基于聚类的基于群体和彩色自适应色调映射算法。大多数传统音调映射运算符将图像分成色度和亮度通道。相反，李等人。将图像划分为重叠的颜色补丁。整体算法包括培训和测试阶段。算法[42.利用HDR训练图像使用训练阶段学习PCA变换矩阵的每个颜色结构集群，而测试阶段用于投影HDR测试图像，并在训练集中找到最近的匹配。在第一步中，对数转换应用于每个HDR图像，以增强信道中的低亮度值的对比度和亮度，同时压缩更高的频率。之后，将每个图像分成重叠的颜色贴片，以避免诸如局部灰尘，色调偏移或颜色边缘的伪像[43.］．每个贴片进一步分为近似不相关的组件：颜色结构，颜色变化和贴片。具有不同强度级别的贴片可能具有相似的结构[42.］．因此，根据颜色结构将斑块聚为不同的聚类，然后得到每个聚类的主成分分析变换矩阵。在测试阶段，通过从训练数据中提取聚类中心，计算每个斑块颜色结构的相似性度量，然后检索相应的PCA矩阵。映射为基调,年代在PCA投影矩阵上应用曲线arctan函数。用线性函数压缩补丁均值，用arctan函数控制颜色变化。通过处理后的补丁重建图像。最后进行后处理步骤，在图像的最大和最小强度值处夹紧图像，增强对比度。

3.集群技术相比

探讨不同聚类算法的影响，K-means是一种参考聚类算法，并将结果与高斯混合模型(GMM)进行了比较[44.], DBSCAN [45.]，以及密度峰值快速查找(FSFDP) [46.)聚类算法。在介绍使用这些聚类方案获得的结果之前，简要描述了每种聚类技术及其优缺点。

3．1．K则

K-means是MacQueen提出的一种广泛使用的基于分区的聚类技术。划分可以基于最小化目标函数即平方误差来完成[47.]，计算方法如下: 在哪里 ，”c”和“表示欧几里得距离、聚类中心的数量和中点的数量集群,分别。K-means被Li等人考虑[42.]为了聚类颜色结构。K-means是一个相对简单和计算效率高的算法。但是，由于集群数量的选择需要人工交互，因此实现简单，结果有效。结果受到初始化的影响，可能会影响音调映射算法的性能。此外,K-means对单一数据点的簇敏感，因为它的平方距离[48.］．

3.2。快速搜索并找到密度峰值

密度峰值快速搜索与查找(FSFDP) [46.]假设一个簇中心的数据密度相对较高，并且一个簇的中心离另一个簇的中心很远。基于这个假设，FSFDP自动计算集群及其中心的数量。此外，它可以直观地检测和删除异常值。使用FSFDP算法，非球形聚类易于识别。在FSFDP中，计算每个数据点密度所使用的截止距离对FSFDP的有效性有很大的影响。对于一个数据点 ，FSFDP计算局部密度， ，和距离， ，从其最近的中心如下： 在哪里 ，到数据点的距离至j和截止距离用于计算每个数据点的密度。用于分配数据点到最近的簇中心的距离计算为

方程(2)和(3.)表示聚类中心是距离较大的点”δ“来自其他集群中心和高数据密度”ρ“密度峰值的快速查找和发现在两种规模的实现上进一步实验[42.]，表示为双尺度密度峰值快速查找(TFSFDP)。

3．3.高斯混合模型

不像K-均值聚类，高斯混合模型(GMM) [44.]允许不同形状的簇。簇的方向依赖于高斯分布。GMM设置k根据数据分布的高斯人数。GMM使用其诸如方差等参数来了解属于每个数据点的概率的群集 ，的意思是 ，和群集的重量 ．在数学上，它是通过使用的计算

GMM允许集群重叠;但是，它是计算的广泛。因此，GMM不适用于高维数据。此外，GMM取决于高斯分布（集群）。

3．4．基于密度的空间聚类的噪声应用

与FSFDP相似，基于密度的空间聚类具有噪声的应用程序（DBSCAN）[45.]是一种基于密度的聚类算法，其不需要簇数作为初始参数。DBSCAN根据数据连接识别各种形状和大小的群集。此外，由于其有效的计算，DBSCAN被广泛采用。但是，DBSCAN的算法取决于初始半径“r，如下所示:

如果半径设置较小，则认为所有属于稀疏簇的点都是噪声。另一方面，如果半径设置为较大，所有点都位于一个单一的簇内。因此，为了得到合适的结果，将算法以不同的值“多次执行”r．”

4.实验和结果

本节描述了我们实验中使用的数据集和评估标准的细节。由于不同的聚类方法有不同的参数，这些参数的细节将在参数设置部分进行讨论。重点是阐述不同的先进聚类算法对基于聚类的内容和颜色自适应色调映射算法的影响，并在性能和有效性部分进行了研究。

4.1。数据集和评估标准

培训阶段，柯达的数据库[49.]，由大小为512 × 768 × 3的24幅图像组成。所有的图像都是真实的颜色(每像素24位)，对于色调映射，这些图像被用作标准集套装[49.］．在测试阶段，我们对Fun和Shi进行了一系列的实验[50.HDR数据集评估不同聚类算法对基于聚类的内容和颜色自适应色调映射的影响[42.］．该数据集包含了尼康D700数码相机拍摄的105个场景的室内和室外HDR图像。来自数据集的示例图像如图所示1．

我们对不同聚类算法的结果进行了定性和定量的比较。在将HDR图像转换为LDR图像时，色调映射操作符试图保持理想的特性，包括局部结构和自然度，并避免晕轮效应。由于没有参考LDR图像，经典的客观测量评价参数如PSNR不能用于评价色调映射。因此，我们使用了两种度量来定量评估不同聚类技术下的动态范围缩减:色调映射图像质量指数(TMQI) [51.[音调映射图像（FSITM）的特征相似性索引[52.］．tmqi [51.]计算结构相似性和自然度指标，FSITM [52.]是测量HDR和LDR图像之间的局部相位相似性。

4.2。参数设置

图像的外观再生不仅依赖于灰度关系，还依赖于亮度、对比度、灰度和颜色关系等多个局部加权属性。基于聚类的内容和颜色自适应色调映射[42.]是一个patch基模型，其中patch的大小和形状取决于用于计算平均值和颜色结构的窗口。在本研究中，我们使用了Li等人定义的7 × 7大小的默认窗口[42.］．我们使用了[中的色调映射过程中的颜色外观，本地结构和亮度的默认值。[42.］．

对于聚类算法，控制参数设置为最优值。每个聚类方法的这些参数的详细信息如下。

4.2.1。准备为K则

为K- 群集群集，群集的数量最初设置为100。

4.2.2。用于快速搜索和查找密度峰值

为了快速搜索和查找密度峰值，截止距离“，由公式(2)是重要的。但改变其默认值“1.4141”，客观评价没有差异，如表所示1;因此，我们将其设置为1.4141。

4.2.3。基于密度的空间聚类的应用与噪声

此外，对于DBSCAN，我们多次执行算法得到合适的值“r，如式(5）.关于“的默认值”r，“DBSCAN为10，算法将稀疏数据点视为噪声，因此选择的值”r变成0.2。

4.2.4。对于高斯混合模型

对于GMM来说，我们使用了高斯分布的默认值“k“在等式中（4） 作为 （2）.实验表明，不同的高斯分布值对客观评价没有影响或影响很小。然而，高斯分布的值较大，计算代价较高。如图所示2．

4．3．性能和效率

4.3.1。客观评价

桌子2和3.给出了不同聚类技术应用于[42.]在TMQI和FSITM分别。两个表中都突出显示了最佳结果。绿色、蓝色和黄色分别代表第一、第二和第三好分数;同样，红色的数字代表最差的分数。色调映射算子的有效性取决于HDR图像场景的对比度、亮度和局部结构。因此，色调映射算子不能对所有HDR图像同等有效[53.］．桌子2描绘TFSFDP最适合9张图像;然而，考虑到每种方法的平均值，可以替代地使用K-Means和FSFDP。桌子3.进一步加强了结果，因为FSITM表明TFSFDP表现最佳，而K-Means和FSFDP则分别位于第二和第三位。此外，DBSCAN在每个图像的FSITM和TMQI方面执行最差。根据所获得的结果，不建议使用DBSCAN进行音调映射。

还比较了基于聚类的色调映射技术在执行时间方面的性能。图中给出了不同的基于聚类的色调映射技术的执行时间3.，这说明无论提供的TMQI和FSITM结果如何，GMM的计算成本都很高。因此，它不是用于色调映射操作的首选聚类算法。就最快的执行时间而言，K-means比其他方法的执行时间最短，约为“6.598秒”，而DBSCAN和FSFDP也可以被考虑为音调映射操作，因为它们的执行时间分别约为“11.31秒”和“12.218秒”。

4.3.2。主观评估评估

主观评估通过视觉评估和评分进行。数字4和5使用音调室内和室外场景图像表现出基于聚类技术的视觉比较。FSFDP，TFSFDP和K-Meancy生产了视觉上吸引人的结果，因为这些聚类方法更好地保留了本地结构和颜色饱和度，如图所示4(一)- - - - - -4 (c)和数字5(一个)- - - - - -5（c）．在FSFDP的情况下，小细节如图中阴影角落附近的云4(一)和4 (b)切菜板的木纹，如图所示5(一个)和5（b）保持比K-表示可以从图中清楚地说明4 (c)和5（c）．GMM存在着信息丢失和不良影响。在数据4 (d)和5（d），窗户玻璃和架子上的细节是不可见的。在DBSCAN的情况下，颜色是过饱和的，并导致不自然的视觉外观的图像，如图所示4（e）和5（e）．

由8名目前从事图像处理和机器学习的志愿者对12幅图像进行主观评价。我们使用空间分辨率为2560 × 1600的显示器来显示图像，并使用图像查看器自定义窗口并排显示图像。我们将所有方法得到的图像展示给志愿者，让他们从1到10给图像打分。1是最差的分数，10是最高的分数。在主观评估过程中，评分是通过给每个志愿者提供的分数表来记录的。数字6表明，对于大多数图像，FSFDP具有最高的平均分数。

5.结论

色调映射是一个复杂的领域，需要在不丢失信息的情况下将HDR图像转换为LDR图像。本文的目的是在现有的聚类技术中提出最好的聚类技术，以保留基于聚类的内容和颜色自适应色调映射方法丢失的复杂局部细节。为此目的，本文研究了不同聚类技术的影响。通过主观评价和FSITM和TMQI值来衡量有效性。实验结果表明，基于密度峰值的快速搜索和查找算法在计算代价可接受的情况下，可以得到更吸引人的音调映射结果。在以后的研究中，该模型可以扩展为使用颜色结构以外的特征对斑块进行聚类。此外，任何其他功能代替年代形状arctan曲线可用于范围压缩。

数据可用性

支持本研究结果的数据可根据要求从通讯作者处获得。

的利益冲突

作者声明本论文的发表不存在任何利益冲突。

参考文献

1. J. Tumblin和H. Rushmeier，“写实图像的色调复制，”IEEE计算机图形和应用程序第13卷，没有。6, 42-48页，1993。视图:出版商网站|谷歌学术
2. G. Ward，“亮度显示的基于对比度的比例因子”图形的宝石，卷。4，pp.415-421，elestvier，阿姆斯特丹，荷兰，1994年。视图:出版商网站|谷歌学术
3. F. Drago, K. Myszkowski, T. Annen和N. Chiba，“用于显示高对比度场景的自适应对数映射，”计算机图形学论坛第22卷，第2期。3，页419-426,2003。视图:出版商网站|谷歌学术
4. M. H. Kim和J. Kautz，“一致的语气繁殖”计算机图形和成像的诉讼程序2008年2月，奥地利因斯布鲁克。视图:谷歌学术
5. E. Reinhard，M. Stark，P. Shirley和J.Ferwerda，“数字图像的摄影色调再现”ACM图形学报(TOG)第21卷，没有。3，第267-276,2002。视图:出版商网站|谷歌学术
6. E. Reinhard和K. Devlin，“受光感受器生理学启发的动态范围缩小，”可视化与计算机图形学汇刊，第11卷，第2期。1，第13-24页，2005。视图:出版商网站|谷歌学术
7. I. R. Khan, S. Rahardja, M. M. Khan, M. M. Movania, F. Abed，“一种基于直方图的色调映射技术，使用人类视觉系统的灵敏度模型，”IEEE工业电子学汇刊，第65卷，不。4，页3469-3479,2018。视图:出版商网站|谷歌学术
8. J. Han，I. R. Khan和S. Rahardja，“照明条件自适应色调映射方法”ACM SIGGRAPH 2018会议记录海报在SIGGRAPH ' 182018年8月，加拿大温哥华，1-2页。视图:出版商网站|谷歌学术
9. D. Lischinski, Z. Farbman, M. Uyttendaele和R. Szeliski，“调性值的互动性局部调整”，在美国计算机学会图形汇刊第25卷，没有。3, 646-653页，ACM, 2006。视图:出版商网站|谷歌学术
10. D.-H。李，范，s - w。金,M.-C。康,S.-J。Ko，“基于视网膜适应非对称模型的高动态范围图像色调映射，”信号处理:图像通信，第68卷，120-128页，2018年。视图:出版商网站|谷歌学术
11. B.顾，W.LI，M. Zhu和M. Wang，“局部优势维护多尺度分解，高动态范围图像音调映射”IEEE图像处理汇刊第22卷，第2期。1, pp. 70-79, 2013。视图:出版商网站|谷歌学术
12. D. Min, S. Choi, J. Lu, B. Ham, K. Sohn, M. N. Do，“基于加权最小二乘的快速全局图像平滑”，IEEE图像处理汇刊(第23卷)12页，5638-5653,2014。视图:出版商网站|谷歌学术
13. Z. Farbman, R. Fattal, D. Lischinski和R. Szeliski，“用于多尺度音调和细节处理的边缘保持分解”，ACM图形学报(TOG)，卷。27，不。3，ACM，2008。视图:出版商网站|谷歌学术
14. S. Paris, S. W. Hasinoff和J. Kautz，“局部拉普拉斯滤波器”，ACM的通讯，卷。58，不。3，pp。81-91,2015。视图:出版商网站|谷歌学术
15. Xu L.， Lu C.， Xu Y.， and J. Jia，“基于l0梯度最小化的图像平滑”，载于ACM图形学报(TOG)，卷。30，没有。6，p。174，ACM，2011年。视图:出版商网站|谷歌学术
16. 徐璐，颜庆，夏勇，贾建平，“基于相对总变异的纹理结构提取方法”，ACM图形学报(TOG)第31卷，不。6, p. 139, 2012。视图:出版商网站|谷歌学术
17. F. Durand和J. Dorsey，“用于高动态范围图像显示的快速双边滤波”，ACM图形学报(TOG)第21卷，没有。3, ACM, 2002年。视图:出版商网站|谷歌学术
18. P. Debevec和S. Gibson，“用于高对比度图像的色调映射算法”第十三届欧洲图形学渲染研讨会论文集，比萨，意大利，2002年6月。视图:谷歌学术
19. J. Kuang, G. M. Johnson, M. D. Fairchild，“iCAM06:用于HDR图像渲染的精炼图像外观模型，”中国可视通信与图像表示，卷。18，不。5，PP。406-414,2007。视图:出版商网站|谷歌学术
20. 童士华，杨元庆，“一种新的音调映射算法”，载于2019 IEEE第八届联合国际信息技术与人工智能大会(ITAIC)论文集，第427-431页，IEEE，重庆，中国，2019年5月。视图:出版商网站|谷歌学术
21. G. Krawczyk, K. Myszkowski和H. P. Seidel，“高动态范围图像色调复制中的亮度感知”，计算机图形学论坛，第24卷，没有。3, 635-645页，2005。视图:出版商网站|谷歌学术
22. L. Sharan和E. H. Adelson，“基于子带结构的高动态范围图像压缩和压缩”，美国计算机学会图形汇刊，第24卷，没有。3，pp。836-844,2005。视图:出版商网站|谷歌学术
23. 贾勇，张伟，“一种基于导频滤波的自适应音调映射算法，”国际模式识别与人工智能第34卷，没有。4, p. 2054012, 2020。视图:出版商网站|谷歌学术
24. L. Meylan, D. Alleysson, S. Süsstrunk，“用于彩色滤光片阵列图像色调映射的视网膜局部适应模型，”美国光学学会杂志，第24卷，没有。9，页2807-2816,2007。视图:出版商网站|谷歌学术
25. X.-S。张,K.-F。杨俊杰，周俊杰。视网膜启发的高动态范围图像的色调映射方法光学表达第28卷，第2期。5, 5953-5964页，2020年。视图:出版商网站|谷歌学术
26. C. A. Parraga和X. Otazu，“哪个音调映射操作是最好的?”知觉质量的比较研究美国光学学会杂志第35卷，没有。4, pp. 626-638, 2018。视图:出版商网站|谷歌学术
27. 陈慧堂、刘天理、傅成生，“从亮度驱动的知觉分组看音调再现”，《现代视觉》，国际计算机视觉杂志，第65卷，不。1-2，第73-96页，2005。视图:出版商网站|谷歌学术
28. Z. Liang，W. Liu和R. Yao，“非线性扩散滤波的对比度”，IEEE图像处理汇刊第25卷，没有。2，pp。673-686,2016。视图:出版商网站|谷歌学术
29. M. K. Ng和W. Wang，“Retinex的全变分模型”，SIAM成像科学杂志，卷。4，不。1，pp。345-365，2011。视图:出版商网站|谷歌学术
30. H.Ahn，B. keum，D. Kim和H. S. Lee，“基于RetineX的自适应局部音调映射，用于高动态范围图像”2013年IEEE消费电子国际会议论文集，pp.153-156，IEEE，拉斯维加斯，NV，美国，2013年1月。视图:出版商网站|谷歌学术
31. Liang, J. Xu, D. Zhang, Z. Cao, and L. Zhang， " A hybrid layer decomposition model for tone mapping， " in chinese .中文信息学报计算机视觉与模式识别IEEE会议论文集，pp.4758-4766，盐湖城，US，2018年6月。视图:出版商网站|谷歌学术
32. B. J. Lee和B. C. Song，“基于子带分解多尺度retinex的高动态范围图像局部色调映射”，载于2014年IEEE消费电子会议2014年议程（ICCE）2014年1月，美国拉斯维加斯，125-128页。视图:出版商网站|谷歌学术
33. 许晓明，“局部自适应秩约束最优音调映射”，ACM图形学报(TOG)，第37卷，no。3，页1-10,2018。视图:出版商网站|谷歌学术
34. A. Rana, G. Valenzise和F. Dufaux，“基于学习的自适应音调映射的关键点检测”，在2017 IEEE国际多媒体与展览会议论文集， 337-342页，中国香港，2017年7月。视图:出版商网站|谷歌学术
35. D. M. El Mezeni和L. V. Saranovac，“增强的局部色调映射，用于保留高动态范围图像的细节再现，”中国可视通信与图像表示，卷。53，pp。122-133,2018。视图:出版商网站|谷歌学术
36. S. A. Henley，“高动态范围图像的渲染”，美国专利No.7,480,421，美国专利和商标职员，华盛顿特区，美国，​​2009年。
37. Z. Li和J. Zheng，“高动态范围图像的视力基于显着的色调映射”，IEEE工业电子学汇刊(第61卷第1期)12页7076-7082,2014。视图:出版商网站|谷歌学术
38. S.Ferradans，M.Bertalmio，E.Vercenzi和V.Caselles，“对色调映射的视觉适应和对比感性分析”IEEE模式分析与机器智能汇刊，卷。33，不。10，pp。2002-2012，2011。视图:出版商网站|谷歌学术
39. P. Ambalathankandy，M.Ikebe，T. Yoshida等，“在FPGA上实现的”自适应全局和本地音调映射算法“，IEEE视频技术电路与系统汇刊，2019年。视图:出版商网站|谷歌学术
40. A. Mehmood, I. R. Khan, D. Hassan, and D. Hussain，“CT图像增强可视化ACM Siggraph的诉讼程序2019年海报2019年7月，美国纽约，第83卷，1-2页。视图:出版商网站|谷歌学术
41. A. Rana，P. Singh，G.Valenzise，F. Dufaux，N. Komodakis，A. Smolic，“深色语气映射运营商，高动态范围图像”，IEEE图像处理汇刊， vol. 29, pp. 1285-1298, 2019。视图:出版商网站|谷歌学术
42. H.LI，X.JIA和L. Zhang，“基于聚类的内容和彩色自适应色调映射”计算机视觉和图像理解，卷。168，pp。37-49,2018。视图:出版商网站|谷歌学术
43. d·埃利斯高动态范围摄像机的色调映射，牛津大学工程科学系，牛津，英国，2008年，http://www.robots.ox.ac.uk/~dre/docs/ellis_d_stj_4yp.pdf.．
44. 基于高斯混合模型的聚类-高斯混合模型-介质聚类，2018，https://medium.com/clustering-with-gaussian-mixture-model/clustering-with-gaussian-mixture-model-c695b6cd60da．
45. M.酯，H.P.P.Kriegel，J. Sander和X. Xu，“一种基于密度的算法，用于发现具有噪声的大型空间数据库中的群集”计算机科学，第96卷，第2期。第34页，226-231页，1996。视图:谷歌学术
46. A. Rodriguez和A. Laio，“通过快速搜索和发现密度峰值来聚类，”科学，第344卷，no。6191页，1492-1496,2014。视图:出版商网站|谷歌学术
47. S. A. Elavarasi，J.Akilandeswari和B. Sathiyabhama，“关于分区聚类算法的调查，”国际企业计算和商业系统杂志，第1卷，第2期。1, 2011。视图:谷歌学术
48. S. K. Popat和M. Emmanuel，“聚类技术的回顾和比较研究”，国际计算机科学与信息技术杂志，第5卷，第4卷。1, pp. 805-812, 2014。视图:谷歌学术
49. http://r0k.us/graphics/kodak/, 2018年。
50. B. Funt和L. Shi，“HDR DataSet”，2018年，/数据/ funt_hdr / http://www.cs.sfu.ca/∼颜色．视图:谷歌学术
51. H. Yeganeh和Z. Wange，“口感映射图像的客观质量评估”IEEE图像处理汇刊第22卷，第2期。2，pp。657-667,2013。视图:出版商网站|谷歌学术
52. H. Z. Nafchi，A. Shahkolaei，R. F. Moghaddam和M. Chesiet，“FSITM：音调图像的特征相似索引”，“IEEE信号处理快报第22卷，第2期。8, pp. 1026-1029, 2015。视图:出版商网站|谷歌学术
53. K.Gu，S. Wang，G. Zhai等，“通过信息，自然和结构分析，”Zhai等，“盲教评估色调图像，”IEEE多媒体汇刊，卷。18，不。3，第432-443,2016。视图:出版商网站|谷歌学术

版权

Maleeha Javed等人版权所有这是一篇开放获取的文章知识共享署名许可，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。