一、背景介绍
图像融合算法里面，hdr图像进行融合，拓宽动态范围的操作非常常见。
常用的hdr融合算法通常有两类：
1、不同曝光的ldr图像先进行hdr融合，得到高bit位的hdr图像，再通过tonemaping算法得到结果如图像。
2、不同曝光的ldr图像，直接融合生成期望的结果图像，不需要高bit的hdr中间结果和tonemapping相关操作。
本篇主要是对第二类方法之exposure fusion 的简单实现和记录。
二、实现流程
1、基本原理
对输入的不同曝光ldr图像，通过各自的亮度/对比度/饱和度信息，生成对应帧融合权重，再通过金字塔融合，直接得到hdr结果图像。
详细信息的话，小伙伴们可以参考：Exposure Fusion_Adagrad的博客-CSDN博客
2、代码流程
a、拿到ldr输入输入图像：
b、利用拉普拉斯滤波，计算图像对比度权重：
如上图，纹理信息越丰富区域，权重越高。
但是实际上，这种方式得到的对比度权重其实并不太好，因为这里的边缘纹理太细了，对于区域融合来说，这种细散的纹理状态，对融合权重的贡献并不友好，并还可能导致结果图像出现边缘异常之类情况。
可以尝试加入多尺度融合或者说使用更复杂一些的对比度检测，将丰富纹理区域更突显一些。不过这些我这里就不拓展了，有兴趣的大佬们自己折腾吧。
c、根据每个像素r/g/b标准差，得到图像饱和度权重：
可以看到，饱和度越高的区域，对应权重越大，比如天空位置，最亮帧完全没有权重，最暗帧上权重最大。
但是实际上来说，这里用r/g/b标准差来计算图像饱和度方式，权重表现并不特别好，并且复杂度太高了。
rgb图像饱和度计算有个特别简单的办法：每个像素上r/g/b里面最大值-最小值,取绝对值的结果，就可以是当前图像饱和度。
d、根据公式：
得到图像对应的亮度权重。基本原理来说就是图像像素越接近128，表示图像越不可能死黑或者过曝，相应的它权重也就越高。
但是该亮度权重计算其实也有缺陷，会导致图像融合时候，整体动态范围趋势趋向靠近128中间灰度，容易导致部分场景的亮区或者暗区出现对比度发蒙的情况。
另外，这个权重公式没有考虑到暗帧过曝的情况，假设某个区域暗帧也完全过曝，那么会导致这个过曝区域的权重直接跑飞，因为所有帧上这个区域的融合权重都会是0。
e、根据公式：
将三个权重合并，得到最终权重结果(我这里设置Wc,Ws,We都为1)。
f、根据生成的融合权重，使用金字塔融合，得到hdr融合结果图像。
这一步也有问题，因为对不同ev的ldr图像用金字塔做图像融合，会有个大缺陷：结果图像上在高光和死黑区域会数据溢出，如果直接截断保存，就会导致结果图像出现高光过曝或者暗区死黑。
如下图可以看到，直接截断的结果图上，天空区域这些的地方已经完全过曝了。
要避免这个问题，要么直接换成alpha之类融合算法代替，要么对金字塔融合结果就不要直接截断，而且完整数据保存，然后对金字塔融合图像，再做一次轻量的tonemaping之类操作，得到最终结果。
最终表现如下图所示:
从左往右依次为：最暗帧，金字塔融合直接截断保存结果，金字塔融合+tonemaping处理结果。
三、复现代码
参考论文的简单复现代码地址：
https://github.com/yulinghan/ImageQualityEnhancement/tree/master/fusion/exposure_fusion