本书主要围绕颜色认知计算，主要包含颜色恒常性计算和高动态范围场景的可视化技术(色调映射和多曝光融合)两部分。如果将颜色分解为色度(Chromaticity）和亮度(Lightness)两个因素，则颜色恒常性计算主要是从颜色的色度信息的角度来研究人对颜色的感知；而HDR场景可视化技术主要是从颜色的亮度度量表示研究人对颜色的感知。

章引言1 1.1背景与意义1 1.1.1颜色恒常性1 1.1.2HDR图像处理3 1.2国内外研究现状5 1.2.1颜色恒常性计算5 1.2.2HDR图像处理9 参考文献12 第2章颜色恒常性计算13 2.1朗伯特反模型13 2.2颜色恒常性计算14 2.3对角模型14 2.4颜色恒常性计算研究现状15 2.4.1无监督的颜色恒常性计算15 2.4.2有监督的颜色恒常性计算20 2.4.3颜色恒常性融合算法25 2.4.4颜色不变性描述27 2.5颜色恒常性计算实验数据集32 2.6光照估计的性能评价标准34 2.7本章小结35 参考文献35 第3章基于树结构联合稀疏表示的多线索光照估计36 3.1引言36 3.2研究背景373.2.1成像模型37 3.2.2光照估计相关工作37 3.2.3稀疏表示40 3.3基于树结构联合稀疏表示的多线索光照估计40 3.3.1MC概述40 3.3.2树结构联合稀疏正则化41 3.3.3TGJSR的优化45 3.3.4核化TGJSR47 3.4MC光照估计的实现与分析48 3.4.1特征提取48 3.4.2由MC框架生成的其他方法49 3.5实验结果50 3.5.1评价标准52 3.5.2GehlerShi数据集测试52 3.5.3SFU数据集测试54 3.5.4Barcelona数据集测试56 3.6比较与分析58 3.6.1TGJSR框架中方法的比较58 3.6.2与其他光照估计算法的比较63 3.6.3使用不同稀疏正则化的MC方法的比较67 3.树结构联合稀疏表示与近邻方法的比较68 3.6.5训练数据集大小的影响69 3.6.6线性MC和核化MC的比较69 3.7本章小结72 参考文献72 第4章基于纹理相似性的自然图像的颜色恒常性计算73 4.1引言73 4.2相关工作介绍74 4.2.1基于自然图像统计的颜色恒常性算法融合74 4.2.2存在的问题76 4.3基于纹理相似性的自然图像的颜色恒常性计算77 4.3.1威布尔分布与图像的纹理特征78 4.3.2基于纹理相似的颜色恒常性算法融合79 4.4实验结果与分析80 4.4.1参数K的选择实验80 4.4.2交验证实验82 4.4.3图像光照校正示例83 4.5本章小结85 参考文献85 第5章自然场景光照估计融合算法的评价86 5.1引言86 5.2光照估计融合算法87 5.2.1无监督融合88 5.2.2有监督融合88 5.2.3引导式融合89 5.3单一颜色恒常性算法92 5.4实验设置94 5.4.1图像数据集94 5.4.2误差评价标准96 5.4.3实验参数选择96 5.5实验结果99 5.5.1GehlerShi数据集的结果分析99 5.5.2SFU子数据集的结果分析103 5.5.3Barcelona数据集的结果分析106 5.5.4时间性能比较110 5.6实验结果分析111 5.6.1一致性分析111 5.6.2UC与SC算法的比较111 5.6.3SC和GC算法的比较113 5.IGC算法的特征分析116 5.7场景类别对融合的影响117 5.8单一估计算法对融合的影响118 5.8.1使用UU和SU算法进行融合的性能比较118 5.8.2单一算法数量对融合结果的影响119 5.9多光源场景的融合算法120 5.10本章小结122 参考文献122 第6章基于亮度感知的HDR场景再现123 6.1引言123 6.2相关工作介绍124 6.3存在的问题126 基于亮度感知理论的HDR场景再现算法126 .1HVS亮度感知理论126 .2基于“双锚”理论的色调映算法127 .3对比度增强132 .4颜色校正134 6.5实验结果与分析136 6.5.1评价标准136 6.5.2性能分析与比较137 6.6本章小结147 参考文献148 第7章基于稀疏表示和可平移**向金字塔变换的多曝光融合149 7.1引言149 7.2可平移**向金字塔变换150 7.3基于稀疏表示和可平移**向金字塔变换的多曝光融合154 7.3.1稀疏表示简介154 7.3.2基于稀疏表示和PDTDFB的多曝光融合算法155 7.4实验结果与分析159 7.4.1评价标准160 7.4.2实验结果与分析163 7.5本章小结169 参考文献169 第8章一种端到端深度学习框架下的多曝光图像融合算法170 8.1引言170 8.2存在的问题171 8.3端到端深度学习框架下的多曝光图像融合171 8.4实验结果与分析174 8.5本章小结177 参考文献177 第9章基于生成对抗网络的多曝光图像融合框架178 9.1引言178 9.2GAN网络结构180 9.2.1标准GAN181 9.2.2相对GAN182 9.2.3相对平均GAN184 9.2.4小二乘GAN185 9.3基于生成对抗网络的多曝光图像融合框架187 9.3.1基于GAN的多曝光图像融合架构187 9.3.2生成器网络结构188 9.3.3判别器网络结构199 9.3.4损失函数200 9.4实验结果204 9.4.1评价指标204 9.4.2结果分析204 9.5本章小结216 参考文献217 0章总结与展望218 10.1总结218 10.2展望221