1.基于双分支神经网络的单曝光高动态范围图像生成方法，其特征在于，包括以下步骤：S1、采集现有的HDR图像，构建HDR图像数据集；

S2、对HDR图像数据集中的HDR图像进行预处理，得到训练LDR图像；

S3、将训练LDR图像输入双分支神经网络模型，对双分支神经网络模型进行训练；

S4、当双分支神经网络模型收敛后，向双分支神经网络模型输入测试LDR图像，输出得到HDR图像；

S5、将双分支神经网络模型嵌入到移动设备或普通的PC端上，对其输出的HDR图像进行后处理；

所述步骤S3中的双分支神经网络模型包括亮分支和暗分支，在对双分支神经网络模型进行训练时，所述亮分支和暗分支分别使用其对应的损失函数；

亮分支损失函数 的计算公式为：

其中 表示双分支神经网络输出值，Y表示Ground Truth值，下标i,c表示通道c中的第iL个像素，w,h分别表示图像的宽与高，ε为防止log内值为0的调整系数，α表示亮分支损失函数中色调损失的权重， 表示 的第i个像素从RGB域转到HSV域的H通道的值，Hi表示真实图像第i个像素从RGB域转到HSV域的H通道的值， 表示第i个像素的亮分支掩模，其计算公式为：其中ta为判定图像区域是否为高曝光的阈值，Ii表示图像第i个像素的亮度，其计算公式为：Ii＝0.299Xri+0.587Xgi+0.114Xbi其中Xri,Xgi,Xbi分别表示第i个像素的RGB值；

暗分支损失函数 的计算公式为：

D D

其中α表示暗分支损失函数中色调损失的权重，Mi表示第i个像素的暗分支掩模，其计算公式为：其中tb为判定图像区域是否为欠曝光的阈值；

所述双分支神经网络模型的损失函数 的计算公式为：其中ω1,ω2分别为用于平衡亮分支损失函数值和暗分支损失函数值的权重。

2.根据权利要求1所述的单曝光高动态范围图像生成方法，其特征在于，所述步骤S1具体为：使用相机的环绕曝光拍摄多帧合成的HDR图像或者采集已有的HDR图像资源，并通过人工或脚本筛选数据，剔除掉有较多坏像素或不符合要求的HDR图像数据，将剩余HDR图像数据构成HDR图像数据集。

3.根据权利要求1所述的单曝光高动态范围图像生成方法，其特征在于，所述步骤S2包括以下分步骤：S21、对HDR图像数据集中的HDR图像进行随机裁剪，得到随机裁剪图像；

S22、采用resize函数将随机裁剪图像处理为固定大小的图像；

S23、对固定大小的图像进行色调、饱和度的随机调整以及随机直方图裁剪，得到随机直方图裁剪图像；

S24、对随机直方图裁剪图像进行随机参数的色调映射，得到LDR图像。

4.根据权利要求3所述的单曝光高动态范围图像生成方法，其特征在于，所述步骤S21中随机裁剪的比例为整幅图片RGB三个通道中像素值最高的前3％～5％。

5.根据权利要求1所述的单曝光高动态范围图像生成方法，其特征在于，所述步骤S4包括以下分步骤：S41、当双分支神经网络模型收敛后，向双分支神经网络模型输入测试LDR图像；

S42、根据阈值ta和tb计算得到测试LDR图像的亮分支掩模和暗分支掩模；

S43、将测试LDR图像转至HDR域，并分别输入至双分支神经网络模型的亮分支和暗分支中；

S44、将亮分支掩模与亮分支的输出进行点乘，得到第一点乘结果，同时将暗分支掩模与暗分支的输出进行点乘，得到第二点乘结果；

S45、根据亮分支掩模和暗分支掩模计算得到正常曝光掩模 并将其与测试LDR图像转至HDR域的结果进行点乘，得到第三点乘结果；

S46、将第一点乘结果、第二点乘结果和第三点乘结果进行求和，得到HDR图像并输出。

6.根据权利要求5所述的单曝光高动态范围图像生成方法，其特征在于，所述步骤S45中正常曝光掩模 的计算公式为：其中下标i表示第i个像素。

7.根据权利要求1所述的单曝光高动态范围图像生成方法，其特征在于，所述步骤S5中对双分支神经网络模型输出的HDR图像进行后处理包括直方图调整和去噪。