一种基于深度学习的高动态感兴趣区域图像处理方法技术

本发明专利技术涉及图像处理技术领域，具体涉及一种基于深度学习的高动态感兴趣区域图像处理方法，本发明专利技术通过摄像机获取高动态图像，并将图像输入感兴趣区域处理；利用生成的感兴趣区域图获得感兴趣区域和非感兴趣区域数据；利用误差反向传播学习算法对网络中的权值进行反复修正，直至误差达到最小值，并获得最优权值；利用最优权值的神经网络算法对输入信号进行分类，如果输入数据属于视觉关注模型检测的感兴趣区域，则输出值为l，否则为0。本发明专利技术利用深度学习神经网络算法提取后的图像中感兴趣区域没有失真，同时维护了感兴趣区域内容的完整性；能够精确检测图像中的感兴趣区域，保证了对感兴趣区域的准确提取，从而使提取结果了良好的视觉效果。好的视觉效果。好的视觉效果。

【技术实现步骤摘要】
一种基于深度学习的高动态感兴趣区域图像处理方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于深度学习的高动态感兴趣区域图像处理方法。

技术介绍

[0002]高动态范围图像处理主要针对的对象是具有较宽动态范围的浮点型的亮度图像。这一特点决定了高动态范围图像处理方法能够提取较多的亮度信息进行分析、处理。对于亮度对比较高或者光线条件较差的环境，例如逆光，傍晚，黄昏等场景，高动态范围图像处理方法具有较为明显的优势。
[0003]高动态范围图像处理主要需要解决以下三个问题:如何通过动态范围受限的图像传感器重建出高动态范围图像(又称为高动态范围图像合成)；如何将高动态范围图像转换为可以直接在动态范围受限的数字显示器上显示的灰度图像(又称为动态范围压缩或色阶映射)；如何有效地抑制由光子的不规则运动所引起的信号相关噪声。
[0004]图像感兴趣区域是指在一幅图像中最能吸引用户又能体现整幅图像内容的区域。该区域是图像的关键区域，也是图像的目标区域，它包含了图像的主要内容。因此，基于图像感兴趣区域的研究必将成为图像处理领域研究的重点和热点。
[0005]图像感兴趣区域检测是利用计算机模拟人的视觉功能(即计算机借助各种视觉传感器，如:CCD摄像器)，将客观世界的三维场景变成二维图像，再根据视觉显著性对图像中的感兴趣区域进行识别。另外，视觉关注是图像感兴趣区域研究的一个重要分支，它不仅可以体现用户的观察能力，还有利于提高感兴趣区域检测精度。随着图像感兴趣区域研究的进一步深入，国内外已经有很多学者将视觉关注的概念引入到图像处理领域。

技术实现思路

[0006]针对现有技术的不足，本专利技术公开了一种基于深度学习的高动态感兴趣区域图像处理方法，用于实现图像良好的视觉效果。
[0007]本专利技术通过以下技术方案予以实现：
[0008]本专利技术公开一种基于深度学习的高动态感兴趣区域图像处理方法，所述方法包括以下步骤：
[0009]S1通过摄像机获取高动态图像，并将图像输入感兴趣区域处理；
[0010]S2对输入图像进行过滤去噪、HSV空间变换处理；
[0011]S3输入图像分别获得图像颜色、亮度和边缘视觉特征；
[0012]S4进一步获得颜色特征图、亮度特征图和边缘特征图，并将多幅特征图经过线性归一化处理生成感兴趣区域图；
[0013]S5利用生成的感兴趣区域图获得感兴趣区域和非感兴趣区域数据；
[0014]S6将S5中的数据作为样本输入深度学习神经网络进行学习训练；
[0015]S7利用误差反向传播学习算法对网络中的权值进行反复修正，直至误差达到最小
值，并获得最优权值；
[0016]S8利用最优权值的神经网络算法对输入信号进行分类，如果输入数据属于视觉关注模型检测的感兴趣区域，则输出值为l，否则为0。
[0017]更进一步的，所述深度学习神经网络包括输入层、隐藏层和输出层，其输入信号通过隐藏层节点作用于输出节点，经过非线性变换，产生输出信号。
[0018]更进一步的，所述深度学习神经网络的网络训练，其每个样本包括输入向量和期望输出值，网络输出值与期望输出值之间的误差通过调整权值和阈值沿梯度方向下降，进过反复学习训练，确定与最小误差相应的权值，即可停止训练。
[0019]更进一步的，所述输入层主要负责输入数据的接收，其中，输入数据是经过改进视觉关注模型检测的感兴趣区域数据和非感兴趣区域数据，输入层有两个节点，一个用于接收输入样本中的感兴趣区域数据，另一个用于接收输入样本中的非感兴趣区域数据。
[0020]更进一步的，所述隐藏层负责信号的处理，所述隐藏层包括数据流正向传播和误差信号反向传播，所述数据流正向传播和误差信号反向传播两个过程交替进行，直至误差达到最小值结束。
[0021]更进一步的，所述输出层负责输出计算结果，其根据视觉关注模型提供的数据进行学习训练，并完成信息记忆过程。
[0022]更进一步的，所述方法中，获取高动态图像是找到非线性响应函数g，找到不同的灰阶所对应的亮度值，从而还原输入图像的动态范围。
[0023]本专利技术的有益效果为：
[0024]本专利技术利用深度学习神经网络算法提取后的图像中感兴趣区域没有失真，同时维护了感兴趣区域内容的完整性；能够精确检测图像中的感兴趣区域，保证了对感兴趣区域的准确提取，从而使提取结果了良好的视觉效果。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是一种基于深度学习的高动态感兴趣区域图像处理方法原理步骤图。
具体实施方式
[0027]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]实施例1
[0029]本实施例公开如图1所示的一种基于深度学习的高动态感兴趣区域图像处理方法，所述方法包括以下步骤：
[0030]S1通过摄像机获取高动态图像，并将图像输入感兴趣区域处理；
[0031]S2对输入图像进行过滤去噪、HSV空间变换处理；
[0032]S3输入图像分别获得图像颜色、亮度和边缘视觉特征；
[0033]S4进一步获得颜色特征图、亮度特征图和边缘特征图，并将多幅特征图经过线性归一化处理生成感兴趣区域图；
[0034]S5利用生成的感兴趣区域图获得感兴趣区域和非感兴趣区域数据；
[0035]S6将S5中的数据作为样本输入深度学习神经网络进行学习训练；
[0036]S7利用误差反向传播学习算法对网络中的权值进行反复修正，直至误差达到最小值，并获得最优权值；
[0037]S8利用最优权值的神经网络算法对输入信号进行分类，如果输入数据属于视觉关注模型检测的感兴趣区域，则输出值为l，否则为0。
[0038]深度学习神经网络包括输入层、隐藏层和输出层，其输入信号通过隐藏层节点作用于输出节点，经过非线性变换，产生输出信号。
[0039]深度学习神经网络的网络训练，其每个样本包括输入向量和期望输出值，网络输出值与期望输出值之间的误差通过调整权值和阈值沿梯度方向下降，进过反复学习训练，确定与最小误差相应的权值，即可停止训练。
[0040]输入层主要负责输入数据的接收，其中，输入数据是经过改进视觉关注模型检测的感兴趣区域数据和非感兴趣区域数据，输入层有两个节点，一个用于接收输入样本中的感兴趣区域数据，另一个用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高动态感兴趣区域图像处理方法，其特征在于，所述方法包括以下步骤：S1通过摄像机获取高动态图像，并将图像输入感兴趣区域处理；S2对输入图像进行过滤去噪、HSV空间变换处理；S3输入图像分别获得图像颜色、亮度和边缘视觉特征；S4进一步获得颜色特征图、亮度特征图和边缘特征图，并将多幅特征图经过线性归一化处理生成感兴趣区域图；S5利用生成的感兴趣区域图获得感兴趣区域和非感兴趣区域数据；S6将S5中的数据作为样本输入深度学习神经网络进行学习训练；S7利用误差反向传播学习算法对网络中的权值进行反复修正，直至误差达到最小值，并获得最优权值；S8利用最优权值的神经网络算法对输入信号进行分类，如果输入数据属于视觉关注模型检测的感兴趣区域，则输出值为l，否则为0。2.根据权利要求1所述的基于深度学习的高动态感兴趣区域图像处理方法，其特征在于，所述深度学习神经网络包括输入层、隐藏层和输出层，其输入信号通过隐藏层节点作用于输出节点，经过非线性变换，产生输出信号。3.根据权利要求2所述的基于深度学习的高动态感兴趣区域图像处理方法，其特征在于，所述深度学习神经网络的网络训练，其每个样本包括输入向量和期望输...

【专利技术属性】
技术研发人员：张中，张金飞，张兴，
申请(专利权)人：合肥湛达智能科技有限公司，
类型：发明
国别省市：