System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种图像暗光增强方法。
技术介绍
1、拍摄图像作为承载信息的重要载体,时刻影响着人类日常生活。然而,图像拍摄往往由于诸多原因存在诸多不尽如人意之处。例如,阴天、夜晚、黄昏等自然环境,拍摄时视觉遮挡、图像采集设备标准不一,摄影技术参差不齐等主客观原因均可能造成所拍摄的图像呈现为低质的暗光图像。
2、这种低质的暗光图像会严重影响人眼视觉体验。另一方面,在进行计算机处理时会限制计算机视觉系统的性能。因此,对于此类暗光图像进行有效处理,使之通过特定方式进行暗光增强,就显得极为重要。
技术实现思路
1、本专利技术提供一种图像暗光增强方法,有效地解决了现有技术存在的上述问题。
2、具体而言,本专利技术提供一种图像暗光增强方法,建立初始监督学习模型将暗光图像转换为彩色的正常图像,设定初始监督学习模型的训练集为表征暗光图像的初始向量数据组x,与初始向量数据组x对应的输出为正常图像的向量数据组y,监督学习模型的公式为y=w*x+b,其中,w和b为监督学习过程中所设定需要学习的参数,在所述训练集中,初始向量数据组x设定为[c,h,w]的三维数组,其中,c为像素点颜色的分量数,h为暗光图像中每一列的像素点个数,w为暗光图像中每一行的像素点个数,由此,暗光图像的总元素个数为c*h*w,暗光图像中每个元素以浮点型数据表达,该浮点型数据中的整数位初始用n个比特位表示,由此,每个元素初始均在初始整数区间[0,2n-1]内取值,将所述初始整数区间转换成变换整数区间,其中,初始
3、优选地,所述初始监督学习模型和所述改进监督学习模型均为卷积神经网络。
4、优选地,所述正常图像为bayerrgbg图像,像素点颜色分为rgbg四个分量,由此,c=4。
5、优选地,暗光图像中的每个元素在初始整数区间[0,1023]内取值。。
6、更优选地,变换整数区间为[-511,512]。
7、本专利技术所提供的图像暗光增强方法,突破现有思路,针对监督学习过程的输入数据,并不首先进行数据格式的压缩,而是对数据进行数轴上的调整,由此在基础数据在数轴上分为正半轴和负半轴,进而再行数据压缩,并将压缩后的数据替代原始数据进行监督学习,经实践证明,可以在精度保持不变的情况下实现有效的数据压缩,从而实现了精度和压缩率的有效兼顾,有效地解决了现有技术普遍存在的问题。
本文档来自技高网...【技术保护点】
1.一种图像暗光增强方法,其特征在于,建立初始监督学习模型将暗光图像转换为彩色的正常图像,设定初始监督学习模型的训练集为表征暗光图像的初始向量数据组X,与初始向量数据组X对应的输出为正常图像的向量数据组Y,监督学习模型的公式为Y=W*X+B,其中,W和B为监督学习过程中所设定需要学习的参数,
2.根据权利要求1所述的图像暗光增强方法,其特征在于,所述初始监督学习模型和所述改进监督学习模型均为卷积神经网络。
3.根据权利要求1所述的图像暗光增强方法,其特征在于,所述正常图像的图像格式为BayerRGB,该格式包含四个分量,由此,C=4。
4.根据权利要求1所述的图像暗光增强方法,其特征在于,暗光图像中的每个元素在初始整数区间[0,1023]内取值。
5.根据权利要求4所述的图像暗光增强方法,其特征在于,变换整数区间为[-511,512]。
6.根据权利要求1所述的图像暗光增强方法,其特征在于,暗光图像中每个元素初始用FP32或FP16的浮点型数据表达,压缩向量数据组X”则由FP8的浮点型数据的表达。
7.根据权
...【技术特征摘要】
1.一种图像暗光增强方法,其特征在于,建立初始监督学习模型将暗光图像转换为彩色的正常图像,设定初始监督学习模型的训练集为表征暗光图像的初始向量数据组x,与初始向量数据组x对应的输出为正常图像的向量数据组y,监督学习模型的公式为y=w*x+b,其中,w和b为监督学习过程中所设定需要学习的参数,
2.根据权利要求1所述的图像暗光增强方法,其特征在于,所述初始监督学习模型和所述改进监督学习模型均为卷积神经网络。
3.根据权利要求1所述的图像暗光增强方法,其特征在于,所述正常图像的图像格式为bayerrgb,该格式包含四个分量,由此,c=4。
4.根据权利要求1所述的图像暗光增强方法,其特征在于,暗光图像中的每个元素在初始整数区间...
【专利技术属性】
技术研发人员:张涛,黄河,
申请(专利权)人:深圳明琪紫芯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。