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】
本申请涉及图像测试、计算光学和深度学习领域,尤其涉及一种摄像模组的成像优化方法及制造方法。
技术介绍
1、随着科技的发展,智能手机快速地更新换代,用户对手机摄像模组的成像质量要求越来越高,提升摄像模组成像的解析力已经成为制造商的竞争点。现有技术中,提升手机摄像模组成像素质的主要方式为对摄像模组的器件进行升级,例如提高光学镜头的镜片数量、增加感光芯片的像面尺寸、增大感光芯片的单位像素面积、增加防抖马达等等。这些升级方案表示提升摄像模组成像质量最直接的方法就是对摄像模组的硬件进行升级。
2、光学镜头为了提高解析力往往会增加镜头中的光学镜片的数量,从而会增加光学镜头整体的高度和宽度。感光芯片的尺寸增大会导致摄像模组的尺寸增加。增加防抖马达能够抵消用户手抖带来的模糊,但是会增加摄像模组的尺寸,增加摄像模组成本。摄像模组中的器件的升级往往带来摄像模组尺寸增大,器件成本的增加,可是手机始终沿着轻薄化外观的趋势发展,手机预留给摄像模组的设计空间始终是有限的。手机中主流的摄像模组方案要求摄像模组尺寸尽可能小,受限于摄像模组的尺寸限制,器件升级的技术方案很难突破手机尺寸的瓶颈。
3、随着半导体技术发展尤其是cpu集成性能的发展,手机,平板和电脑处理器芯片的计算能力已经很强大了,处理器芯片能够负责日常的操作系统处理外,还能有剩余的计算能力以进行其他任务处理。在现有技术中,处理器芯片还能够负责图像的融合,画面的渲染等。近年来,随着深度学习的普及以及光学成像技术的发展,光学成像已经由传统的彩色成像发展逐渐进入计算光学成像时代。计
4、现有技术中,一般深度学习模型能实现将传感器获得的图像信息中的像素、亮度、色彩进行调整以输出更清晰或者满足特定用户需求的图像,深度学习模型还能对画面增加细节或补偿,例如纹理细节增强、模糊图像补正等。在深度训练后,深度学习模型能够实现将原本画质较低的图像优化成画质较高的图像。另外,深度学习模型在其他的方面具有很强的能力,深度学习模型具备对图像特征信息获取和优化能力、深度学习模型能够提高成像素质中核心性能指标(如成像空间分辨率、时间分辨率、灵敏度等)。因此深度学习后的计算光学模型能够在硬件不改变的情况下只依靠软件对摄像模组的成像进行提升。
技术实现思路
1、本申请的一个目的在于提供一种摄像模组的成像优化方法,改善摄像模组的成像性能。
2、本申请的一个目的在于提供一种摄像模组的成像优化方法,基于实际生产制造或者使用中有导致图像定向劣化的因素,进行深度学习模型训练和成像优化。
3、本申请的一个目的在于提供一种利用深度学习模型的成像优化方法,基于生产制造或使用中获取的差异化的数据,进行模型训练。
4、本申请的一个目的在于提供一种利用深度学习模型的成像优化方法,采集贴近实际摄像模组的研发和生产中的图像数据,并且通过发现和揭示规律性图像劣化的因素,经过数据训练后的深度学习模型提高图像的解析力。
5、本申请的一个目的提供一种摄像模组的成像优化方法,采用实际生产制造中造成摄像模组图像劣化的因子,进行深度学习模型训练,并形成差异化的计算光学优化方案,提高计算光学时的画面补偿能力。
6、本申请的一个目的提供一种摄像模组的制造方法,采用摄像模组拍摄后的图像进行深度学习模型优化,将深度模型集成到处理器模块上,提供完整的摄像模组用的计算光学方法。
7、在以下描述中部分地阐述了另外的实施方案和特征,并且本领域技术人员在审阅说明书之后将明白或者通过所公开的主题的实践来学习这些实施方案和特征。可通过参考构成本申请的一部分的说明书和附图的其余部分来实现本公开的特点和优点的进一步理解。
本文档来自技高网...【技术保护点】
1.一种摄像模组的成像优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的摄像模组的成像优化方法,其中,在以所述光学镜头的光学系统响应模型作为基础增加包含光学系统像差的差异项得到含像差的模型输入端步骤中,还包括以下步骤:
3.根据权利要求2所述的摄像模组的成像优化方法,其中,在通过光学镜头拍摄对象,获取所述光学镜头拍摄对象的成像步骤中,还包括以下步骤:
4.根据权利要求3所述的摄像模组的成像优化方法,其中,在根据通过所述光学镜头拍摄对象的成像建立所述光学镜头的光学系统响应模型步骤中,还包括以下步骤:
5.根据权利要求4所述的摄像模组的成像优化方法,其中,在以所述光学镜头的光学系统响应模型作为基础增加包含光学系统像差的差异项得到含像差的模型输入端步骤中,还包括以下步骤:
6.根据权利要求5所述的摄像模组的成像优化方法,其中,在深度学习模型根据含像差的模型输入端训练得到光学系统响应差异模型步骤中,还包括以下步骤:
7.根据权利要求6所述的摄像模组的成像优化方法,其中,在利用所述光学系统响应差异模型优化通
8.根据权利要求7所述的摄像模组的成像优化方法,其中,所述包含光学像差的差异项包括摄像模组的光学系统在近焦拍摄图像和远焦拍摄图像因为光学系统设计所产生的像差。
9.根据权利要求8所述摄像模组的成像优化方法,其中,所述包含光学像差的差异项包括摄像模组的光学系统因为摄像模组组装过程制程因素导致的像差。
10.根据权利要求9所述摄像模组的成像优化方法,其中,所述包含光学像差的差异项包括摄像模组的光学系统因为部件批次因素导致的像差。
...【技术特征摘要】
1.一种摄像模组的成像优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的摄像模组的成像优化方法,其中,在以所述光学镜头的光学系统响应模型作为基础增加包含光学系统像差的差异项得到含像差的模型输入端步骤中,还包括以下步骤:
3.根据权利要求2所述的摄像模组的成像优化方法,其中,在通过光学镜头拍摄对象,获取所述光学镜头拍摄对象的成像步骤中,还包括以下步骤:
4.根据权利要求3所述的摄像模组的成像优化方法,其中,在根据通过所述光学镜头拍摄对象的成像建立所述光学镜头的光学系统响应模型步骤中,还包括以下步骤:
5.根据权利要求4所述的摄像模组的成像优化方法,其中,在以所述光学镜头的光学系统响应模型作为基础增加包含光学系统像差的差异项得到含像差的模型输入端步骤中,还包括以下步骤:
6.根...
【专利技术属性】
技术研发人员:周广福,钟凌,廖海龙,陈烈烽,潘梦鑫,田中武彦,
申请(专利权)人:宁波舜宇光电信息有限公司,
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。