CN104036474B - 一种图像亮度和对比度的自动调节方法 - Google Patents
一种图像亮度和对比度的自动调节方法 Download PDFInfo
- Publication number
- CN104036474B CN104036474B CN201410260186.4A CN201410260186A CN104036474B CN 104036474 B CN104036474 B CN 104036474B CN 201410260186 A CN201410260186 A CN 201410260186A CN 104036474 B CN104036474 B CN 104036474B
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- brightness
- contrast
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像亮度和对比度的自动调节方法,其通过收集样本图像对其进行亮度和对比度调整以及人工进行环境分类,并将人工分类后的样本图像投入卷积神经网络里进行分类模型训练,然后即可使用训练好的最佳分类模型对待处理图像进行环境分类,并根据待处理图像的环境类型将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,最后将相似性最高的样本图像的亮度和对比度调整方案作用于待处理图像,得到最终的结果图像,从而实现图像亮度和对比度的自动调节,且效果好,无需再次手动调整。
Description
技术领域
本发明涉及一种图像处理方法,特别是一种图像亮度和对比度的自动调节方法。
背景技术
目前图像处理的自动亮度和对比度是利用图像中的各个通道的直方图统计完的结果进行自动化调整的,但实际上还是会有一些图亮度不足,或者图像亮度过曝而自动亮度和对比度后都过曝,这些情况都需要用户手动调整亮度和对比度才能够达到更好的效果,给用户带来不便。
发明内容
本发明为解决上述问题,提供了一种图像亮度和对比度的自动调节方法,其不仅实现自动调节,而且效果好,无需再次手动调整。
为实现上述目的,本发明采用的技术方案为:
一种图像亮度和对比度的自动调节方法,其特征在于,包括以下步骤:
10.收集样本图像,并对样本图像进行最适合的亮度和对比度调整并记录调整的数值;
20.根据样本图像的亮度直方图统计结果人工地进行环境分类;
30.将人工分类后的样本图像进行归一化处理,并将处理后的样本图像投入卷积神经网络里进行分类模型的训练;
40.根据步骤30训练后的模型对样本图像进行环境分类,将分类结果与人工分类不同的定为分类错误的样本图像,并收集起来再次执行步骤20至步骤30,直到超过预期结果时定为所述步骤30所训练出来的分类模型为最佳分类模型;
50.接收待处理图像,并使用训练好的最佳分类模型对该待处理图像进行环境分类,得到待处理图像的环境类型;
60.将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,得到相似性最高的样本图像,并获取该样本图像对应的亮度和对比度调整数值;
70.将所述的亮度和对比度调整数值作用于待处理图像,得到最终的结果图像。
优选的,所述的环境分类的类型包括:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类型。
优选的,所述的步骤30中将分类后的样本图像进行归一化处理,主要是对所有样本图像进行直方图统计,得到所有类型图像的平均直方图数据,然后再将所有样本图像的直方图都进行减去所述的平均直方图数据得到归一化后的样本图像。
优选的,所述的步骤30中将归一化后的样本图像投入卷积神经网络里进行分类模型训练。
优选的,所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类,将分类结果与人工分类不同的定为分类错误的样本图像,主要是将获取的环境分类标签与人工环境分类的标签不一致的样本图像收集起来重新进行分类,再将重新分类后的样本图像再次进行训练学习,重复上述过程直到分类正确为止。
优选的,所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类,主要是将样本图像放入卷积神经网络系统中进行计算该样本图像每一种环境类型的概率,并选择概率最大的环境类型作为该样本图像的环境类型。
优选的,所述的步骤60中将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,主要是通过计算待处理图像的直方图统计结果与所述数据库中的样本图像的直方图统计结果的欧式距离,得到与待处理图像的欧式距离最短的样本图像作为相似性最高的样本图像。
优选的,所述的直方图统计是以图像的灰度值作为横坐标的值,图像中该灰度值出现的像素个数作为纵坐标的值。
优选的,所述的亮度和对比度的调整公式为:
21.计算对比度的调整:
c=(100+contrast)/100.0f;
其中,contrast为对比度的调整数值,范围从-100到100;
22.计算亮度的调整:
brightness+=128;
其中,brightness为亮度的调整数值,范围从-128到128;
23.创建亮度和对比度的调整映射表cTable[256];
cTable[i]=max(0,min(255,((i-128)*c+brightness+0.5)));
其中i的范围从0到255。
24.对待处理图像的每个像素点的红、绿、蓝通道的颜色值进行数值的映射,即:
Color=cTable[Color];
其中,Color为待处理图像的每个像素点的红、绿、蓝通道的颜色值。
本发明的有益效果是:
本发明的一种图像亮度和对比度的自动调节方法,其通过收集样本图像对其进行亮度和对比度调整以及人工进行环境分类,并将人工分类后的样本图像投入卷积神经网络里进行分类模型训练,然后即可使用训练好的最佳分类模型对待处理图像进行环境分类,并根据待处理图像的环境类型将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,最后将相似性最高的样本图像的亮度和对比度调整方案作用于待处理图像,得到最终的结果图像,从而实现图像亮度和对比度的自动调节,且效果好,无需再次手动调整。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种图像亮度和对比度的自动调节方法的流程简图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种图像亮度和对比度的自动调节方法,其包括以下步骤:
10.收集样本图像,并对样本图像进行最适合的亮度和对比度调整并记录调整的数值;
20.根据样本图像的亮度直方图统计结果人工地进行环境分类;
30.将人工分类后的样本图像进行归一化处理,并将处理后的样本图像投入卷积神经网络里进行分类模型的训练;
40.根据步骤30训练后的模型对样本图像进行环境分类,将分类结果与人工分类不同的定为分类错误的样本图像,并收集起来再次执行步骤20至步骤30,直到超过预期结果时定为所述步骤30所训练出来的分类模型为最佳分类模型;这里的预期结果是指亮度环境检测的准确率达到预设值,本实施例中优选的预设值为90%。
50.接收待处理图像,并使用训练好的最佳分类模型对该待处理图像进行环境分类,得到待处理图像的环境类型;
60.将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,得到相似性最高的样本图像,并获取该样本图像对应的亮度和对比度调整数值;
70.将所述的亮度和对比度调整数值作用于待处理图像,得到最终的结果图像。
本实施例中,所述的环境分类的类型包括:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类型;所述的阴影类型表示直方图中阴影的数据最多,中间、高光的数据接近并且偏低;所述的高光类型表示直方图中高光的数据最多,阴影、中间的数据接近并且偏低;所述的中间类型表示直方图中中间的数据最多,阴影、高光的数据接近并且偏低;所述的阴影高光类型表示直方图中阴影、高光的数据接近并且最多,中间的数据偏低;所述的阴影中间类型表示直方图中阴影、中间的数据接近并且最多,高光的数据偏低;所述的高光中间类型表示直方图中高光、中间的数据接近并且最多,阴影的数据偏低;所述的平衡类型表示直方图中高光、中间、阴影的数据平均。
所述的步骤30中将分类后的样本图像进行归一化处理,主要是对所有样本图像进行直方图统计,得到所有类型图像的平均直方图数据,然后再将所有样本图像的直方图都进行减去所述的平均直方图数据得到归一化后的样本图像;所述的步骤30中将处理后的样本图像投入卷积神经网络里进行分类模型训练,主要是对所有样本图像进行采样,得到所有样本图像在分类模型里的环境分类标签。
所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类,将分类结果与人工分类不同的定为分类错误的样本图像,主要是将获取的环境分类标签与人工环境分类的标签不一致的样本图像收集起来重新进行分类,即,调整网络结构,再将重新分类后的样本图像再次进行训练学习,如此重复“训练->调整网络结构->再训练”的过程直到分类正确为止。
本实施例中网格结构顺序为输入层->K个小组层->全连接层->SoftMax层,其中K大于等于1;小组层包括卷积层、激活层、下采样层、归一化层;卷积层、激活层、下采样层、归一化层中每个层的核大小以及输出大小都是可以进行任意调节的,并且每个层都有一个输入且产生一个输出,每一层的输出作为下一层的输入。
其中,输入层的输入大小为Height x Weight x Channel,其中Weight、Height为输入层图像的宽和高,Channel为输入层图像的颜色通道;由于本发明使用GPU硬件实现的原因,Weight=Height;输入图像的channel只能为1或者3。
卷积层:
1)核的大小必须是奇数,且不大于该层输入的宽或者高;
2)中间表示通过卷积层时不改变宽和高,通道数可变可不变;理论上可以为任意正整数,由于本发明使用GPU硬件实现的原因,这里为16的倍数。
激活层:
1)激活层不改变卷积层表示的宽、高或者通道数;
2)激活层所使用的激活函数包括但不限于以下函数类型:
f(x)=1/(1+e-x)
f(x)=a*tanh(b*x),a,b为任意非零实数
f(x)=max(0,x)
f(x)=min(a,max(0,x))
f(x)=log(1+ex)
f(x)=|x|
f(x)=x2
f(x)=ax+b
3)激活层跟在卷积层或者全连接之后。
下采样层:
1)下采样层不改变中间表示的通道数;
2)下采样层对图像的缩小比即为核的大小:即核为m x n的下采样层会造成中间表示缩小为上一层的(1/m)x(1/n),理论上m和n可为任意自然数,由于本发明使用GPU硬件实现的原因,m=n。例如,15x 15x 32通过3x 3的下采样后,变成5x 5x 32;15x 15x 32通过5x 5的下采样后,变成3x 3x 32;但是15x 15x 32不能进行2x 2的下采样,因为15不能被2整除;并不是说,输入尺寸必须是2的次幂,即16、32、64等,输入尺寸只要保证能被所有下采样层采样即可。
归一化层:
1)归一化层不改变中间表示的任何尺寸;
2)归一化层不是必须的,可要可不要,添加归一化层通常会提高精度并增加计算量;是否添加归一化层,要看添加后实际提升的精度和损失的速度。
一般的组合是:卷积->激活->下采样->归一化。
以下情况特殊:
1)添加归一化层对精度提升较小却增大了很多运算量时,取消归一化层,即采用以下组合:卷积->激活->下采样;
2)归一化层提前,效果基本相同,即采用以下组合:卷积->激活->归一化->下采样。
3)取消下采样层:卷积->激活;或者卷积->激活->归一化;下采样本质是为了增加鲁棒性,同时顺便有减少后续层的运算量的作用;一个网络中通常会有几层下采样,但并不是所有的“卷积->激活”后面都要跟下采样。
全连接层:
1)通过全连接层后的中间表示会变成1维的,不再是3维的;
2)全连接的输出可以任意;
3)一旦进过全连接,就无法进行卷积、下采样或归一化;
4)全连接后面可以接激活层,或者继续接全连接。
SoftMax层:
接在全连接层之后,作用是把全连接产生的实值变成[0,1]之间的概率。
本发明最后使用的网络结构如表1所示。
表1卷积神经网络结构
所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类,主要是将样本图像放入卷积神经网络系统中进行计算该样本图像每一种环境类型的概率,并选择概率最大的环境类型作为该样本图像的环境类型。具体主要是通过对样本图像进行采样,得到样本图像块并放入神经网络的输入层,进行全连接后,在最后的SoftMax层得到每一种环境类型标签的概率,即在区间[0,1]中的实值;本实施例中根据环境类型分为:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类型,共7种类型的环境标签,即7个数据,这7个数据的和等于1;然后,将得到的每个样本图像块的标签的概率进行平均,得到样本图像块的标签的概率,选择概率最大的标签作为该样本图像的环境类型的标签。
所述的步骤60中将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,主要是通过计算待处理图像的直方图统计结果与所述数据库中的样本图像的直方图统计结果的欧式距离,得到与待处理图像的欧式距离最短的样本图像作为相似性最高的样本图像。
所述的欧氏距离的计算公式如下:
d=sqrt(∑(xi1-xi2)^2);
其中,i=1,2..n,xi1为第一个点的第i维坐标,xi2为第二个点的第i维坐标,d为计算得到的欧氏距离。n维欧氏空间是一个点集,它的每个点可以表示为(x(1),x(2),...x(n)),其中x(i)(i=1,2...n)是实数,称为x的第i个坐标,两个点x和y=(y(1),y(2)...y(n))之间的距离d(x,y)定义为上述公式中的欧氏距离。
步骤10及步骤50中,所述的直方图统计是以图像的灰度值作为横坐标的值,图像中该灰度值出现的像素个数作为纵坐标的值。
步骤20及步骤60中,,所述的亮度和对比度的调整公式为:
21.计算对比度的调整:
c=(100+contrast)/100.0f;
其中,contrast为对比度的调整数值,范围从-100到100;
22.计算亮度的调整:
brightness+=128;
其中,brightness为亮度的调整数值,范围从-128到128;
23.创建亮度和对比度的调整映射表cTable[256];
cTable[i]=max(0,min(255,((i-128)*c+brightness+0.5)));
其中i的范围从0到255。
24.对待处理图像的每个像素点的红、绿、蓝通道的颜色值进行数值的映射,即:
Color=cTable[Color];
其中,Color为待处理图像的每个像素点的红、绿、蓝通道的颜色值。
本发明的图像亮度和对比度的自动调节方法,通过收集各种环境的样本图像并根据其亮度直方图进行分类,并且人工调整每张样本图像最适合的亮度和对比度,然后通过卷积神经网络对样本图像进行模型的训练。对待处理的图像通过训练好的模型进行环境分类,接着对待处理图像与其环境类型里的样本图像根据直方图统计的结果进行相似性分析,得到相似性最高的样本图像,并获取该样本图像对应的亮度和对比度调整数值,将该亮度和对比度数值作用于待处理图像,得到最终结果图,使得亮度和对比度自动调节的效果更好。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种图像亮度和对比度的自动调节方法,其特征在于,包括以下步骤:
10).收集样本图像,并对样本图像进行最适合的亮度和对比度调整并记录调整的数值;
20).根据样本图像的亮度直方图统计结果人工地进行环境分类;所述的环境分类的类型包括:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类型;
30).将人工分类后的样本图像进行归一化处理,并将处理后的样本图像投入卷积神经网络里进行分类模型的训练;
40).根据步骤30)训练后的模型对样本图像进行环境分类,将分类结果与人工分类不同的定为分类错误的样本图像,并收集起来再次执行步骤20)至步骤30),直到超过预期结果时定为所述步骤30)所训练出来的分类模型为最佳分类模型;
50).接收待处理图像,并使用训练好的最佳分类模型对该待处理图像进行环境分类,得到待处理图像的环境类型;
60).将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,得到相似性最高的样本图像,并获取该样本图像对应的亮度和对比度调整数值;
70).将所述的亮度和对比度调整数值作用于待处理图像,得到最终的结果图像;
其中,所述的亮度和对比度的调整公式为:
21).计算对比度的调整:
c=(100+contrast)/100.0f;
其中,contrast为对比度的调整数值,范围从-100到100;
22).计算亮度的调整:
brightness+=128;
其中,brightness为亮度的调整数值,范围从-128到128;
23).创建亮度和对比度的调整映射表cTable[256];
cTable[i]=max(0,min(255,((i-128)*c+brightness+0.5)));
其中i的范围从0到255;
24).对待处理图像的每个像素点的红、绿、蓝通道的颜色值进行数值的映射,即:
Color=cTable[Color];
其中,Color为待处理图像的每个像素点的红、绿、蓝通道的颜色值。
2.根据权利要求1所述的一种图像亮度和对比度的自动调节方法,其特征在于:所述的步骤30)中将人工分类后的样本图像进行归一化处理,是对所有样本图像进行直方图统计,得到所有类型图像的平均直方图数据,然后再将所有样本图像的直方图都进行减去所述的平均直方图数据得到归一化后的样本图像。
3.根据权利要求1所述的一种图像亮度和对比度的自动调节方法,其特征在于:所述的步骤30)中将归一化后的样本图像投入卷积神经网络里进行分类模型的训练。
4.根据权利要求3所述的一种图像亮度和对比度的自动调节方法,其特征在于:所述的步骤40)中根据步骤30)训练后的模型对样本图像进行环境分类,将分类结果与人工分类不同的定为分类错误的样本图像,是将获取的环境分类标签与人工环境分类的标签不一致的样本图像收集起来重新进行分类,再将重新分类后的样本图像再次进行训练学习,重复上述过程直到分类正确为止。
5.根据权利要求3所述的一种图像亮度和对比度的自动调节方法,其特征在于:所述的步骤40)中根据步骤30)训练后的模型对样本图像进行环境分类,是将样本图像放入卷积神经网络系统中进行计算该样本图像每一种环境类型的概率,并选择概率最大的环境类型作为该样本图像的环境类型。
6.根据权利要求1所述的一种图像亮度和对比度的自动调节方法,其特征在于:所述的步骤60)中将待处理图像与同一环境类型中的样本图像数据库进行相似性分析,是通过计算待处理图像的直方图统计结果与所述数据库中的样本图像的直方图统计结果的欧式距离,得到与待处理图像的欧式距离最短的样本图像作为相似性最高的样本图像。
7.根据权利要求1或2或6所述的一种图像亮度和对比度的自动调节方法,其特征在于:所述的直方图统计是以图像的灰度值作为横坐标的值,图像中该灰度值出现的像素个数作为纵坐标的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410260186.4A CN104036474B (zh) | 2014-06-12 | 2014-06-12 | 一种图像亮度和对比度的自动调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410260186.4A CN104036474B (zh) | 2014-06-12 | 2014-06-12 | 一种图像亮度和对比度的自动调节方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036474A CN104036474A (zh) | 2014-09-10 |
CN104036474B true CN104036474B (zh) | 2017-12-19 |
Family
ID=51467235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410260186.4A Active CN104036474B (zh) | 2014-06-12 | 2014-06-12 | 一种图像亮度和对比度的自动调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036474B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858B (zh) * | 2015-05-15 | 2016-09-07 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN104978947B (zh) | 2015-07-17 | 2018-06-05 | 京东方科技集团股份有限公司 | 显示状态的调节方法、显示状态调节装置及显示装置 |
CN105426917A (zh) * | 2015-11-23 | 2016-03-23 | 广州视源电子科技股份有限公司 | 一种元件分类方法及装置 |
CN105355188B (zh) * | 2015-11-23 | 2018-09-11 | 广东欧珀移动通信有限公司 | 移动终端的屏幕亮度调整方法、系统及移动终端 |
CN105915785A (zh) * | 2016-04-19 | 2016-08-31 | 奇酷互联网络科技(深圳)有限公司 | 双摄像头被遮挡的确定方法、确定装置和终端 |
CN105828067A (zh) * | 2016-04-19 | 2016-08-03 | 奇酷互联网络科技(深圳)有限公司 | 双摄像头被遮挡的确定方法、确定装置和终端 |
CN106250871A (zh) * | 2016-08-16 | 2016-12-21 | 桂林电子科技大学 | 城市管理案件分类方法及装置 |
WO2019019086A1 (zh) * | 2017-07-27 | 2019-01-31 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
CN108846421B (zh) * | 2018-05-28 | 2021-11-16 | 杭州电子科技大学 | 一种基于深度学习的图像分类方法 |
CN109299671A (zh) * | 2018-09-04 | 2019-02-01 | 上海海事大学 | 一种级联式由粗到精的卷积神经网络船舶类型识别方法 |
CN109741281B (zh) * | 2019-01-04 | 2020-09-29 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
CN110378372A (zh) * | 2019-06-11 | 2019-10-25 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 图数据识别方法、装置、计算机设备和存储介质 |
CN111416950B (zh) * | 2020-03-26 | 2023-11-28 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、存储介质及电子设备 |
CN112488162A (zh) * | 2020-11-17 | 2021-03-12 | 中南民族大学 | 一种基于主动学习的垃圾分类方法 |
GB202207373D0 (en) * | 2022-05-19 | 2022-07-06 | Samsung Electronics Co Ltd | Method and apparatus for on-device user personalisation |
CN115170895B (zh) * | 2022-09-09 | 2022-11-22 | 威海经济技术开发区天智创新技术研究院 | 一种基于图像处理的海洋区域分类方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169930A (zh) * | 2006-10-25 | 2008-04-30 | 三星电子株式会社 | 图像处理方法、介质和系统 |
CN103534728A (zh) * | 2011-03-29 | 2014-01-22 | 英特尔公司 | 适应性对比度调整技术 |
CN103544506A (zh) * | 2013-10-12 | 2014-01-29 | Tcl集团股份有限公司 | 一种基于卷积神经网络的图像分类方法和装置 |
CN103680371A (zh) * | 2013-12-18 | 2014-03-26 | 友达光电股份有限公司 | 一种显示器的显示特性调整装置及其调整方法 |
CN103679266A (zh) * | 2013-11-29 | 2014-03-26 | 北京信息科技大学 | 一种管道视频检测的自动光源系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5337310B2 (ja) * | 2010-02-11 | 2013-11-06 | シャープ株式会社 | 画像処理装置、表示装置および画像処理方法 |
-
2014
- 2014-06-12 CN CN201410260186.4A patent/CN104036474B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169930A (zh) * | 2006-10-25 | 2008-04-30 | 三星电子株式会社 | 图像处理方法、介质和系统 |
CN103534728A (zh) * | 2011-03-29 | 2014-01-22 | 英特尔公司 | 适应性对比度调整技术 |
CN103544506A (zh) * | 2013-10-12 | 2014-01-29 | Tcl集团股份有限公司 | 一种基于卷积神经网络的图像分类方法和装置 |
CN103679266A (zh) * | 2013-11-29 | 2014-03-26 | 北京信息科技大学 | 一种管道视频检测的自动光源系统 |
CN103680371A (zh) * | 2013-12-18 | 2014-03-26 | 友达光电股份有限公司 | 一种显示器的显示特性调整装置及其调整方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104036474A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036474B (zh) | 一种图像亮度和对比度的自动调节方法 | |
CN103971342B (zh) | 一种基于卷积神经网络的图像噪点检测方法 | |
CN109614996B (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
CN106548165B (zh) | 一种基于图像分块加权的卷积神经网络的人脸识别方法 | |
CN107578390A (zh) | 一种使用神经网络进行图像白平衡校正的方法及装置 | |
CN104217404B (zh) | 雾霾天视频图像清晰化处理方法及其装置 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN102682436B (zh) | 一种改进的多尺度Retinex理论的图像增强方法 | |
CN109359681A (zh) | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 | |
CN106127702A (zh) | 一种基于深度学习的图像去雾算法 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN107220956A (zh) | 一种基于多幅具有不同曝光度的ldr图像的hdr图像融合方法 | |
CN109242788A (zh) | 一种基于编码-解码卷积神经网络低照度图像优化方法 | |
CN110084760A (zh) | 一种基于双伽马校正的全局自适应灰度图像增强方法 | |
CN108805839A (zh) | 基于卷积神经网络的联合估计图像去雾方法 | |
CN105608677A (zh) | 一种任意光线环境下的图像肤色美化方法及系统 | |
CN112614077A (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN106296612A (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
CN107993238A (zh) | 一种基于注意力模型的头肩部分图像分割方法及装置 | |
CN109902757B (zh) | 一种基于Center Loss改进的人脸模型训练方法 | |
CN108280814A (zh) | 基于感知损失的光场图像角度超分辨率重建方法 | |
CN102789635A (zh) | 一种图像增强方法和装置 | |
CN104182947A (zh) | 一种低照度图像增强方法和系统 | |
CN103973991A (zh) | 一种基于b-p神经网络判断照明场景的自动曝光方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |