CN104050676A - 一种基于Logistic回归模型的逆光图像检测方法及装置 - Google Patents
一种基于Logistic回归模型的逆光图像检测方法及装置 Download PDFInfo
- Publication number
- CN104050676A CN104050676A CN201410306259.9A CN201410306259A CN104050676A CN 104050676 A CN104050676 A CN 104050676A CN 201410306259 A CN201410306259 A CN 201410306259A CN 104050676 A CN104050676 A CN 104050676A
- Authority
- CN
- China
- Prior art keywords
- image
- backlight
- dimensional feature
- value
- luminance channel
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于Logistic回归模型的逆光图像检测方法及装置,涉及图像处理技术,旨在提供一种能够自动检测拍摄环境是否处于逆光拍摄状态的算法。本发明技术要点:采集一图像;计算每个像素的亮度通道;统计图像的亮度通道直方图;计算图像的每个亮度等级的归一化概率;计算图像均值;算图像方差得到一个256维特征向量;将所述图像的256维特征向量带入逆光图像检测表达式求得P(y=0|X)的值。
Description
技术领域
本发明涉及图像处理技术,尤其是一种快速逆光图像检测方法。
背景技术
在摄影技术中,对逆光的处理很早就存在。具体来说,就是用图像采集设备,包括相机,手机,面对太阳等强光源进行图像采集。但这样拍摄出的照片往往对比度过强,丢失了很多的图像细节,而且照片颜色信息丢失很严重。随着手持移动设备成像质量的提高,越来越多的用户使用手机拍照。因此在日光下拍摄照片变得很常见。为了能够帮助用户在逆光条件下也能拍摄出满意的照片,因此需要设计一种算法对逆光场景进行自动检测,后续再使用一系列逆光照片修复算法,这样用户就可以在逆光拍摄条件下,也能直接得到满意的照片。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供一种能够自动检测拍摄环境是否处于逆光拍摄状态的算法,以便准确的对逆光场景进行实时检测。
本发明采用的技术方案包括:
步骤301:采集一图像;
按照步骤302~306得到所述图像的256维特征向量;
步骤302:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
步骤303:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
步骤304:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
步骤305:计算图像均值:
步骤306:计算图像方差得到一个256维特征向量vari(x,y)=0..255:vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
步骤307:将所述图像的256维特征向量带入逆光图像检测表达式求得P(y=0|X)的值,若P(y=0|X)>0.5,则可以判定为逆光,否则为非逆光;其中,n=1或2或∞,x表示所述图像的256维特征向量,模型参数向量w为已知常向量。
进一步,所述模型参数向量w的获取方法包括:
步骤401:采集M张逆光图像与N张非逆光图像;M、N均为不为0的自然数;
然后按照步骤402~406处理每张图像:
步骤402:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
步骤403:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
步骤404:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
步骤405:计算图像均值:
步骤406:计算图像方差得到一个256维特征向量vari(x,y)=0..255:vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
步骤407:使用每张图像的256维特征向量建立Logistic回归模型如下:
其中y0=0表示逆光,y1=1表示非逆光,w表示待求的模型参数向量,x表示图像的256维特征向量,n与步骤307中的取值一致;
步骤408:求解所述Logistic回归模型的模型参数向量w。
对应上述方法,本发明还提供了一种逆光图像检测装置。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明能够快速检测出逆光及非逆光图像,对逆光场景进行实时检测。当利用本发明提取的图像256维特征向量建立范数-2的Logistic模型时,逆光检测运算量较小且运算结果更加准确,使得本发明能在手机等便携式移动设备上推广。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为本发明中模型训练流程图。
图2为本发明中逆光检测流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明主要包括两部分,一部分是对大量逆光与非逆光图像进行处理,提取个图像的特征向量,利用特征向量训练Logistic回归模型,得到模型中参数向量w的值,将参数向量带入所述模型中,得到逆光图像检测表达式。另一部分是利用逆光图像检测表达式对图像进行实际逆光检测。
参考图1,训练Logistic回归模型的具体流程包括:
步骤101:采集M张逆光图像与N张非逆光图像;M、N均为不为0的自然数;其取值越大,训练出来的Logistic回归模型就越准确,例如M、N各取1000。
然后按照步骤102~106处理每张图像:
步骤102:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;例如利用公式L=0.299*R+0.587*G+0.114*B计算像素的亮度通道,在其他实施例中,公式中的系数还可以取其他值。
步骤103:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)],也即是遍历一张图像,统计属于0~255不同亮度值的像素点个数。
步骤104:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数。
步骤105:计算图像均值:
步骤106:计算图像方差得到一个256维特征向量vari(x,y)=0..255:vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)]。
步骤107:使用每张图像的256维特征向量建立Logistic回归模型如下:
其中y0=0表示逆光,y1=1表示非逆光,w表示待求的模型参数向量,x表示图像的256维特征向量,n=1或2或∞。
步骤108:求解所述Logistic回归模型的模型参数向量w,并带入表达式中便得到逆光图像检测表达式,n的取值与步骤107中的一致,x表示所述新图像的256维特征向量。
在一个具体实施例中,使用极大似然法求解模型参数向量w,此方法为本领域标准算法。
参考图2,利用逆光图像检测表达式对图像进行实际逆光检测的流程包括:
步骤109:采集一新图像,按照与步骤102~106一样的方法得到所述新图像的256维特征向量;并将所述新图像的256维特征向量带入逆光图像检测表达式,求得P(y=0|X)的值,若P(y=0|X)>0.5,则可以判定为逆光,否则为非逆光。
优选的,Logistic回归模型中,当n取值为2,即选择是范数-2的Logistic回归模型时,计算量较小且判断的准确性更佳,尤其适合运用在手机等移动设备上,当训练的是范数-2的Logistic回归模型,相应的,表达式中的n也应取2。
将手机本发明方法运用到手机等移动设备上的实施例中时,训练Logistic回归模型的步骤101~108可以在生产厂家内执行,将得到的模型参数向量w直接在手机上使用即可。
具体的,在手机上运行这样的方法步骤:
步骤301:采集一图像。
按照步骤302~306得到所述图像的256维特征向量;本实施例中的步骤302~306与上一实施例中步骤102~106一样,为了表示是不同实施例中的方法步骤,因此对步骤的编号进行了区分。
步骤302:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道。
步骤303:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)]。
步骤304:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:
pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数。
步骤305:计算图像均值:
步骤306:计算图像方差得到一个256维特征向量vari(x,y)=0..255:vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)]。
步骤307:将所述图像的256维特征向量带入逆光图像检测表达式求得P(y=0|X)的值,若P(y=0|X)>0.5,则可以判定为逆光,否则为非逆光;其中,n=1或2或∞,优选取2;x表示所述图像的256维特征向量,模型参数向量w为训练模型得到的常向量。本实施例中逆光图像检测表达式的n取值与训练Logistic回归模型时的n的取值一致。
对应第二种实施例,本发明还提供了一种图像逆光检测装置,包括:
图像采集单元,用于采集图像。
亮度通道计算单元,用于提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道。
亮度通道直方图统计单元,用于统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)]。
亮度等级归一化概率计算单元,用于计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:
pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数。
图像均值计算单元,用于计算图像均值:
图像256维特征向量计算单元,用于计算图像方差得到一个256维特征向量vari(x,y)=0..255:
vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)]。
逆光图像检验单元,用于将所述图像的256维特征向量带入逆光图像检测表达式求得P(y=0|X)的值,若P(y=0|X)>0.5,则可以判定为逆光,否则为非逆光;其中,n=1或2或∞,优选为2,x表示所述图像的256维特征向量,模型参数向量w为已知常向量。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (7)
1.一种逆光检测方法,其特征在于,包括:
步骤101:采集M张逆光图像与N张非逆光图像;M、N均为不为0的自然数;
然后按照步骤102~106处理每张图像:
步骤102:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
步骤103:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
步骤104:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
步骤105:计算图像均值:
步骤106:计算图像方差得到一个256维特征向量vari(x,y)=0..255:vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
步骤107:使用每张图像的256维特征向量建立Logistic回归模型如下:
其中y0=0表示逆光,y1=1表示非逆光,w表示待求的模型参数向量,x表示图像的256维特征向量,n=1或2或∞;
步骤108:求解所述Logistic回归模型的模型参数向量w,并带入表达式中便得到逆光图像检测表达式,n的取值与步骤107中的一致,x表示所述新图像的256维特征向量;
步骤109:采集一新图像,按照步骤102~106得到所述新图像的256维特征向量;并将所述新图像的256维特征向量带入逆光图像检测表达式,求得P(y=0|X)的值,若P(y=0|X)大于设定的阈值,则可以判定为逆光,否则为非逆光。
2.根据权利要求1所述的一种逆光检测方法,其特征在于,所述阈值为0.5。
3.一种逆光图像检测方法,其特征在于,包括:
步骤301:采集一图像;
按照步骤302~306得到所述图像的256维特征向量;
步骤302:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
步骤303:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
步骤304:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:
pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
步骤305:计算图像均值:
步骤306:计算图像方差得到一个256维特征向量vari(x,y)=0..255:
vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
步骤307:将所述图像的256维特征向量带入逆光图像检测表达式求得P(y=0|X)的值,若P(y=0|X)大于设定阈值,则可以判定为逆光,否则为非逆光;其中,n=1或2或∞,x表示所述图像的256维特征向量,模型参数向量w为已知常向量。
4.根据权利要求3所述的一种逆光图像检测方法,其特征在于,所述设定的阈值为0.5。
5.根据权利要求3所述的一种逆光图像检测方法,其特征在于,所述模型参数向量w的获取方法包括:
步骤401:采集M张逆光图像与N张非逆光图像;M、N均为不为0的自然数;
然后按照步骤402~406处理每张图像:
步骤402:提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
步骤403:统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
步骤404:计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
步骤405:计算图像均值:
步骤406:计算图像方差得到一个256维特征向量vari(x,y)=0..255:vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
步骤407:使用每张图像的256维特征向量建立Logistic回归模型如下:
其中y0=0表示逆光,y1=1表示非逆光,w表示待求的模型参数向量,x表示图像的256维特征向量,n与步骤307中的取值一致;
步骤408:求解所述Logistic回归模型的模型参数向量w。
6.一种逆光图像检测装置,其特征在于,包括:
图像采集单元,用于采集图像;
亮度通道计算单元,用于提取图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
亮度通道直方图统计单元,用于统计图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
亮度等级归一化概率计算单元,用于计算图像的每个亮度等级的归一化概率pi(x,y)=0..255[i(x,y)]:
pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
图像均值计算单元,用于计算图像均值:
图像256维特征向量计算单元,用于计算图像方差得到一个256维特征向量vari(x,y)=0..255:
vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
逆光图像检验单元,用于将所述图像的256维特征向量带入逆光图像检测表达式求得P(y=0|X)的值,若P(y=0|X)大于设定的阈值时,则可以判定为逆光,否则为非逆光;其中,n=1或2或∞,x表示所述图像的256维特征向量,模型参数向量w为已知常向量。
7.根据权利要求6所述的一种逆光图像检测装置,其特征在于,还包括模型参数向量w训练单元,其进一步包括:
模型训练图像采集单元,用于采集M张逆光图像与N张非逆光图像;M、N均为不为0的自然数;
模型训练亮度通道计算单元,提取各图像的各个像素的R、G、B值,并根据所述R、G、B值计算每个像素的亮度通道;
模型训练亮度通道直方图统计单元,用于统计各图像的亮度通道直方图histi(x,y)=0..255[i(x,y)];
模型训练亮度等级归一化概率计算单元,用于计算各图像的每个亮度等级的归一化概率pi=0..255[i]:
pi(x,y)=0..255[i(x,y)]=histi(x,y)=0..255[i(x,y)]/(size),其中size为图像的像素总数;
模型训练图像均值计算单元,用于计算各图像均值:
模型训练图像256维特征向量计算单元,用于计算各图像方差得到各图像的256维特征向量vari(x,y)=0..255:
vari(x,y)=0..255=(i(x,y)+1-mean)2*p[i(x,y)];
建模单元,用于使用每张图像的256维特征向量建立Logistic回归模型如下:
其中y0=0表示逆光,y1=1表示非逆光,w表示待求的模型参数向量,x表示图像的256维特征向量,n与逆光图像检验单元中的取值一致;
模型参数向量w求解单元,用于求解所述Logistic回归模型的模型参数向量w。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410306259.9A CN104050676B (zh) | 2014-06-30 | 2014-06-30 | 一种基于Logistic回归模型的逆光图像检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410306259.9A CN104050676B (zh) | 2014-06-30 | 2014-06-30 | 一种基于Logistic回归模型的逆光图像检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104050676A true CN104050676A (zh) | 2014-09-17 |
CN104050676B CN104050676B (zh) | 2017-03-15 |
Family
ID=51503459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410306259.9A Active CN104050676B (zh) | 2014-06-30 | 2014-06-30 | 一种基于Logistic回归模型的逆光图像检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050676B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700426A (zh) * | 2015-04-02 | 2015-06-10 | 厦门美图之家科技有限公司 | 一种判断图像是否偏暗或偏亮的方法和系统 |
CN107888840A (zh) * | 2017-10-30 | 2018-04-06 | 广东欧珀移动通信有限公司 | 高动态范围图像获取方法和装置 |
CN108198180A (zh) * | 2018-01-10 | 2018-06-22 | 南通大学 | 一种图像亮度值变化原因的判定方法 |
CN111985527A (zh) * | 2020-07-03 | 2020-11-24 | 西安理工大学 | 一种逆光图像自动检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100480830C (zh) * | 2007-01-30 | 2009-04-22 | 北京中星微电子有限公司 | 一种逆光检测方法、逆光补偿终止检测方法及相应装置 |
CN102196182A (zh) * | 2010-03-09 | 2011-09-21 | 株式会社理光 | 逆光检测设备及逆光检测方法 |
CN102238339B (zh) * | 2011-06-21 | 2013-06-05 | 深圳市先河系统技术有限公司 | 一种逆光补偿方法 |
CN103634528B (zh) * | 2012-08-23 | 2017-06-06 | 中兴通讯股份有限公司 | 逆光补偿方法、装置及终端 |
CN103646392B (zh) * | 2013-11-21 | 2016-10-26 | 华为技术有限公司 | 逆光检测方法及设备 |
-
2014
- 2014-06-30 CN CN201410306259.9A patent/CN104050676B/zh active Active
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700426A (zh) * | 2015-04-02 | 2015-06-10 | 厦门美图之家科技有限公司 | 一种判断图像是否偏暗或偏亮的方法和系统 |
CN104700426B (zh) * | 2015-04-02 | 2017-11-03 | 厦门美图之家科技有限公司 | 一种判断图像是否偏暗或偏亮的方法和系统 |
CN107888840A (zh) * | 2017-10-30 | 2018-04-06 | 广东欧珀移动通信有限公司 | 高动态范围图像获取方法和装置 |
CN107888840B (zh) * | 2017-10-30 | 2019-10-15 | Oppo广东移动通信有限公司 | 高动态范围图像获取方法和装置 |
CN108198180A (zh) * | 2018-01-10 | 2018-06-22 | 南通大学 | 一种图像亮度值变化原因的判定方法 |
CN108198180B (zh) * | 2018-01-10 | 2019-11-26 | 南通大学 | 一种图像亮度值变化原因的判定方法 |
CN111985527A (zh) * | 2020-07-03 | 2020-11-24 | 西安理工大学 | 一种逆光图像自动检测方法 |
CN111985527B (zh) * | 2020-07-03 | 2024-05-17 | 广州市卓航信息科技有限公司 | 一种逆光图像自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104050676B (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
CN105430376B (zh) | 一种全景相机一致性的检测方法及装置 | |
CN113762133B (zh) | 基于人体姿态识别的自重健身辅助教练系统、方法、终端 | |
CN105279372B (zh) | 一种确定建筑物高度的方法和装置 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN110599540A (zh) | 多视点相机下的实时三维人体体型与姿态重建方法及装置 | |
CN109472828B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
US9838616B2 (en) | Image processing method and electronic apparatus | |
WO2018228310A1 (zh) | 图像处理方法、装置及终端 | |
CN110287862B (zh) | 基于深度学习的防偷拍检测方法 | |
CN105865326A (zh) | 实物尺寸测量方法及图像数据库数据采集方法 | |
JP2012247648A5 (zh) | ||
CN103905737A (zh) | 逆光检测方法及装置 | |
CN104050676A (zh) | 一种基于Logistic回归模型的逆光图像检测方法及装置 | |
CN106558046A (zh) | 一种证件照的质量检测方法及检测装置 | |
US20210192251A1 (en) | Method and system for selecting image region that facilitates blur kernel estimation | |
CN104751407A (zh) | 一种用于对图像进行虚化的方法和装置 | |
CN102982537A (zh) | 一种检测场景变换的方法和系统 | |
WO2019061659A1 (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
CN111259763A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN103096117B (zh) | 视频噪声检测方法及装置 | |
CN104751406A (zh) | 一种用于对图像进行虚化的方法和装置 | |
CN105139368B (zh) | 一种可用于机器视觉的混合型色调映射方法 | |
CN114119695A (zh) | 一种图像标注方法、装置及电子设备 | |
CN101860680B (zh) | 影像处理装置及其影像处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 610041, Chengdu, Chengdu, Sichuan, China (Sichuan) free trade test area, Chengdu high tech Zone, middle section of Tianfu Avenue, No. 1268, 1 Patentee after: Chengdu PinGuo Digital Entertainment Ltd. Address before: 610041 C12-16 software building, Tianfu Software Park, hi tech Zone, Sichuan, Chengdu Patentee before: Chengdu PinGuo Digital Entertainment Ltd. |
|
CP02 | Change in the address of a patent holder |