CN107342056A - 一种基于改进混洗蛙跳算法的区域背光动态调光方法 - Google Patents
一种基于改进混洗蛙跳算法的区域背光动态调光方法 Download PDFInfo
- Publication number
- CN107342056A CN107342056A CN201710644423.0A CN201710644423A CN107342056A CN 107342056 A CN107342056 A CN 107342056A CN 201710644423 A CN201710644423 A CN 201710644423A CN 107342056 A CN107342056 A CN 107342056A
- Authority
- CN
- China
- Prior art keywords
- mrow
- solution vector
- new solution
- mtd
- group
- 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
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
- G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
- G09G3/3406—Control of illumination source
- G09G3/342—Control of illumination source using several illumination sources separately controlled corresponding to different display panel areas, e.g. along one dimension such as lines
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
- G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
- G09G3/36—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2320/00—Control of display operating conditions
- G09G2320/06—Adjustment of display parameters
- G09G2320/0626—Adjustment of display parameters for control of overall brightness
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Control Of Indicators Other Than Cathode Ray Tubes (AREA)
Abstract
一种基于改进混洗蛙跳算法的区域背光动态调光方法,在基于图像亮度典型特征值的基础上将区域背光动态调光问题转化为一个最优化问题,并将一种改进的混洗蛙跳算法应用于求解这一问题,以在所有的分区亮度分布方案中找到一种满足在不大于某一能耗的情况下使区域调光后的图像拥有最高的显示质量。即,先是通过基于图像亮度特征参数统计的方法确定一组初始背光亮度,然后通过一种改进的混洗蛙跳算法来求解各分区的最佳背光亮度,从而获得最优的分区背光亮度分配方案。本发明确定的区域背光亮度分布方案能降低调光后图像出现的失真从保证图像显示质量,同时还能较大程度地降低能耗,较好地平衡了图像显示质量与能耗之间的相互制约的关系。
Description
技术领域
本发明涉及一种区域背光动态调光方法。特别是涉及一种基于改进混洗蛙跳算法的区域背光动态调光方法。
背景技术
1、区域背光亮度调节问题
背光模组是液晶显示器(Liquid Crystal Display,LCD)的主要耗能部件,几乎90%的电量能消耗在背光板上。传统的LCD的背光源采用恒定亮度的面光源,背光亮度不能根据显示图像的内容而动态变化,即使在显示暗景图像时背光源亮度也始终处于常亮状态,这导致能耗浪费较大。同时,这种背光模式使得液晶存在严重的漏光现象而限制了LCD对比度的提高,这导致显示画面对比度低进而影响到显示质量。为了降低功耗同时提高画面显示质量,区域背光动态调光技术被提出。该技术可以实时地根据显示内容动态调节相应分区的背光亮度。即对于暗区域,降低其背光亮度;而对于高亮区域,其背光亮度与初始亮度保持不变或稍有所降低。这样不仅有效地降低了功耗,还有效地提高了LCD的对比度进而提升显示质量。
对于区域背光的LCD背光模组来说,关键是确定各分区的背光亮度。我们知道,分区背光亮度降低的越多越有利于节能,但过度地降低背光亮度可能影响到图像的显示质量,因此,在确定分区背光亮度时应该综合考虑这两方面的因素。能耗和显示质量这两者之间不是完全对立的关系,在一定程度上,它们之前存在相互促进的作用。为更好地平衡这两个因素对确定分区背光亮度的影响,可以将确定分区背光亮度看作是一个寻优的过程,即找到满足能耗与显示质量都达到最佳状态下的折衷点,如图1所示。因此,可以将区域背光动态调光问题转化为一个最优化问题,即在所有的分区亮度分布方案中,一定存在一种方案满足在显示质量一定的情况下能耗最低或是能耗一定的情况拥有最高的显示质量。
假设背光模组采用区域背光模式的LCD系统,其液晶面板大小为m×n,对于像素点ii,人眼从液晶屏上所感受的亮度为yii,则它表示为:
yii=aii·bii
写成Hadamard积矩阵的形式:
式中,aii和bii分别是对应于像素i的液晶面板光透射系数和背光亮度。a∈Rm×n是液晶面板中每个液晶像素光透射系数构成的矩阵,b∈Rm×n所有像素点背光亮度组成的矩阵。如果bii=0,则说明像素ii的背光亮度为0,此时没有光照射到该像素上;如果bii=1,则说明此时对应于像素ii的背光是全开的。由于液晶本身的漏光特性,aii的值不可能为0。
理论上,背光模组可以做到每一个像素点对应于一个背光分区,即每个像素都对应一个背光源LED灯,但考虑到成本、散热性能等多方面的因素,实际应用中都是一个分区包含成百上千个像素点,这种情况下就存在分区之间光的串扰问题,即像素点ii的实际背光亮度不仅受来自它自身所在分区背光亮度的影响,还受其他背光分区亮度的影响。所以,在模拟光扩散的过程中,可以将所有分区背光亮度对像素i背光亮度的贡献表示为点扩散函数(Point Spread Function,PSF)系数矩阵H,则bi即是矩阵H中对应的点扩散函数向量h与相应的LED灯发光强度乘积的总和,故有:
写成矩阵相乘的形式:
b=Hr
其中,N是LCD背光模组的分区总个数;hii,jj是第jj个分区对应于像素ii的点扩散函数系数,表示第jj个分区背光亮度对像素ii的贡献;rjj是第jj个分区的背光亮度。
假设图像的显示质量表示为Q,能耗表示为P,则寻优过程中的目标函数和约束条件可表示如下:
max:f(x)=Q
subject to:P≤Plimit
其中,Plimit是能耗约束的上限值。
在图像处理中,峰值信噪比(Peak Signal to Noise Ratio,PSNR)是最为普遍且也是使用最为广泛的图像质量客观评价指标,所以把PSNR看作目标函数,同时将能耗看作约束条件,则有:
max:f(x)=PSRN
subject to:P≤Plimit
式中,bk是第k个分区的背光亮度,yi,j和yi′,j分别是像素点(i,j)区域调光前后的像素亮度,MSE是均方误差,BLfull是背光全亮时的背光亮度,一般取BLfull=255。
2、混洗蛙跳算法
混洗蛙跳算法(Shuffled Frog Leap Algorithm,SFLA)是一种新型群体智能优化算法,其思想来源于青蛙群体的迁移和觅食行为。混洗蛙跳算法作为一种优化算法,以种群中青蛙的位置坐标对应解空间中的解,以青蛙的跳跃作为对最优解的搜索,从而用作求解最优化问题。
混洗蛙跳算法在求解最优化问题时,以种群中一只青蛙的位置坐标对应解空间中的一个可行解;以目标函数作为适应度函数,用来评判青蛙位置坐标的好坏;以青蛙跳跃变换位置坐标的过程对应搜索最优解的过程;以所有迭代结束后最优青蛙的位置坐标作为算法输出解。主要步骤如下:首先确定青蛙种群规模M、分组数G、约束条件LIM、最大迭代次数IterMax等参数。然后随机获数量为M的可行解,即初始化种群中所有M个青蛙的位置,然后进入迭代过程。迭代由分组、更新、混洗三部分组成。在分组过程中,首先根据每只青蛙的适应度函值由好到坏对解进行排序,排序后的青蛙依次被分配到G个组中,即排在第1位的青蛙分到第1组,第2位青蛙分到第2组......依次类推,当青蛙分到最后一组后再从第1组开始继续分,直到所有青蛙均被分组完成;在更新过程中,首先由组内最差青蛙向组内最优青蛙所在的位置进行一次跳跃,如果跳跃后的位置优于跳跃前,则用新位置代替旧位置,否则,组内最差青蛙向整个种群中最优青蛙的位置进行一次跳跃,如果跳跃后的位置优于跳跃前,则用新位置代替旧位置,如果依旧没有获得更优的位置,则随机生成一个位置代替组内最差青蛙现在的位置;待各组中的最差青蛙位置依次更新完成后,将青蛙重新混洗,一次迭代完成。按照这种方式进行多次迭代,直到迭代达到最大次数IterMax或算法终止条件时,输出最优青蛙的位置作为最终输出解。
发明内容
本发明所要解决的技术问题是,提供一种在所有的分区亮度分布方案中能够找到一种满足在不大于某一能耗的情况下使区域调光后的图像拥有最高的显示质量的基于改进混洗蛙跳算法的区域背光动态调光方法。
本发明所采用的技术方案是:一种基于改进混洗蛙跳算法的区域背光动态调光方法,包括如下步骤:
1)初始化解向量规模M、分组数G和能耗约束条件,确定混洗蛙跳算法的最大周期数Maxcyc、一个周期内最大迭代次数Maxiter以及一个周期内迭代终止条件,初始化当前混洗蛙跳算法的周期数cyc=0,当前混洗蛙跳算法的周期搜索区间半径R,当前周期内迭代次数iter=0;
2)根据图像区域的所有像素点的平均值生成初始解向量
3)根据初始解向量和周期搜索区间半径R,生成M-1个新的解向量;
4)当前周期内的迭代更新开始,计算M个新的解向量所对应的适应度值,并按照适应度由好到坏对M个新的解向量进行排序,排序后的M个新的解向量用集合Lord表示, 表示排序后的第k个新的解向量;
5)按照排序的顺序将M个新的解向量分组,排在第1位的新的解向量分到第1组,排在第2位的新的解向量分到第2组,当排在第G位的新的解向量分到第G组后,排在第G+1位的新的解向量再次被分到第1组,以此类推,直到所有新的解向量分组完成;
6)新的解向量开始组内寻优,每组内最差的新的解向量向组内最优的新的解向量所在位置进行跳跃,组内寻优公式如下:
x′gw=xgw+rand×(xgb-xgw) (4)
其中,x′gw表示g组内最差的新的解向量向g组内最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,xgb表示第g组最优的新的解向量的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组内寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组内寻优失败,进入步骤7);
7)新的解向量开始组间寻优,组内最差的新的解向量向着所有分组中最优的新的解向量位置进行跳跃,组间寻优公式如下:
x″gw=xgw+rand×(xb-xgw) (5)
其中,xb表示所有分组中最优的新的解向量位置坐标,x″gw表示g组内最差的新的解向量向所有分组中最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组间寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组间寻优失败,进行步骤8);
8)随机生成一个满足能耗约束条件的新的解向量位置坐标代替组内最差的新的解向量的位置坐标;
9)将M个新的解向量按照跳跃后位置的适应度值重新排序和分组,则一次迭代更新完成,将当前迭代次数iter加1,判断当前迭代次数是否达到最大迭代次数Maxiter以及是否达到迭代终止条件,若是,则进入步骤10),否则,返回步骤4)开始下一轮迭代;
10)本次混洗蛙跳算法周期结束,判断本次混洗蛙跳算法周期搜索到的最优新的解向量是否优于上一周期搜索到的最优新的解向量若是则进入步骤11),否则,令:初始解向量周期搜索区间半径R=δ×R,0<δ<1,当前周期数cyc加1,然后返回步骤3),开始下一周期;
11)输出最优新的解向量的位置坐标即为最佳区域背光亮度分配方案。
步骤2)包括:
(1)将图像按照背光区域划分方式分成相同的N个区域;
(2)分别求每个区域内所有像素点的亮度平均值,其中第k个区域的亮度平均值为
(3)通过所有N个区域的亮度平均值生成一个初始解向量初始解向量是一个N维向量,其中是向量第k维的值。
步骤3)包括:
(1)从当前周期开始,以初始解向量为中心,以周期搜索区间半径R为半径,确定搜索区域的上界up_bound和下界lo_bound,
上界up_bound=[u1,u2,…,uk,…,uN],其中第k个变量uk的计算方法如下式:
下界lo_bound=[w1,w2,…,wk,…,wN],其中第k个变量wk的计算方法如下式:
式中,uk是上界up_bound的第k个变量,wk是下界lo_bound的第k个变量,是第k个区域的亮度平均值,R是周期搜索区间半径;
(2)在下界lo_bound至上界up_bound这一区域里,随机生成M-1个符合能耗约束条件的新的解向量,所述的M-1个新的解向量即为
步骤4)中所述的计算M个新的解向量所对应的适应度值,是采用如下公式:
式中,yi,j和yi′,j分别是像素点(i,j)区域调光前后的像素亮度,MSE是均方误差,PSNR是峰值信噪比,m是输入图像的高,n输入图像的宽。
本发明的一种基于改进混洗蛙跳算法的区域背光动态调光方法,用本发明方法确定的区域背光亮度分布方案能降低调光后图像出现的失真从保证图像显示质量,同时还能较大程度地降低能耗,这说明本发明方法较好地平衡了图像显示质量与能耗之间的相互制约的关系。
附图说明
图1是能耗、图像质量、背光亮度三者之前的对应关系;
图2是本发明一种基于改进混洗蛙跳算法的区域背光动态调光方法的流程图。
具体实施方式
下面结合实施例和附图对本发明的一种基于改进混洗蛙跳算法的区域背光动态调光方法做出详细说明。
如图2所示,本发明的一种基于改进混洗蛙跳算法的区域背光动态调光方法,包括如下步骤:
1)初始化解向量规模M、分组数G和能耗约束条件,确定混洗蛙跳算法的最大周期数Maxcyc、一个周期内最大迭代次数Maxiter以及一个周期内迭代终止条件,初始化当前混洗蛙跳算法的周期数cyc=0,当前混洗蛙跳算法的周期搜索区间半径R,当前周期内迭代次数iter=0;
2)根据图像区域的所有像素点的平均值生成初始解向量包括:
(1)将图像按照背光区域划分方式分成相同的N个区域;
(2)分别求每个区域内所有像素点的亮度平均值,其中第k个区域的亮度平均值为
(3)通过所有N个区域的亮度平均值生成一个初始解向量初始解向量是一个N维向量,其中是向量第k维的值。
3)根据初始解向量和周期搜索区间半径R,生成M-1个新的解向量;包括:
(1)从当前周期开始,以初始解向量为中心,以周期搜索区间半径R为半径,确定搜索区域的上界up_bound和下界lo_bound,
上界up_bound=[u1,u2,…,uk,…,uN],其中第k个变量uk的计算方法如下式:
下界lo_bound=[w1,w2,…,wk,…,wN],其中第k个变量wk的计算方法如下式:
式中,uk是上界up_bound的第k个变量,wk是下界lo_bound的第k个变量,是第k个区域的亮度平均值,R是周期搜索区间半径;
(2)在下界lo_bound至上界up_bound这一区域里,随机生成M-1个符合能耗约束条件的新的解向量,所述的M-1个新的解向量即为
4)当前周期内的迭代更新开始,计算M个新的解向量所对应的适应度值,并按照适应度由好到坏对M个新的解向量进行排序,排序后的M个新的解向量用集合Lord表示, 表示排序后的第k个新的解向量;
所述的计算M个新的解向量所对应的适应度值,是采用如下公式:
式中,yi,j和y′i,j分别是像素点(i,j)区域调光前后的像素亮度,MSE是均方误差,PSNR是峰值信噪比,m是输入图像的高,n输入图像的宽。
5)按照排序的顺序将M个新的解向量分组,排在第1位的新的解向量分到第1组,排在第2位的新的解向量分到第2组,当排在第G位的新的解向量分到第G组后,排在第G+1位的新的解向量再次被分到第1组,以此类推,直到所有新的解向量分组完成;
6)新的解向量开始组内寻优,每组内最差的新的解向量向组内最优的新的解向量所在位置进行跳跃,组内寻优公式如下:
x′gw=xgw+rand×(xgb-xgw) (4)
其中,x′gw表示g组内最差的新的解向量向g组内最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,xgb表示第g组最优的新的解向量的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组内寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组内寻优失败,进入步骤7);
7)新的解向量开始组间寻优,组内最差的新的解向量向着所有分组中最优的新的解向量位置进行跳跃,组间寻优公式如下:
x″gw=xgw+rand×(xb-xgw) (5)
其中,xb表示所有分组中最优的新的解向量位置坐标,x″gw表示g组内最差的新的解向量向所有分组中最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组间寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组间寻优失败,进行步骤8);
8)随机生成一个满足能耗约束条件的新的解向量位置坐标代替组内最差的新的解向量的位置坐标;
9)将M个新的解向量按照跳跃后位置的适应度值重新排序和分组,则一次迭代更新完成,将当前迭代次数iter加1,判断当前迭代次数是否达到最大迭代次数Maxiter以及是否达到迭代终止条件,若是,则进入步骤10),否则,返回步骤4)开始下一轮迭代;
10)本次混洗蛙跳算法周期结束,判断本次混洗蛙跳算法周期搜索到的最优新的解向量是否优于上一周期搜索到的最优新的解向量若是则进入步骤11),否则,令:初始解向量周期搜索区间半径R=δ×R,0<δ<1,当前周期数cyc加1,然后返回步骤3),开始下一周期;
11)输出最优新的解向量的位置坐标即为最佳区域背光亮度分配方案。
给出实例如下:
当背光模组分为35个区域,每个区域的背光值为0到255之间的整数时,本发明的最佳实施如下:
(1)初始化参数。解向量规模设为50,分组数为5,能耗约束条件等于用平均值法进行背光亮度调节所需的能耗值,一个周期内最大迭代次数Maxiter=1500,一个周期内算法的迭代终止条件为连续150次无效迭代,初始化当前周期数cyc=0,当前周期搜索区间半径R=90,当前周期内迭代次数iter=0。
(2)将图像按照背光区域划分方式分成相同的35个区域,分别求每个区域所有像素点的亮度平均值,其中第k个区域的亮度平均即为将35个亮度平均值生成一个初始解向量 是一个35维向量,其中是向量第k维的值,且
的一个示例为:
(3)本周期开始,以初始解向量为中心,以周期搜索区间半径R为半径,确定搜索区域的上界up_bound和下界lo_bound。上界up_bound=[u1,u2,…,uk,…,u35],其中第k个变量uk的计算方法如式(1)所示:
下界lo_bound=[w1,w2,…,wk,…,w35],其中第k个变量wk的计算方法如式(2)所示:
式中,uk是上界up_bound的第k个变量,wk是下界lo_bound的第k个变量,是第k个区域的亮度平均值,R是周期搜索区间半径。
在这一搜索区间里随机生成49个符合约束条件的新的解向量,所述49个新的解向量与即为
示例:up_bound=[246,255,200,…,100,199],lo_bound=[0,20,79,…,50,3],
(4)本周期内的迭代更新开始,计算50个新的解向量的位置坐标所对应的适应度值,并按照适应度由好到坏对新的解向量进行排序,排序后的新的解向量用集合Lord表示, 表示排序后的第k个新的解向量。
(5)按照排序的顺序将50个新的解向量分成5组,排在第1位的新的解向量分到第1组,排在第2位的青蛙分到第2组,当排在第5位的分到第5组后,排在第6位的新的解向量再次被分到第1组,以此类推,直到所有新的解向量分组完成。
(6)新的解向量开始组内寻优,每组内最差的新的解向量向组内最优的新的解向量所在位置进行跳跃,组内寻优公式如下:
x′gw=xgw+rand×(xgb-xgw) (4)
其中,x′gw表示g组内最差的新的解向量向g组内最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,xgb表示第g组最优的新的解向量的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组内寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组内寻优失败,进入步骤7)。
(7)新的解向量开始组间寻优,组内最差的新的解向量向着所有分组中最优的新的解向量位置进行跳跃,组间寻优公式如下:
x″gw=xgw+rand×(xb-xgw) (5)
其中,xb表示所有分组中最优的新的解向量位置坐标,x″gw表示g组内最差的新的解向量向所有分组中最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组间寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组间寻优失败,进行步骤8);
8)随机生成一个满足能耗约束条件的新的解向量位置坐标代替组内最差的新的解向量的位置坐标;
(9)将50个新的解向量按照跳跃后位置的适应度值重新排序和分组,则一次迭代更新完成,当前迭代次数iter加1,判断是否达到最大迭代次数1500以及是出现连续150次无效迭代,若是,则进入步骤(10),否则,回到步骤(4)开始下一轮迭代。
(10)本次混洗蛙跳算法周期结束,判断本次混洗蛙跳算法周期搜索到的最优新的解向量是否优于上一周期搜索到的最优新的解向量若是则进入步骤11),否则,令:初始解向量周期搜索区间半径R=0.9×R,当前周期数cyc加1,然后返回步骤3),开始下一周期;
(11)输出最优新的解向量的位置坐标即为最佳区域背光亮度分配方案。
为了评估本发明方法的性能,将本发明的方法与平均值法(一种基于图像亮度特征参数平均值的区域背光动态调光算法)进行性能比较。为了测试本发明的方法的适用性,选取了亮度覆盖范围较广的4种不同场景的图像进行仿真测试。仿真实验是在MATLABR2010b环境中进行的,所有测试图像的分辨率为1920×1080。由于本发明的方法旨在能源相同或者更低的情况下可以使调光后的图像拥有更高的显示质量,故将本发明的方法与平均值法的能耗都约束为不超过某一特定能耗,比较应用两种不同算法区域调光后图像的PSNR值,从而衡量各算法处理后的图像显示质量。表1记录了4种不同类型图像(高亮度图像、低亮度图像、高对比度图像和低对比度图像)经本发明的方法与平均值法区域调光后显示图像的PSNR值。通过对比,可以看出相较于平均值法,本发明的方法在相同的或者更低的能耗下可以使调光后的图像获得更高的质量。
表1改进混洗蛙跳算法较原始算法性能对比
Claims (4)
1.一种基于改进混洗蛙跳算法的区域背光动态调光方法,其特征在于,包括如下步骤:
1)初始化解向量规模M、分组数G和能耗约束条件,确定混洗蛙跳算法的最大周期数Maxcyc、一个周期内最大迭代次数Maxiter以及一个周期内迭代终止条件,初始化当前混洗蛙跳算法的周期数cyc=0,当前混洗蛙跳算法的周期搜索区间半径R,当前周期内迭代次数iter=0;
2)根据图像区域的所有像素点的平均值生成初始解向量
3)根据初始解向量和周期搜索区间半径R,生成M-1个新的解向量;
4)当前周期内的迭代更新开始,计算M个新的解向量所对应的适应度值,并按照适应度由好到坏对M个新的解向量进行排序,排序后的M个新的解向量用集合Lord表示, 表示排序后的第k个新的解向量;
5)按照排序的顺序将M个新的解向量分组,排在第1位的新的解向量分到第1组,排在第2位的新的解向量分到第2组,当排在第G位的新的解向量分到第G组后,排在第G+1位的新的解向量再次被分到第1组,以此类推,直到所有新的解向量分组完成;
6)新的解向量开始组内寻优,每组内最差的新的解向量向组内最优的新的解向量所在位置进行跳跃,组内寻优公式如下:
x′gw=xgw+rand×(xgb-xgw) (4)
其中,x′gw表示g组内最差的新的解向量向g组内最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,xgb表示第g组最优的新的解向量的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组内寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组内寻优失败,进入步骤7);
7)新的解向量开始组间寻优,组内最差的新的解向量向着所有分组中最优的新的解向量位置进行跳跃,组间寻优公式如下:
x″gw=xgw+rand×(xb-xgw) (5)
其中,xb表示所有分组中最优的新的解向量位置坐标,x″gw表示g组内最差的新的解向量向所有分组中最优的新的解向量跳跃后的位置坐标,xgw表示g组内最差的新的解向量跳跃前的位置坐标,rand是一个随机数;
新的解向量跳跃后的位置坐标所对应的能耗,如果满足能耗约束条件,且新的解向量跳跃后位置的适应度值比跳跃前位置的适应度值大,则新的解向量组间寻优成功,用新的解向量的位置坐标代替原始解向量位置,并直接进入步骤9);否则,新的解向量组间寻优失败,进行步骤8);
8)随机生成一个满足能耗约束条件的新的解向量位置坐标代替组内最差的新的解向量的位置坐标;
9)将M个新的解向量按照跳跃后位置的适应度值重新排序和分组,则一次迭代更新完成,将当前迭代次数iter加1,判断当前迭代次数是否达到最大迭代次数Maxiter以及是否达到迭代终止条件,若是,则进入步骤10),否则,返回步骤4)开始下一轮迭代;
10)本次混洗蛙跳算法周期结束,判断本次混洗蛙跳算法周期搜索到的最优新的解向量是否优于上一周期搜索到的最优新的解向量若是则进入步骤11),否则,令:初始解向量周期搜索区间半径R=δ×R,0<δ<1,当前周期数cyc加1,然后返回步骤3),开始下一周期;
11)输出最优新的解向量的位置坐标即为最佳区域背光亮度分配方案。
2.根据权利要求1所述的一种基于改进混洗蛙跳算法的区域背光动态调光方法,其特征在于,步骤2)包括:
(1)将图像按照背光区域划分方式分成相同的N个区域;
(2)分别求每个区域内所有像素点的亮度平均值,其中第k个区域的亮度平均值为
(3)通过所有N个区域的亮度平均值生成一个初始解向量初始解向量是一个N维向量,其中是向量第k维的值。
3.根据权利要求1所述的一种基于改进混洗蛙跳算法的区域背光动态调光方法,其特征在于,步骤3)包括:
(1)从当前周期开始,以初始解向量为中心,以周期搜索区间半径R为半径,确定搜索区域的上界up_bound和下界lo_bound,
上界up_bound=[u1,u2,…,uk,…,uN],其中第k个变量uk的计算方法如下式:
<mrow>
<msup>
<mi>u</mi>
<mi>k</mi>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>R</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>R</mi>
<mo><</mo>
<mn>255</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>255</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>R</mi>
<mo>&GreaterEqual;</mo>
<mn>255</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
下界lo_bound=[w1,w2,…,wk,…,wN],其中第k个变量wk的计算方法如下式:
<mrow>
<msup>
<mi>u</mi>
<mi>k</mi>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mi>R</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mi>R</mi>
<mo><</mo>
<mn>255</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>255</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mi>R</mi>
<mo>&GreaterEqual;</mo>
<mn>255</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,uk是上界up_bound的第k个变量,wk是下界lo_bound的第k个变量,是第k个区域的亮度平均值,R是周期搜索区间半径;
(2)在下界lo_bound至上界up_bound这一区域里,随机生成M-1个符合能耗约束条件的新的解向量,所述的M-1个新的解向量即为
4.根据权利要求1所述的一种基于改进混洗蛙跳算法的区域背光动态调光方法,其特征在于,步骤4)中所述的计算M个新的解向量所对应的适应度值,是采用如下公式:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>=</mo>
<mn>10</mn>
<mo>&CenterDot;</mo>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mn>255</mn>
<mn>2</mn>
</msup>
<mo>/</mo>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,yi,j和y′i,j分别是像素点(i,j)区域调光前后的像素亮度,MSE是均方误差,PSNR是峰值信噪比,m是输入图像的高,n输入图像的宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644423.0A CN107342056B (zh) | 2017-07-31 | 2017-07-31 | 一种基于改进混洗蛙跳算法的区域背光动态调光方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644423.0A CN107342056B (zh) | 2017-07-31 | 2017-07-31 | 一种基于改进混洗蛙跳算法的区域背光动态调光方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107342056A true CN107342056A (zh) | 2017-11-10 |
CN107342056B CN107342056B (zh) | 2019-05-31 |
Family
ID=60216696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710644423.0A Active CN107342056B (zh) | 2017-07-31 | 2017-07-31 | 一种基于改进混洗蛙跳算法的区域背光动态调光方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107342056B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728637A (zh) * | 2019-09-21 | 2020-01-24 | 天津大学 | 基于深度学习的用于图像处理的动态调光背光扩散方法 |
CN110838090A (zh) * | 2019-09-21 | 2020-02-25 | 天津大学 | 一种基于残差网络的用于图像处理的背光扩散方法 |
CN110930955A (zh) * | 2019-12-26 | 2020-03-27 | 业成光电(无锡)有限公司 | 显示器及其亮度调整方法 |
CN111063310A (zh) * | 2020-01-07 | 2020-04-24 | 业成科技(成都)有限公司 | 显示器及其亮度调整方法 |
CN113674705A (zh) * | 2021-08-27 | 2021-11-19 | 天津大学 | 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法 |
CN113744165A (zh) * | 2021-11-08 | 2021-12-03 | 天津大学 | 一种基于代理模型辅助进化算法的视频区域调光方法 |
CN114880914A (zh) * | 2021-08-27 | 2022-08-09 | 天津大学 | 一种基于多目标优化的区域调光模型 |
CN116206573A (zh) * | 2021-11-30 | 2023-06-02 | 广州视源电子科技股份有限公司 | 一种光强值确定方法、装置、设备及存储介质 |
CN117690388A (zh) * | 2024-02-04 | 2024-03-12 | 深圳康荣电子有限公司 | 基于显示模组背光的画面优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002082659A (ja) * | 2000-07-03 | 2002-03-22 | Victor Co Of Japan Ltd | 液晶表示装置 |
CN101290754A (zh) * | 2008-05-28 | 2008-10-22 | 香港应用科技研究院有限公司 | Lcd背光调暗,lcd/图像信号补偿和控制lcd显示器的方法 |
JP2011033978A (ja) * | 2009-08-05 | 2011-02-17 | Sharp Corp | 液晶映像表示装置及びその表示制御方法 |
EP2587474A1 (en) * | 2010-06-23 | 2013-05-01 | Sharp Kabushiki Kaisha | Image display device and image display method |
EP2706524A1 (en) * | 2011-05-04 | 2014-03-12 | Shanghai Avic Optoelectronics Co. Ltd | Backlight control method and device, and 3d display system |
-
2017
- 2017-07-31 CN CN201710644423.0A patent/CN107342056B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002082659A (ja) * | 2000-07-03 | 2002-03-22 | Victor Co Of Japan Ltd | 液晶表示装置 |
CN101290754A (zh) * | 2008-05-28 | 2008-10-22 | 香港应用科技研究院有限公司 | Lcd背光调暗,lcd/图像信号补偿和控制lcd显示器的方法 |
JP2011033978A (ja) * | 2009-08-05 | 2011-02-17 | Sharp Corp | 液晶映像表示装置及びその表示制御方法 |
EP2587474A1 (en) * | 2010-06-23 | 2013-05-01 | Sharp Kabushiki Kaisha | Image display device and image display method |
EP2706524A1 (en) * | 2011-05-04 | 2014-03-12 | Shanghai Avic Optoelectronics Co. Ltd | Backlight control method and device, and 3d display system |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728637A (zh) * | 2019-09-21 | 2020-01-24 | 天津大学 | 基于深度学习的用于图像处理的动态调光背光扩散方法 |
CN110838090A (zh) * | 2019-09-21 | 2020-02-25 | 天津大学 | 一种基于残差网络的用于图像处理的背光扩散方法 |
CN110838090B (zh) * | 2019-09-21 | 2023-04-21 | 天津大学 | 一种基于残差网络的用于图像处理的背光扩散方法 |
CN110728637B (zh) * | 2019-09-21 | 2023-04-18 | 天津大学 | 基于深度学习的用于图像处理的动态调光背光扩散方法 |
CN110930955A (zh) * | 2019-12-26 | 2020-03-27 | 业成光电(无锡)有限公司 | 显示器及其亮度调整方法 |
CN111063310A (zh) * | 2020-01-07 | 2020-04-24 | 业成科技(成都)有限公司 | 显示器及其亮度调整方法 |
CN114880914A (zh) * | 2021-08-27 | 2022-08-09 | 天津大学 | 一种基于多目标优化的区域调光模型 |
CN113674705A (zh) * | 2021-08-27 | 2021-11-19 | 天津大学 | 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法 |
CN113674705B (zh) * | 2021-08-27 | 2023-11-07 | 天津大学 | 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法 |
CN113744165A (zh) * | 2021-11-08 | 2021-12-03 | 天津大学 | 一种基于代理模型辅助进化算法的视频区域调光方法 |
CN116206573A (zh) * | 2021-11-30 | 2023-06-02 | 广州视源电子科技股份有限公司 | 一种光强值确定方法、装置、设备及存储介质 |
CN117690388A (zh) * | 2024-02-04 | 2024-03-12 | 深圳康荣电子有限公司 | 基于显示模组背光的画面优化方法及系统 |
CN117690388B (zh) * | 2024-02-04 | 2024-04-19 | 深圳康荣电子有限公司 | 基于显示模组背光的画面优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107342056B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107342056A (zh) | 一种基于改进混洗蛙跳算法的区域背光动态调光方法 | |
CN108428436A (zh) | 亮度补偿方法、亮度补偿装置、显示装置及存储介质 | |
CN107680542A (zh) | 一种分区背光控制方法及其装置 | |
CN106960243A (zh) | 一种改进卷积神经网络结构的方法 | |
CN106504212A (zh) | 一种改进的hsi空间信息低照度彩色图像增强算法 | |
CN107945125A (zh) | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 | |
CN102099849B (zh) | 区域自适应背光管理的方法和系统 | |
CN109214973A (zh) | 针对隐写分析神经网络的对抗安全载体生成方法 | |
CN104994364B (zh) | 一种图像处理方法和装置 | |
CN107464532B (zh) | 一种基于贪婪算法的区域背光动态调光方法 | |
CN107680056A (zh) | 一种图像处理方法及装置 | |
CN107799080A (zh) | 一种基于分段式曲线的液晶像素补偿方法 | |
CN102034431B (zh) | Led的伽马校正方法及装置 | |
CN111161191A (zh) | 一种图像增强方法 | |
Gautam et al. | Efficient color image contrast enhancement using range limited bi-histogram equalization with adaptive gamma correction | |
CN107644409A (zh) | 图像增强方法、显示装置及计算机可读存储介质 | |
CN109215614A (zh) | 一种画面质量调节方法、调节装置及终端设备 | |
CN105959663A (zh) | 视频帧间信号连续性的优化处理方法、系统及拍摄终端 | |
CN113674705B (zh) | 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法 | |
CN114415372B (zh) | Ar眼镜对比度的控制方法、存储介质及ar眼镜 | |
CN114067018B (zh) | 一种基于扩张残差生成对抗网络的红外图像彩色化方法 | |
Krasula et al. | Influence of HDR reference on observers preference in tone-mapped images evaluation | |
CN108564633A (zh) | 灰度图像压缩方法、装置及计算机设备 | |
CN107564480B (zh) | 一种显示装置的驱动方法及显示装置 | |
CN104702930B (zh) | 一种确定白平衡光源的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |