CN108174125A - 控制hdr功能的方法、装置及电子设备 - Google Patents
控制hdr功能的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108174125A CN108174125A CN201810066173.1A CN201810066173A CN108174125A CN 108174125 A CN108174125 A CN 108174125A CN 201810066173 A CN201810066173 A CN 201810066173A CN 108174125 A CN108174125 A CN 108174125A
- Authority
- CN
- China
- Prior art keywords
- brightness
- value
- decision
- hdr
- hdr functions
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/50—Control of the SSIS exposure
- H04N25/57—Control of the dynamic range
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/63—Control of cameras or camera modules by using electronic viewfinders
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/741—Circuitry for compensating brightness variation in the scene by increasing the dynamic range of the image compared to the dynamic range of the electronic image sensors
Abstract
本发明实施例提供一种控制HDR功能的方法、装置及电子设备,属于相机控制技术领域。本发明实施例提供的控制HDR功能的方法、装置及电子设备,可以根据预览图像的亮度分布数据,判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则,根据判断结果自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,简化了操作,提高了用户的拍照体验。
Description
技术领域
本发明涉及相机控制技术领域,具体而言,涉及一种控制HDR功能的方法、装置及电子设备。
背景技术
使用相机的普通模式进行拍照时,如果当前场景的画面明暗相差太大,拍出的照片就容易出现亮处过亮或者暗处过暗的情况,从而丢失亮处或暗处的细节,影响照片的质量。为了提高照片的质量,可以采用HDR(High-Dynamic Range,高动态范围)功能拍照。HDR的原理是,相机分别在欠曝、正常曝光以及过曝条件下连拍多张照片,然后将这些照片进行合成,得到一张HDR图像。对于HDR图像,无论是高光部分还是阴影部分其细节都比较清晰,能够更好的反映出真实环境中的视觉效果。
现有的相机或智能终端中,普遍设置有HDR功能,但在拍照时,往往需要用户手动开启该功能,而很多用户并不清楚该功能的作用,因此往往导致该功能被闲置,用户拍出的照片质量不高,降低了用户的拍照体验。
发明内容
有鉴于此,本发明实施例的目的在于提供一种控制HDR功能的方法、装置及电子设备,可以自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,提高了用户的拍照体验。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种控制HDR功能的方法,所述方法应用于带有相机功能的电子设备,所述方法包括:
如果所述相机功能处于开启状态,获取预览图像的亮度分布数据;
判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
根据判断结果控制所述相机功能中的HDR功能的状态。
在本发明较佳的实施例中,上述获取预览图像的亮度分布数据的步骤,包括:
获取所述预览图像的亮度直方图;
根据所述亮度直方图统计预设亮度区间中的像素占比值;
将所述亮度区间的像素占比值作为所述图像的亮度分布数据。
在本发明较佳的实施例中,上述判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则的步骤,包括:
将所述亮度分布数据输入预置的决策树模型,由所述决策树模型在判断出所述亮度分布数据满足预置的亮度分布逻辑规则时,输出开启HDR功能的标识值。
在本发明较佳的实施例中,上述决策树模型的训练过程包括:
获取包含高动态范围图像和低动态范围图像的样本集;
按照预设亮度区间统计样本集中每幅图像的亮度分布样本数据Pi,其中,所述亮度区间是对亮度[0,255]进行平均划分生成的N个亮度区间;Pi为亮度属于第i个亮度区间的像素点的概率;i的取值为1到N;
以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值;
根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型。
在本发明较佳的实施例中,上述以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值的步骤,包括:
以当前Pi为属性,对样本集各幅图像的Pi进行升序排列,得到集合D;
依次取集合D的两两相邻Pi的中值Aj分割集合D,得到子集D1和子集D2,计算该中值对应的基尼指数GINIPi·Aj(D);
其中,GINIPi.Aj(D)表示集合D在Pi属性下,中值Aj对应的基尼指数,表示子集D1在集合D中的比例,GINI(D1)表示子集D1的基尼指数,表示子集D2在集合D中的比例,GINI(D2)表示子集D2的基尼指数;GINI(D)表示集合D的基尼指数,n表示集合D中图像类别Ci的个数,如果D中仅包括高动态范围图像的类别C1或低动态范围图像的类别C2,n=1,如果D中包括高动态范围图像的类别C1和低动态范围图像的类别C1,n=2;qi表示任意一个图像属于类别Ci的概率,|D|为集合D中图像的总个数;
从各个中值对应的基尼指数中选择最小的基尼指数,将所述最小的基尼指数对应的中值确定为Pi的分割值。
在本发明较佳的实施例中,上述根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型的步骤,包括:
按照基尼指数从小到大的顺序对各个Pi对应的分割值排序;
按照排序后各个Pi对应的分割值的顺序确定开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则,得到决策树模型。
在本发明较佳的实施例中,上述方法还包括:
如果所述决策树模型为CART决策树,且所述CART决策树中的亮度分布逻辑的逻辑层数大于设定值时,将大于设定值的逻辑子树替换为所述逻辑子树中概率较大的图像类别对应的标识值。
第二方面,本发明实施例提供了一种控制HDR功能的装置,所述装置应用于带有相机功能的电子设备,所述装置包括:
获取模块,用于当所述相机功能处于开启状态时,获取预览图像的亮度分布数据;
判断模块,用于判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
控制模块,用于根据判断结果控制所述相机功能中的HDR功能的状态。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,以及相机;所述存储器用于存储支持处理器执行上述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存为上述控制HDR功能的装置所用的计算机软件指令,其包含用于执行上述方面为控制HDR功能的方法所设计的程序。
与现有技术相比,本发明实施例提供的控制HDR功能的方法、装置及电子设备,可以根据预览图像的亮度分布数据,判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则,根据判断结果自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,简化了操作,提高了用户的拍照体验。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例提供的第一种控制HDR功能的方法的流程图;
图2是本发明实施例提供的第二种控制HDR功能的方法的流程图;
图3是本发明实施例提供的第三种控制HDR功能的方法的流程图;
图4是本发明实施例提供的决策树模型的训练过程的流程图;
图5是本发明实施例提供的训练好的决策树模型的示例图;
图6是本发明实施例提供的剪枝后的决策树模型的示例图;
图7是本发明实施例提供的第一种控制HDR功能的装置的结构框图;
图8是本发明实施例提供的第二种控制HDR功能的装置的结构框图;
图9是本发明实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,在使用相机或智能终端拍照时,如果在同一幅画面中,亮度范围分布过宽,亮度差太大,拍出的照片就容易出现亮出过亮或者暗处过暗的情况,从而丢失亮处或暗处的细节,影响照片的质量。为此,在相机或智能终端中,大多设置了HDR功能,开启HDR功能,拍出的照片质量更高,无论是高光部分还是阴影部分其细节都比较清晰。
但相机的HDR功能往往需要用户手动开启,而很多用户并不清楚该功能的作用,从而导致HDR功能被闲置,用户拍出的照片质量不高,降低了用户的拍照体验。基于此,本发明实施例提供了一种控制HDR功能的方法、装置及电子设备。以下首先对本发明实施例提供的控制HDR功能的方法进行详细介绍。
图1示出了本发明实施例提供的第一种控制HDR功能的方法的流程图,该方法应用于带有相机功能的电子设备,例如,智能手机、数码相机、平板电脑等。如图1所示,该方法包括如下步骤:
步骤S102,如果相机功能处于开启状态,获取预览图像的亮度分布数据。
当开启电子设备上的相机功能时,摄像头打开,进入拍照模式,在电子设备的显示屏上会呈现一个取景窗口,用于实时显示摄像头捕捉到的预览图像。在该预览图像中,各个像素点的亮度范围通常在[0,255]之间,统计该预览图像中各个像素点的亮度分布数据。
可以但不限于采用如下两种方式获取预览图像的亮度分布数据:
第一种方式为,将亮度范围[0,255]等分为若干个亮度区间,统计预览图像中属于不同亮度区间的像素点的数量,计算不同亮度区间内像素点数量的比值,得到亮度分布数据。
第二种方式为,获取预览图像的亮度直方图;根据亮度直方图统计预设亮度区间中的像素占比值;将亮度区间的像素占比值作为图像的亮度分布数据。
步骤S104,判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则。
其中,预置的决策树模型是根据使用该电子设备预先拍摄的大量不同场景的各类图像组成的样本集进行训练得到的,决策树模型中预置有开启HDR功能的亮度分布逻辑规则。
步骤S106,根据判断结果控制相机功能中的HDR功能的状态。
如果预览图像的亮度分布数据满足决策树模型中开启HDR功能的亮度分布逻辑规则,控制相机功能中的HDR功能为开启状态。如果预览图像的亮度分布数据不满足决策树模型中开启HDR功能的亮度分布逻辑规则,控制相机功能中的HDR功能为关闭状态。
在普通模式下,当摄像头捕捉的预览图像的亮度差较大时,相机会将预览图像中亮度差异较大的各个物理点,所映射的各个像素点的显示亮度值,视为同一显示亮度值或者较为相近的显示亮度值。因此,图像的对比度往往较为强烈,但是图像的细节纹理特征表现较差,图像不够清晰。如果在此情况下,通过上述实施例提供的方法自动开启相机的HDR功能,使相机分别在欠曝、正常曝光以及过曝条件下连拍多张照片进行合成,则能够得到纹理清晰、细节丰富的图像。而当预览图像的亮度差较小时,不满足决策树模型中开启HDR功能的亮度分布逻辑规则,则关闭HDR功能,以节省耗电量,增加电子设备的续航时间,同时节约内存资源。
通过上述实施例提供的控制HDR功能的方法,电子设备可以根据预览图像的亮度分布数据,判断亮度分布数据是否满足预置的亮度分布逻辑,根据判断结果自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,从而简化了操作,提高了用户的拍照体验。
图2示出了本发明实施例提供的第二种控制HDR功能的方法的流程图。如图2所示,该方法包括如下步骤:
步骤S202,如果相机功能处于开启状态,获取预览图像的亮度直方图。
预览图像中的每个像素点对应一个确定的亮度值。亮度直方图可以准确地反应像素点与亮度值之间的对应关系。一般的智能终端或数码相机,均可以统计得到预览图像的亮度直方图。
步骤S204,根据亮度直方图统计预设亮度区间中的像素占比值。
步骤S206,将亮度区间的像素占比值作为预览图像的亮度分布数据。
将亮度范围[0,255]等分为N个亮度区间,N可以取2、4、8、16、32……,根据亮度直方图统计各个预设的亮度区间中的像素点与预览图像中所有像素点的比例,即各个预设的亮度区间的像素占比值,将各个亮度区间的像素占比值作为预览图像的亮度分布数据。
步骤S208,判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;如果是,执行步骤S210;如果否,执行步骤S212。
将所述亮度分布数据输入训练好的决策树模型,其中,决策树模型中预置有开启HDR功能的亮度分布逻辑规则;当决策树模型在判断出亮度分布数据满足预置的亮度分布逻辑规则时,输出开启HDR功能的标识值。当决策树模型在判断出亮度分布数据不满足预置的亮度分布逻辑规则时,输出关闭HDR功能的标识值。
步骤S210,控制相机功能中的HDR功能为开启状态。
如果相机功能中的HDR功能已处于开启状态,则继续维持开启,否则打开相机功能中的HDR功能。
步骤S212,控制相机功能中的HDR功能为关闭状态。
如果相机功能中的HDR功能已处于关闭状态,则继续维持关闭;如果相机功能中的HDR功能处于打开状态,则关闭HDR功能。
本实施例提供的控制HDR功能的方法,电子设备获取预览图像的亮度直方图,根据亮度直方图统计得到预览图像的亮度分布数据,然后根据预览图像的亮度分布数据,判断亮度分布数据是否满足预置的亮度分布逻辑,根据判断结果自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,从而简化了操作,提高了用户的拍照体验。
图3示出了本发明实施例提供的第三种控制HDR功能的方法的流程图,应用于具有相机功能的电子设备。如图3所示,该方法包括如下步骤:
步骤S302,如果相机功能处于开启状态,获取预览图像的亮度直方图。
步骤S304,根据亮度直方图统计预设亮度区间中的像素占比值,作为预览图像的亮度分布数据。
步骤S306,将亮度分布数据输入训练好的决策树模型。
图4示出了决策树模型的训练过程,如图4所示,决策树模型的训练过程包括如下步骤:
步骤S402,获取包含高动态范围图像和低动态范围图像的样本集。
使用上述电子设备,在不开启HDR功能的情况下,分别拍摄大量不同场景的图像,包括高动态范围图像和低动态范围图像,组成样本集。其中,高动态范围图像指明暗对比度较大的图像,低动态范围图像指明暗对比度较小的图像。
假设,电子设备共拍摄了M张高动态范围图像Hm,m=1、2……M;W张低动态范围图像Lw,w=1、2……W;M张高动态范围图像Hm和W张低动态范围图像Lw组成样本集T={Hm,Lw},其中,m=1、……M,w=1、……W。
步骤S404,按照预设亮度区间统计样本集中每幅图像的亮度分布样本数据Pi,其中,亮度区间是对亮度[0,255]进行平均划分生成的N个亮度区间;Pi为亮度属于第i个亮度区间的像素点的概率;i的取值为1到N。
对于任意一幅图像,Pi为属于第i个亮度区间的像素点的数量与该图像包含的像素点总数的比值。(0≤Pi≤1),其中,1≤N≤256,N为正整数,且N为256的约数。
步骤S406,以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值。
把不同亮度区间的亮度分布样本数据Pi作为属性,得到N个属性值。以当前Pi为属性,对样本集各幅图像的Pi进行升序排列,得到集合D;
依次取集合D的两两相邻Pi的中值Aj分割集合D,得到子集D1和子集D2,计算该中值对应的基尼指数GINIPi·Aj(D);
其中,GINIPi.Aj(D)表示集合D在Pi属性下,中值Aj对应的基尼指数,表示子集D1在集合D中的比例,GINI(D1)表示子集D1的基尼指数,表示子集D2在集合D中的比例,GINI(D2)表示子集D2的基尼指数;GINI(D)表示集合D的基尼指数,n表示集合D中图像类别Ci的个数,如果集合D中仅包括高动态范围图像的类别C1或低动态范围图像的类别C2,n=1,如果D中包括高动态范围图像的类别C1和低动态范围图像的类别C1,n=2;qi表示任意一个图像属于类别Ci的概率,qi=(集合D中属于类别Ci的图像的个数)/|D|,|D|为集合D中图像的总个数。
从各个中值对应的基尼指数中选择最小的基尼指数,将最小的基尼指数对应的中值确定为Pi的分割值。
以上述样本集T为例,设M=2,W=2。设N=4,即对亮度[0,255]进行平均划分生成的4个亮度区间。第一个亮度区间[0,63],第二个亮度区间[64,127],第三个亮度区间[128,191],第四个亮度区间[192,255]。在实际应用中,M、W和N的数值可能远大于上述假设值。在本实施例中,仅是为了方便对方案进行描述,设定上述值。统计样本集T中每幅图像在4个亮度区间上的亮度分布样本数据Pi,得到如下结果:
图像H1对应的第一个亮度区间上的亮度分布样本数据P1=0.2,第二个亮度区间上的亮度分布样本数据P2=0.1,第三个亮度区间上的亮度分布样本数据P3=0.4,第四个亮度区间上的亮度分布样本数据P4=0.3。图像H2对应的各个亮度区间上的亮度分布样本数据分别为P1=0.5,P2=0.3,P3=0.1,P4=0.1。图像L1对应的各个亮度区间上的亮度分布样本数据分别为P1=0.1,P2=0.3,P3=0.5,P4=0.1。图像L2对应的各个亮度区间上的亮度分布样本数据分别为P1=0.3,P2=0.2,P3=0.3,P4=0.2。
将高动态范围图像的类别标签设为1,低动态范围图像的类别标签设为0。则图像H1和图像H2对应的类别标签为1,图像L1和图像L2对应的类别标签为0。确定属性值P1的分割值时,首先对样本集T中的4幅图像的亮度分布样本数据根据属性值P1进行升序排列,得到集合D如表1所示。
表1
P1 | P2 | P3 | P4 | 类别 |
0.1 | 0.3 | 0.5 | 0.1 | 0 |
0.2 | 0.1 | 0.4 | 0.3 | 1 |
0.3 | 0.2 | 0.3 | 0.2 | 0 |
0.5 | 0.3 | 0.1 | 0.1 | 1 |
取表1中第一列对应的4幅图像对应的属性值P1的两两相邻的属性值的中值,得到3个中值,即A1=0.15,A2=0.25,A3=0.4。分别根据A1、A2和A3分割集合D,均能得到两个子集。根据上述基尼指数的计算公式,计算各个中值对应的基尼指数。
以下以中值A2为例进行说明,计算A2=0.25对应的基尼指数。属性值P1小于0.25的数据有两条,即表1中的第一行和第二行,这两条数据作为子集D1。属性值P1大于0.25的数据有两条,即表1中的第三行和第四行,这两条数据作为子集D2。
子集D1中包含两个类别,类别标签分别为0和1。根据公式计算得到GINI(D1)=1-((1/2)2+(1/2)2)=1/2。
同理,得到GINI(D2)=1/2。
中值A2对应的基尼指数,
依据上述同样的步骤可以得到中值A2对应的基尼指数和中值A3对应的基尼指数。从中值A1、A2和A3对应的基尼指数中选择最小的基尼指数,得到中值A2对应的基尼指数最小,将中值A2=0.25确定为P1的分割值。
同理,可以确定P2的分割值为0.3,P3的分割值为0.4,P4的分割值为0.2。
步骤S408,根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型。
按照基尼指数从小到大的顺序对各个Pi对应的分割值排序,按照排序后各个Pi对应的分割值的顺序确定开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则,得到决策树模型。
按照基尼指数从小到大排序,分割值的顺序为:P1的分割值、P2的分割值、P4的分割值和P3的分割值。按照排序后各个Pi对应的分割值的顺序构建出的决策树模型如图5所示。
考虑到决策树模型往往会出现过度拟合,需要进行剪枝。可选地,如果决策树模型为CART决策树,且CART决策树中的亮度分布逻辑规则的逻辑层数大于设定值时,将大于设定值的亮度分布逻辑规则中的逻辑子树替换为逻辑子树中概率最大的图像类别对应的标识值。
如图5所示的决策树模型,剪枝时可以减掉P3>0.4的逻辑子树,根据该逻辑子树左右两边的概率决定代替的类别,假设左边的图像类别的概率为0.4,右边的图像类别的概率为0.6,则将P3>0.4的逻辑子树替换为右边的图像类别对应的标识值0。剪枝后的决策树模型如图6所示。
上述介绍了根据图4所示的步骤建立决策树模型的过程。以下续接上述步骤S306,将亮度分布数据输入训练好的决策树模型之后,继续执行步骤S308。
步骤S308,判断亮度分布数据是否满足预置的亮度分布逻辑规则;如果是,执行步骤S310;如果否,执行步骤S312。
步骤S310,控制相机功能中的HDR功能为开启状态。
步骤S312,控制相机功能中的HDR功能为关闭状态。
将亮度分布数据输入训练好的决策树模型,当决策树模型的输出值是开启HDR功能的标识值时,执行步骤S310,控制相机功能中的HDR功能为开启状态。当决策树模型的输出值是关闭HDR功能的标识值时,执行步骤S312,控制相机功能中的HDR功能为关闭状态。
本实施例提供的控制HDR功能的方法,电子设备获取预览图像的亮度直方图,根据亮度直方图统计得到预览图像的亮度分布数据,然后根据预览图像的亮度分布数据,判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则,根据判断结果自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,从而简化了操作,提高了用户的拍照体验。决策树模型训练的过程参考了使用该电子设备预先拍摄的大量照片,得到的决策树模型的预测结果准确可靠。
需要说明的是,本说明书中的上述各个方法实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
与上述方法实施例相对应地,本发明实施例还提供了一种控制HDR功能的装置,如图7所示,该装置包括:
获取模块71,用于当相机功能处于开启状态时,获取预览图像的亮度分布数据;
判断模块72,用于判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
控制模块73,用于根据判断结果控制相机功能中的HDR功能的状态。
其中,获取模块71,还可以用于:获取预览图像的亮度直方图;根据亮度直方图统计预设亮度区间中的像素占比值;将亮度区间的像素占比值作为图像的亮度分布数据。
判断模块72,还可以用于:将亮度分布数据输入预置的决策树模型,由决策树模型在判断出亮度分布数据满足预置的亮度分布逻辑规则时,输出开启HDR功能的标识值。
控制模块73,还可以用于:如果亮度分布数据满足预置的亮度分布逻辑,控制相机功能中的HDR功能为开启状态;如果亮度分布数据不满足预置的亮度分布逻辑,控制相机功能中的HDR功能为关闭状态。
在一可选的实施例中,如图8所示,该装置还可以包括训练模块84,用于获取包含高动态范围图像和低动态范围图像的样本集;按照预设亮度区间统计样本集中每幅图像的亮度分布样本数据Pi,其中,所述亮度区间是对亮度[0,255]进行平均划分生成的N个亮度区间;Pi为亮度属于第i个亮度区间的像素点的概率;i的取值为1到N;以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值;根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型。
训练模块84,还可以用于:以当前Pi为属性,对样本集各幅图像的Pi进行升序排列,得到集合D;依次取集合D的两两相邻Pi的中值Aj分割集合D,得到子集D1和子集D2,计算该中值对应的基尼指数GINIPi·Aj(D);
其中,GINIPi.Aj(D)表示集合D在Pi属性下,中值Aj对应的基尼指数,表示子集D1在集合D中的比例,GINI(D1)表示子集D1的基尼指数,表示子集D2在集合D中的比例,GINI(D2)表示子集D2的基尼指数;GINI(D)表示集合D的基尼指数,n表示集合D中图像类别Ci的个数,如果D中仅包括高动态范围图像的类别C1或低动态范围图像的类别C2,n=1,如果D中包括高动态范围图像的类别C1和低动态范围图像的类别C1,n=2;qi表示任意一个图像属于类别Ci的概率,|D|为集合D中图像的总个数;从各个中值对应的基尼指数中选择最小的基尼指数,将所述最小的基尼指数对应的中值确定为Pi的分割值。
训练模块84,还可以用于:按照基尼指数从小到大的顺序对各个Pi对应的分割值排序;按照排序后各个Pi对应的分割值的顺序确定开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则,得到决策树模型。还可以用于:当决策树模型为CART决策树,且CART决策树中的亮度分布逻辑的逻辑层数大于设定值时,将大于设定值的逻辑子树替换为所述逻辑子树中概率较大的图像类别对应的标识值。
本发明实施例提供的控制HDR功能的装置,可以根据预览图像的亮度分布数据,判断亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则,根据判断结果自动控制HDR功能的状态,无需用户手动操作,便可拍出高质量的照片,简化了操作,提高了用户的拍照体验。
在上述实施例的基础上,本发明实施例还提供了一种电子设备,该电子设备可以是但不限于智能手机、数码相机、平板电脑或个人数字助理等。如图9所示,该电子设备100包括:射频(Radio Frequency,RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、无线保真(wireless fidelity,WiFi)模块170、处理器180、以及电源190等部件。本领域技术人员可以理解,图9中示出的电子设备100结构并不构成对电子设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
为了便于说明,图9仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。下面结合图9对电子设备100的各个构成部件进行具体的介绍:
RF电路110可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器180处理;另外,将设计上行的数据发送给基站。通常,RF电路110包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器120可用于存储软件程序以及模块,如本发明实施例中的控制HDR功能的方法以及装置对应的程序指令/模块,处理器180通过运行存储在存储器120的软件程序以及模块,从而执行电子设备100的各种功能应用以及数据处理,如本发明实施例提供的控制HDR功能的方法。存储器120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如录音功能、相机拍摄功能等)等;存储数据区可存储根据电子设备100的使用所创建的数据(比如图片数据、图像数据、音频数据等)等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元130可用于接收输入的数字或字符信息,以及产生与电子设备100的用户设置以及功能控制有关的键信号输入。具体地,输入单元130可包括触控面板131以及其他输入设备132。触控面板131,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板131可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器180,并能接收处理器180发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板131。除了触控面板131,输入单元130还可以包括其他输入设备132。具体地,其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及电子设备100的各种菜单。显示单元140可包括显示面板141,可选的,可以采用液晶显示器(LiquidCrystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板141。进一步的,触控面板131可覆盖显示面板141,当触控面板131检测到在其上或附近的触摸操作后,传送给处理器180以确定触摸事件的类型,随后处理器180根据触摸事件的类型做处理。虽然在图9中,触控面板131与显示面板141是作为两个独立的部件来实现电子设备100的输入和输入功能,但是在某些实施例中,可以将触控面板131与显示面板141集成而实现电子设备100的输入和输出功能。
电子设备100还可包括至少一种传感器150,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板141的亮度,接近传感器可在电子设备100移动到耳边时,关闭显示面板141和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别电子设备100姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于电子设备100还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路160、扬声器161,传声器162可提供用户与电子设备100之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号,传输到扬声器161,由扬声器161转换为声音信号输出;另一方面,传声器162将收集的声音信号转换为电信号,由音频电路160接收后转换为音频数据,再将音频数据输出处理器180处理后,经RF电路110以发送给比如另一电子设备100,或者将音频数据输出至存储器120以便进一步处理。
WiFi属于短距离无线传输技术,电子设备100通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块170,但是可以理解的是,其并不属于电子设备100的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器180是电子设备100的控制中心,利用各种接口和线路连接整个电子设备100的各个部分,通过运行或执行存储在存储器120内的软件程序和/或模块,以及调用存储在存储器120内的数据,执行电子设备100的各种功能和处理数据,从而对电子设备100进行整体监控。可选的,处理器180可包括一个或多个处理单元;优选的,处理器180可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器180中。
电子设备100还包括给各个部件供电的电源190(比如电池),优选的,电源可以通过电源管理系统与处理器180逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
可以理解,图9所示的结构仅为示意,电子设备100还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。图9中所示的各组件可以采用硬件、软件或其组合实现。
进一步地,本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用或执行时,机器可执行指令促使处理器实现上述实施例所述的方法。
本发明实施例所提供的控制HDR功能的装置和电子设备,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,也不能理解为指示或暗示相对重要性。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
本发明实施例还揭示了:
A1.一种控制HDR功能的方法,所述方法应用于带有相机功能的电子设备,所述方法包括:
如果所述相机功能处于开启状态,获取预览图像的亮度分布数据;
判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
根据判断结果控制所述相机功能中的HDR功能的状态。
A2.根据A1所述的方法,所述获取预览图像的亮度分布数据的步骤,包括:
获取所述预览图像的亮度直方图;
根据所述亮度直方图统计预设亮度区间中的像素占比值;
将所述亮度区间的像素占比值作为所述图像的亮度分布数据。
A3.根据A1所述的方法,所述判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则的步骤,包括:
将所述亮度分布数据输入预置的决策树模型,由所述决策树模型在判断出所述亮度分布数据满足预置的亮度分布逻辑规则时,输出开启HDR功能的标识值。
A4.根据A3所述的方法,所述决策树模型的训练过程包括:
获取包含高动态范围图像和低动态范围图像的样本集;
按照预设亮度区间统计样本集中每幅图像的亮度分布样本数据Pi,其中,所述亮度区间是对亮度[0,255]进行平均划分生成的N个亮度区间;Pi为亮度属于第i个亮度区间的像素点的概率;i的取值为1到N;
以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值;
根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型。
A5.根据A4所述的方法,所述以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值的步骤,包括:
以当前Pi为属性,对样本集各幅图像的Pi进行升序排列,得到集合D;
依次取集合D的两两相邻Pi的中值Aj分割集合D,得到子集D1和子集D2,计算该中值对应的基尼指数GINIPi·Aj(D);
其中,GINIPi.Aj(D)表示集合D在Pi属性下,中值Aj对应的基尼指数,表示子集D1在集合D中的比例,GINI(D1)表示子集D1的基尼指数,表示子集D2在集合D中的比例,GINI(D2)表示子集D2的基尼指数;GINI(D)表示集合D的基尼指数,n表示集合D中图像类别Ci的个数,如果D中仅包括高动态范围图像的类别C1或低动态范围图像的类别C2,n=1,如果D中包括高动态范围图像的类别C1和低动态范围图像的类别C1,n=2;qi表示任意一个图像属于类别Ci的概率,|D|为集合D中图像的总个数;
从各个中值对应的基尼指数中选择最小的基尼指数,将所述最小的基尼指数对应的中值确定为Pi的分割值。
A6.根据A5所述的方法,所述根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型的步骤,包括:
按照基尼指数从小到大的顺序对各个Pi对应的分割值排序;
按照排序后各个Pi对应的分割值的顺序确定开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则,得到决策树模型。
A7.根据A4至A6中任一项所述的方法,所述方法还包括:
如果所述决策树模型为CART决策树,且所述CART决策树中的亮度分布逻辑规则的逻辑层数大于设定值时,将大于设定值的所述亮度分布逻辑规则中的逻辑子树替换为所述逻辑子树中概率最大的图像类别对应的标识值。
A8.根据A1所述的方法,所述根据判断结果控制所述相机功能中的HDR功能的状态的步骤包括:
如果判断结果为是,控制所述相机功能中的HDR功能为开启状态;
如果判断结果为否,控制所述相机功能中的HDR功能为关闭状态。
B9.一种控制HDR功能的装置,所述装置应用于带有相机功能的电子设备,所述装置包括:
获取模块,用于当所述相机功能处于开启状态时,获取预览图像的亮度分布数据;
判断模块,用于判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
控制模块,用于根据判断结果控制所述相机功能中的HDR功能的状态。
B10.根据B9所述的装置,所述获取模块,还用于:
获取所述预览图像的亮度直方图;
根据所述亮度直方图统计预设亮度区间中的像素占比值;
将所述亮度区间的像素占比值作为所述图像的亮度分布数据。
B11.根据B9所述的装置,所述判断模块,还用于:
将所述亮度分布数据输入预置的决策树模型,由所述决策树模型在判断出所述亮度分布数据满足预置的亮度分布逻辑规则时,输出开启HDR功能的标识值。
B12.根据B11所述的装置,所述装置还包括:
训练模块,用于获取包含高动态范围图像和低动态范围图像的样本集;
按照预设亮度区间统计样本集中每幅图像的亮度分布样本数据Pi,其中,所述亮度区间是对亮度[0,255]进行平均划分生成的N个亮度区间;Pi为亮度属于第i个亮度区间的像素点的概率;i的取值为1到N;
以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值;
根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型。
B13.根据B12所述的装置,所述训练模块,还用于:
以当前Pi为属性,对样本集各幅图像的Pi进行升序排列,得到集合D;
依次取集合D的两两相邻Pi的中值Aj分割集合D,得到子集D1和子集D2,计算该中值对应的基尼指数GINIPi·Aj(D);
其中,GINIPi.Aj(D)表示集合D在Pi属性下,中值Aj对应的基尼指数,表示子集D1在集合D中的比例,GINI(D1)表示子集D1的基尼指数,表示子集D2在集合D中的比例,GINI(D2)表示子集D2的基尼指数;GINI(D)表示集合D的基尼指数,n表示集合D中图像类别Ci的个数,如果D中仅包括高动态范围图像的类别C1或低动态范围图像的类别C2,n=1,如果D中包括高动态范围图像的类别C1和低动态范围图像的类别C1,n=2;qi表示任意一个图像属于类别Ci的概率,|D|为集合D中图像的总个数;
从各个中值对应的基尼指数中选择最小的基尼指数,将所述最小的基尼指数对应的中值确定为Pi的分割值。
B14.根据B13所述的装置,所述训练模块,还用于:
按照基尼指数从小到大的顺序对各个Pi对应的分割值排序;
按照排序后各个Pi对应的分割值的顺序确定开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则,得到决策树模型。
B15.根据B12至B14中任一项所述的装置,所述训练模块,还用于:
当所述决策树模型为CART决策树,且所述CART决策树中的亮度分布逻辑的逻辑层数大于设定值时,将大于设定值的逻辑子树替换为所述逻辑子树中概率较大的图像类别对应的标识值。
B16.根据B9所述的装置,所述控制模块,还用于:
如果所述亮度分布数据满足预置的亮度分布逻辑,控制所述相机功能中的HDR功能为开启状态;
如果所述亮度分布数据不满足预置的亮度分布逻辑,控制所述相机功能中的HDR功能为关闭状态。
C17.一种电子设备,包括存储器和处理器,以及相机;所述存储器用于存储支持处理器执行A1~A8中任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
D18.一种机器可读存储介质,存储有为B9~B16中任一项所述装置所用的计算机软件指令。
Claims (10)
1.一种控制HDR功能的方法,其特征在于,所述方法应用于带有相机功能的电子设备,所述方法包括:
如果所述相机功能处于开启状态,获取预览图像的亮度分布数据;
判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
根据判断结果控制所述相机功能中的HDR功能的状态。
2.根据权利要求1所述的方法,其特征在于,所述获取预览图像的亮度分布数据的步骤,包括:
获取所述预览图像的亮度直方图;
根据所述亮度直方图统计预设亮度区间中的像素占比值;
将所述亮度区间的像素占比值作为所述图像的亮度分布数据。
3.根据权利要求1所述的方法,其特征在于,所述判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则的步骤,包括:
将所述亮度分布数据输入预置的决策树模型,由所述决策树模型在判断出所述亮度分布数据满足预置的亮度分布逻辑规则时,输出开启HDR功能的标识值。
4.根据权利要求3所述的方法,其特征在于,所述决策树模型的训练过程包括:
获取包含高动态范围图像和低动态范围图像的样本集;
按照预设亮度区间统计样本集中每幅图像的亮度分布样本数据Pi,其中,所述亮度区间是对亮度[0,255]进行平均划分生成的N个亮度区间;Pi为亮度属于第i个亮度区间的像素点的概率;i的取值为1到N;
以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值;
根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型。
5.根据权利要求4所述的方法,其特征在于,所述以各个Pi为属性,开启HDR功能的标识值和关闭HDR功能的标识值为输出,训练各个Pi对应的分割值的步骤,包括:
以当前Pi为属性,对样本集各幅图像的Pi进行升序排列,得到集合D;
依次取集合D的两两相邻Pi的中值Aj分割集合D,得到子集D1和子集D2,计算该中值对应的基尼指数GINIPi·Aj(D);
其中,GINIPi.Aj(D)表示集合D在Pi属性下,中值Aj对应的基尼指数,表示子集D1在集合D中的比例,GINI(D1)表示子集D1的基尼指数,表示子集D2在集合D中的比例,GINI(D2)表示子集D2的基尼指数;GINI(D)表示集合D的基尼指数,n表示集合D中图像类别Ci的个数,如果D中仅包括高动态范围图像的类别C1或低动态范围图像的类别C2,n=1,如果D中包括高动态范围图像的类别C1和低动态范围图像的类别C1,n=2;qi表示任意一个图像属于类别Ci的概率,|D|为集合D中图像的总个数;
从各个中值对应的基尼指数中选择最小的基尼指数,将所述最小的基尼指数对应的中值确定为Pi的分割值。
6.根据权利要求5所述的方法,其特征在于,所述根据各个Pi对应的分割值,确定包含开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则的决策树模型的步骤,包括:
按照基尼指数从小到大的顺序对各个Pi对应的分割值排序;
按照排序后各个Pi对应的分割值的顺序确定开启HDR功能的亮度分布逻辑规则和关闭HDR功能的亮度分布逻辑规则,得到决策树模型。
7.根据权利要求4至6中任一项所述的方法,其特征在于,所述方法还包括:
如果所述决策树模型为CART决策树,且所述CART决策树中的亮度分布逻辑规则的逻辑层数大于设定值时,将大于设定值的所述亮度分布逻辑规则中的逻辑子树替换为所述逻辑子树中概率最大的图像类别对应的标识值。
8.一种控制HDR功能的装置,其特征在于,所述装置应用于带有相机功能的电子设备,所述装置包括:
获取模块,用于当所述相机功能处于开启状态时,获取预览图像的亮度分布数据;
判断模块,用于判断所述亮度分布数据是否满足预置的决策树模型中包含的亮度分布逻辑规则;
控制模块,用于根据判断结果控制所述相机功能中的HDR功能的状态。
9.一种电子设备,其特征在于,包括存储器和处理器,以及相机;所述存储器用于存储支持处理器执行权利要求1~7中任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种机器可读存储介质,其特征在于,存储有为权利要求8所述装置所用的计算机软件指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810066173.1A CN108174125B (zh) | 2018-01-23 | 2018-01-23 | 控制hdr功能的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810066173.1A CN108174125B (zh) | 2018-01-23 | 2018-01-23 | 控制hdr功能的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108174125A true CN108174125A (zh) | 2018-06-15 |
CN108174125B CN108174125B (zh) | 2020-12-25 |
Family
ID=62515721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810066173.1A Active CN108174125B (zh) | 2018-01-23 | 2018-01-23 | 控制hdr功能的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108174125B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361463A (zh) * | 2021-06-30 | 2021-09-07 | 深圳市斯博科技有限公司 | 最优显著区确定方法、装置、计算机设备及存储介质 |
CN117218043A (zh) * | 2023-11-09 | 2023-12-12 | 深圳市锐能安防科技有限公司 | 基于监控图像质量的摄像头调控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946513A (zh) * | 2012-11-08 | 2013-02-27 | 北京小米科技有限责任公司 | 一种启动拍摄装置高动态范围功能的方法、装置及终端 |
CN104504365A (zh) * | 2014-11-24 | 2015-04-08 | 闻泰通讯股份有限公司 | 视频序列中的笑脸识别系统及方法 |
CN104883504A (zh) * | 2015-06-05 | 2015-09-02 | 广东欧珀移动通信有限公司 | 开启智能终端上高动态范围hdr功能的方法及装置 |
CN105227843A (zh) * | 2015-10-20 | 2016-01-06 | 宇龙计算机通信科技(深圳)有限公司 | 终端的拍摄控制方法、终端的拍摄控制装置和终端 |
CN105611140A (zh) * | 2015-07-31 | 2016-05-25 | 宇龙计算机通信科技(深圳)有限公司 | 拍照控制方法、拍照控制装置及终端 |
CN105872399A (zh) * | 2016-04-19 | 2016-08-17 | 奇酷互联网络科技(深圳)有限公司 | 逆光检测方法和逆光检测系统 |
CN107169502A (zh) * | 2017-03-22 | 2017-09-15 | 广东工业大学 | 一种基于决策树的选项识别方法 |
CN107205120A (zh) * | 2017-06-30 | 2017-09-26 | 维沃移动通信有限公司 | 一种图像的处理方法和移动终端 |
-
2018
- 2018-01-23 CN CN201810066173.1A patent/CN108174125B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946513A (zh) * | 2012-11-08 | 2013-02-27 | 北京小米科技有限责任公司 | 一种启动拍摄装置高动态范围功能的方法、装置及终端 |
CN104504365A (zh) * | 2014-11-24 | 2015-04-08 | 闻泰通讯股份有限公司 | 视频序列中的笑脸识别系统及方法 |
CN104883504A (zh) * | 2015-06-05 | 2015-09-02 | 广东欧珀移动通信有限公司 | 开启智能终端上高动态范围hdr功能的方法及装置 |
CN105611140A (zh) * | 2015-07-31 | 2016-05-25 | 宇龙计算机通信科技(深圳)有限公司 | 拍照控制方法、拍照控制装置及终端 |
CN105227843A (zh) * | 2015-10-20 | 2016-01-06 | 宇龙计算机通信科技(深圳)有限公司 | 终端的拍摄控制方法、终端的拍摄控制装置和终端 |
CN105872399A (zh) * | 2016-04-19 | 2016-08-17 | 奇酷互联网络科技(深圳)有限公司 | 逆光检测方法和逆光检测系统 |
CN107169502A (zh) * | 2017-03-22 | 2017-09-15 | 广东工业大学 | 一种基于决策树的选项识别方法 |
CN107205120A (zh) * | 2017-06-30 | 2017-09-26 | 维沃移动通信有限公司 | 一种图像的处理方法和移动终端 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361463A (zh) * | 2021-06-30 | 2021-09-07 | 深圳市斯博科技有限公司 | 最优显著区确定方法、装置、计算机设备及存储介质 |
CN113361463B (zh) * | 2021-06-30 | 2024-02-02 | 深圳万兴软件有限公司 | 最优显著区确定方法、装置、计算机设备及存储介质 |
CN117218043A (zh) * | 2023-11-09 | 2023-12-12 | 深圳市锐能安防科技有限公司 | 基于监控图像质量的摄像头调控方法 |
CN117218043B (zh) * | 2023-11-09 | 2024-02-02 | 深圳市锐能安防科技有限公司 | 基于监控图像质量的摄像头调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108174125B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446797B (zh) | 图像聚类方法及装置 | |
CN103871051B (zh) | 图像处理方法、装置和电子设备 | |
CN104135609B (zh) | 辅助拍照方法、装置及终端 | |
CN103500195B (zh) | 分类器更新方法、装置、系统及设备 | |
CN107592466A (zh) | 一种拍照方法及移动终端 | |
CN107861688A (zh) | 一种数据删除方法、终端及可读存储介质 | |
CN107995422A (zh) | 图像拍摄方法和装置、计算机设备、计算机可读存储介质 | |
CN108259758A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN107656774A (zh) | 系统参数的自适应调节方法、装置、终端设备及存储介质 | |
CN108038431A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN108198162A (zh) | 照片处理方法、移动终端、服务器、系统、存储介质 | |
CN108270696A (zh) | 网络带宽分配方法、移动终端及计算机存储介质 | |
CN108241752A (zh) | 照片显示方法、移动终端及计算机可读存储介质 | |
CN109542232A (zh) | 终端横竖屏模式的切换方法、终端及计算机可读存储介质 | |
CN108230104A (zh) | 应用类特征生成方法、移动终端以及可读存储介质 | |
CN108174125A (zh) | 控制hdr功能的方法、装置及电子设备 | |
CN108259771A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN108460769A (zh) | 图像处理方法及终端设备 | |
CN106101810B (zh) | 用于智能电视的界面主题变换方法、装置及智能电视 | |
CN108200352A (zh) | 一种调解图片亮度的方法、终端及存储介质 | |
CN107239332A (zh) | 一种进程处理方法、移动终端以及计算机可读存储介质 | |
CN107749920A (zh) | 手电筒的亮度调节方法、装置和移动终端 | |
CN106296640A (zh) | 一种识别模糊图像的方法和装置 | |
CN110278481A (zh) | 画中画实现方法、终端及计算机可读存储介质 | |
CN107341094A (zh) | 启动项耗时的测量方法及装置 |
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 |