CN113191995B - 一种基于深度学习的视频图像自动曝光校正方法 - Google Patents
一种基于深度学习的视频图像自动曝光校正方法 Download PDFInfo
- Publication number
- CN113191995B CN113191995B CN202110481414.0A CN202110481414A CN113191995B CN 113191995 B CN113191995 B CN 113191995B CN 202110481414 A CN202110481414 A CN 202110481414A CN 113191995 B CN113191995 B CN 113191995B
- Authority
- CN
- China
- Prior art keywords
- exposure correction
- video image
- frames
- video
- network
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000005286 illumination Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的视频图像自动曝光校正方法,涉及数字图像处理技术领域。本发明的方法设计了一个结合亮度注意力机制的卷积神经网络结构,构建了平滑损失和内容一致性损失,并通过自制的涵盖多种曝光尺度、不同地点及不同时间的训练集来无监督地训练,并参考GOP中划分关键帧的方式,用训练好的网络对低照度下的视频图像进行自动曝光校正,相比于传统技术,降低了时间成本,更适合应用于视频会话场景中。本发明在对不均匀曝光的视频图像上避免了过度校正,且在时间上与传统算法相比,本发明的用时较短,能够实时处理视频。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种基于深度学习的视频图像自动曝光校正方法。
背景技术
如今互联网蓬勃发展,多媒体业务随之兴起,种类也更加丰富多样,吸引着大规模用户的使用,逐步影响着人们的生活。多媒体业务的种类繁多,如视频医疗、监控、教学等。同时多媒体业务也正在逐渐转向民用,主要以处理速度和处理效果为研究重点,期望在快速实时的同时保持画面质量。目前视频会话形式的市场份额比重逐年持续增长,其范围已经涉及到生活的各种领域,在人们交流沟通的过程中成为不可或缺的工具,也将是未来的主流趋势。随着近几年硬件设备和网络速度的不断提升,人们对视频会话的质量要求也越来越高。
然而在日常生活中,由于场景低光照、拍摄手法及设备配置问题,得到的视频会话图像很容易出现曝光不足、显示昏暗场景等问题,直接影响用户的主观感受,使得用户或计算机视觉任务无法很好地识别图像具体信息。光照影响视频质量主要有下面两种情况:在低光照条件下,获得的图像具有大量较暗区域,导致观测到的细节纹理不清晰,识别困难;在背光或闪光灯条件下,图像存在高亮和阴影区域,图像亮度呈现不均匀状态,影响用户体验。
视频会话需要考虑用户体验及后续的图像处理等问题,这些都是建立在高质量图像的基础上,因此在视频会话场景下,对含低照度视频图像的曝光校正需求非常迫切。其中对视频图像的曝光校正属于视频增强技术,视频增强技术是一种对视频颜色、噪声、光照度、细节等进行处理以提高视频体验的技术,也是图像的预处理阶段,旨在增强图像质量,根据需求恢复图像的重要信息,为后期的计算机视觉任务奠定坚实的基础。
目前针对视频图像曝光校正的研究相对较少,通常采用单帧处理的方式,但是传统方法计算量过大,并且主要针对离线视频难以达到实时。对视频会话场景下的曝光校正技术研究几乎处于空白阶段,因此为了有效的利用图像中的信息,解决拍摄过程中的一些问题,满足人们的主观感受以及计算机视觉设备的进一步分析应用,就必须对低照度条件下视频会话场景中的视频图像进行曝光校正。以深度学习为基础的方法是近年研究的新方向,基于神经网络的算法能够比传统方法在速度上有一定的提高,且避免了人工设置参数的复杂性,但是现有的网络存在网络结构较单一的问题,且适合视频会话业务的视频图像曝光校正技术研究较少,所以提高深度神经网络在视频图像曝光校正上面的性能是十分重要的。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于深度学习的视频图像自动曝光校正方法,实现对低照度环境下降质视频图像的颜色、亮度以及细节恢复,并且在时间上能够满足实时性。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于深度学习的视频图像自动曝光校正方法,包括以下步骤:
步骤1、训练数据集准备;
使用自行拍摄的包含多种曝光尺度、不同地点及不同时间的图像来训练;所述多种曝光尺度包括欠曝光、正常曝光和过曝光;所述地点包括室内、室外、远景、近景、特写;所述时间包括早上、中午、下午和傍晚;并通过翻转以及旋转的方式来进行数据增强;
步骤2、设计网络结构;
网络模型的体系结构将待曝光校正的单帧视频图像I及其HSV颜色空间下提取的亮度注意力图Iatt合并为四通道的矩阵作为输入来训练低照度视频图像曝光校正网络,其中第一个卷积层和两个下采样层的输出特征图与尺寸匹配的亮度注意力图Iatt逐像素相乘后分别与最后一个卷积层、两个上采样层进行concat级联或逐像素相加,最终生成曲线特征图;
其中亮度注意力图Iatt的计算方式为:
Iatt=(1-IV)θ (1)
式(1)中,I表示输入的视频图像;IV表示输入I在HSV颜色空间下亮度分量V的像素值;参数θ≥1,用于控制亮度注意力图的曲率;式(2)中,Maxpooling()为最大池化操作,对Iatt进行重塑尺寸操作得到
步骤3、训练网络;
以无监督的方式使用步骤1的数据集对步骤2中的网络进行训练,构建平滑损失Lsmooth和内容一致性损失Lcontent,输入数据反复迭代直到训练次数达到最大迭代次数,结束训练,保存网络结构和参数,得到训练好的神经网络模型,即低照度视频图像曝光校正网络;
设置网络训练的平滑损失函数为:
其中,N为迭代次数,表示一阶导数算子,/>表示曲线特征图的梯度,‖·‖2表示L2范数,Norm()表示归一化操作;
设置网络训练的内容一致性损失函数为:
其中,表示一个在ImageNet数据集下预训练的VGG模型提取到的特征,I为输入的视频图像,I′为输出图像,W和H分别表示特征图的宽和高;
步骤4、测试;
在摄像头实时获取待曝光校正的低照度视频,通过对所述低照度视频进行解码、分帧处理,得到所述低照度视频对应的连续图像序列;将获取到的连续图像序列以GOP的形式划分,其中第一帧定义为关键帧,标记为I帧,一个GOP内的其他帧标记为P帧,将每个GOP内的I帧送入训练好的低照度视频图像曝光校正网络,保存生成的曲线特征图,除了应用在I帧自身上,还将其直接应用在每个GOP内的P帧,依次得到连续的曝光校正后的视频帧,其中一个GOP长度设定为2秒;下一个GOP时重复该步骤;
步骤5、将得到的连续曝光校正后的视频帧合成视频输出。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于深度学习的视频图像自动曝光校正方法,设计了一个结合亮度注意力机制的卷积神经网络结构,构建了平滑损失和内容一致性损失,并通过自制的涵盖多种曝光尺度、不同地点及不同时间的训练集来无监督地训练,并参考GOP中划分关键帧的方式,用训练好的网络对低照度下的视频图像进行自动曝光校正,相比于传统技术,降低了时间成本,更适合应用于视频会话场景中。本发明在对不均匀曝光的视频图像上避免了过度校正,且在时间上与传统算法相比,本发明的用时较短,能够实时处理视频。
附图说明
图1为本发明实施例提供的基于深度学习的视频图像自动曝光校正方法网络流程图;
图2为本发明实施例提供的亮度注意力图;其中,(a)为原始输入在HSV颜色空间下的V通道灰度图;(b)为计算得到的亮度注意力图;
图3为本发明实施例提供的曝光校正效果图;其中,(a)为原始输入的低照度视频单帧图像;(b)为曝光校正后的结果;
图4为本发明实施例提供的本发明方法的单帧处理时间截图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例的基于深度学习的视频图像自动曝光校正方法如下所述。
步骤1、训练数据准备:使用自行拍摄的包含多种曝光尺度、不同地点及不同时间的图像来训练;所述多种曝光尺度包括欠曝光、正常曝光和过曝光;所述地点包括室内、室外、远景、近景、特写;所述时间包括早上、中午、下午和傍晚;最终获得的训练集包含的图像数量为8023张,所有图像的大小均为512*512;
为了有效地模拟真实世界的变形,防止过拟合,让网络学习到光照分布的更多可能,通过随机剪辑、翻转以及旋转(0°、90°、180°、270°)的方式来进行数据增强,最终得到的数据集图像数量达到了18000张,其中大致按照7:2:1的比例将数据集分为训练集、测试集和验证集。
步骤2、设计网络结构。
本实施例所提出的网络模型的体系结构将待曝光校正的单帧视频图像I及其HSV颜色空间下亮度注意力图Iatt合并为四通道的矩阵作为输入来训练低照度视频图像曝光校正网络,使用亮度注意力图可以让网络更多地关注原本欠曝光的区域,避免对原本正常曝光的区域过度校正;设计的低照度视频图像曝光校正网络由encoder-decoder结构组成,首先进行一次卷积操作,然后进行两次下采样,其中下采样层由卷积层、Relu层和2×2的最大池化层组成。两次下采样后再进行一次卷积,之后进行两次上采样,上采样层由卷积层、ReLU和2×2的反卷积组成,其中第二个下采样模块的输出特征图与重塑尺寸的注意力图Iatt进行逐像素相乘后再与相邻卷积模块的输出进行逐像素相加(add)作为第一个上采样模块的输入。在进行第二次上采样操作前,同样将第一次下采样模块的输出与注意力图Iatt点乘,但不再使用点加操作,而是与上采样的输出特征图进行concat连接后作为上采样模块的输入。将第一个卷积层的输出特征图与注意力图Iatt点乘后与第二次上采样模块的输出特征图进行concat连接作为输入,进行最后一次卷积,之后接Tanh激活函数,生成18个曲线参数特征图,利用高阶曲线将生成的曲线特征图与输入待曝光校正的单帧视频图像结合,不断迭代,继而生成曝光校正后的单帧视频图像.
(2a)关于步骤2中所述的亮度注意力图Iatt:在解决低照度图像中曝光不均匀的问题时,之前的许多图像曝光校正算法,一般采取对图像整体进行增强的方式,却忽略了图像中各区域亮度不一致的情况,导致原本正常曝光的区域过曝光,低曝光的区域相对欠曝光。由此,本实施例利用一个亮度注意力机制,亮度注意力机制具体的使用方法:将输入的RGB图像I转化为HSV颜色空间,提取亮度分量V的值IV,计算(1-IV)θ,得到Iatt再与输入单帧视频图像I进行concat操作,再用多级最大池化运算获得调整尺寸后的注意力图,与网络中若干层的特征图进行逐像素相乘,具体计算过程如下:
Iatt=(1-IV)θ (1)
式(1)中,I表示输入的视频图像,IV表示输入I在HSV颜色空间下亮度分量V的像素值,参数θ≥1,可以控制亮度注意力图的曲率,经过多次实现设置θ=2。式(2)中,Maxpooling为最大池化操作,用来修改注意力图Iatt的尺寸,至此生成4通道的矩阵后被送入低照度视频图像曝光校正网络来训练。
计算亮度注意力图Iatt的动机其实是一种自正则化的思想,旨在让网络更加关注输入图像中没有充分曝光的区域,避免对曝光相对好一些的区域过度校正。如图2所示,可以看到图2(a)中,光照越强的地方如天空,在图2(b)中越暗。需要注意的是,这里使用的亮度注意力图完全是由输入图像本身的特征得来的,而并不属于配对训练的有监督学习。这样一来,曝光充足的区域被赋予了较低的权重,欠曝光的区域被赋予了较高的权重,旨在引导曲线避免过度校正。
(2b)关于步骤2中所述的高阶曲线:
输入的低照度图像可以用一种曲线映射成一个曝光校正后的图像,高阶曲线形式如下:
f(I(x);α)=I(x)+αI(x)(1-I(x)) (3)
其中x为像素坐标,f(I(x);α)为输入待曝光校正的单帧视频图像I的校正结果,α∈[-1,1]是要训练学习的参数,可以修改曲线曲率的同时控制曝光。此外,每个像素都被归一化在[0,1]范围内。将式(3)的二阶曲线不断迭代,且每次迭代应用不同的曲线参数,得到式(4)的高阶曲线fn(x):
fn(x)=fn-1(x)+αn(x)fn-1(x)(1-fn-1(x)) (4)
其中n表示迭代次数,控制着曲率。这一操作的原理类似于递归调用,上一次计算的输出作为本次的输入,通过对输入图像不断进行这样的迭代,可以增大曲率,使曲线的动态范围调整能力更灵活。将式(4)的α修正为像素级参数图An,An的尺寸(H×W)与输入待曝光校正的单帧视频图像I的尺寸一致,如式(5)所示。这样对于输入待曝光校正的单帧视频图像I的每一个像素来说都有其对应的最佳拟合下的曲线参数α来调整像素的动态范围。
fn(x)=fn-1(x)+An(x)fn-1x(x)(1-fn-1(x)) (5)
生成的18个特征图被用来作为参与6次迭代(n=6)的曲线特征图An,其中每次迭代需要为三个通道(RGB)提供3个曲线特征图,所以是3×6=18,其中迭代次数选择n=6,这个值是多次实验观察得出的相对最佳情况。
步骤3、训练:随机初始化各层的连接权值W和偏置b,BatchSize=U,给定学习率为η,使用Adam优化器来对网络参数进行优化,相关参数设定为β1=0.9,β2=0.999,ε=10-8,以无监督的方式训练,构建平滑损失Lsmooth和内容一致性损失Lcontent,输入数据反复迭代直到训练次数达到最大迭代次数,结束训练,保存网络结构和参数,得到训练好的神经网络模型。
(3a)关于步骤3中所述的平滑损失Lsmooth和内容一致性损失Lcontent。在一种基于深度学习的视频图像自动曝光校正方法采用无监督的训练方式,即不需要配对数据集。
考虑到光照平滑的先验知识是指光照是缓慢变化的,但实际情况下图像中会存在亮度差异比较大的区域,即光照不平滑的区域,在区域的边界处进行增强后容易产生光晕现象。因此为了避免这类问题,设定平滑损失函数Lsmooth为:
其中,N为迭代次数,表示一阶导数算子,/>表示曲线特征图的梯度,||·||2表示L2范数,Norm()表示归一化操作。
通过缩小校正后图像经过VGG模型提取得到的特征图与标签图像经过提取得到的特征图之间的差异,可以使得校正后图像与标签图像在高维感知层更加相似。由于输入到输出图像之间亮度的改变对VGG模型提取到的特征距离的影响并不会很大,因此可以设定一个约束来保持输入的低照度图像与输出校正后图像的内容一致性。内容一致性损失函数Lcontent为:
其中,表示一个在ImageNet数据集下预训练的VGG模型提取到的特征,I为输入图像,I′为输出图像,W和H分别表示特征图的宽和高。
步骤5、测试:在摄像头实时获取待曝光校正的低照度视频,其中拍摄视频的场景并未出现在训练集当中,通过对所述低照度视频进行解码、分帧处理,得到所述低照度视频对应的连续图像序列。对于视频会话业务来说,相邻帧之间的光照强度往往十分相似,短时间内光照情况并不会有巨大的改变,因此相邻帧对应的曲线参数其调整趋势也十分相似。将获取到的连续图像序列以GOP的形式划分,其中第一帧定义为关键帧,标记为I帧,一个GOP内的其他帧标记为P帧,将每个GOP内的I帧送入训练好的低照度视频图像曝光校正网络,保存生成的18张曲线特征图,除了应用在I帧自身上,还将其直接应用在每个GOP内的P帧,依次得到连续的曝光校正后的视频帧,其中一个GOP长度设定为2秒。
步骤6、将得到的连续曝光校正后的视频帧合成视频输出。
本实施例对视频图像的曝光校正效果如图3所示,可以看到图3(a)中原始的输入视频图像曝光度低,画面昏暗,大量细节不可见,图3(b)为曝光校正后的结果,在亮度和对比度上都有很好的视觉效果,方法的单帧处理时间如图4所示,实时帧率最高可达到23.4FPS,可见本发明的提出很好地实现了对视频图像的曝光校正,并且具有较小的计算复杂度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种基于深度学习的视频图像自动曝光校正方法,其特征在于:包括以下步骤:
步骤1、训练数据集准备;使用自行拍摄的包含多种曝光尺度、不同地点及不同时间的图像来训练;
步骤2、设计网络结构;
将待曝光校正的单帧视频图像I及其HSV颜色空间下提取的亮度注意力图Iatt合并为四通道的矩阵作为输入来训练低照度视频图像曝光校正网络,其中第一个卷积层和两个下采样层的输出特征图与尺寸匹配的亮度注意力图Iatt逐像素相乘后分别与最后一个卷积层、两个上采样层进行concat级联或逐像素相加,最终生成曲线特征图;
其中,亮度注意力图Iatt的计算方式为:
Iatt=(1-IV)θ (1)
式(1)中,I表示输入的视频图像;IV表示输入I在HSV颜色空间下亮度分量V的像素值;参数θ≥1,用于控制亮度注意力图的曲率;式(2)中,Maxpooling()为最大池化操作,对Iatt进行重塑尺寸操作得到
步骤3、训练网络;
以无监督的方式使用步骤1的数据集对步骤2中的网络进行训练,构建平滑损失Lsmooth和内容一致性损失Lcontent,输入数据反复迭代直到训练次数达到最大迭代次数,结束训练,保存网络结构和参数,得到训练好的神经网络模型,即低照度视频图像曝光校正网络;
其中,设置网络训练的平滑损失函数为:
其中,N为迭代次数,表示一阶导数算子,/>表示曲线特征图的梯度,||·||2表示L2范数,Norm()表示归一化操作;
设置网络训练的内容一致性损失函数为:
其中,表示一个在ImageNet数据集下预训练的VGG模型提取到的特征,I为输入的视频图像,I′为输出图像,W和H分别表示特征图的宽和高;
步骤4、测试;
在摄像头实时获取待曝光校正的低照度视频之后,不将所有帧都送入所述低照度视频图像曝光校正网络,仅将一个GOP内的I帧送入训练好的低照度视频图像曝光校正网络,并保存生成的曲线特征图,其余P帧直接使用I帧的曲线特征图进行曝光校正,下一个GOP时重复该步骤;
步骤5、将得到的连续曝光校正后的视频帧合成视频输出。
2.根据权利要求1所述的基于深度学习的视频图像自动曝光校正方法,其特征在于:所述步骤1中多种曝光尺度包括欠曝光、正常曝光和过曝光;所述地点包括室内、室外、远景、近景、特写;所述时间包括早上、中午、下午和傍晚;并通过翻转以及旋转的方式来进行数据增强。
3.根据权利要求2所述的基于深度学习的视频图像自动曝光校正方法,其特征在于:所述步骤4的具体实现方式为:
在摄像头实时获取待曝光校正的低照度视频之后,将获取到的连续图像序列以GOP的形式划分,其中第一帧定义为关键帧,标记为I帧,一个GOP内的其他帧标记为P帧,将每个GOP内的I帧送入训练好的低照度视频图像曝光校正网络,保存生成的曲线特征图,除了应用在I帧自身上,还将其直接应用在每个GOP内的P帧,依次得到连续的曝光校正后的视频帧,其中一个GOP长度设定为2秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481414.0A CN113191995B (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习的视频图像自动曝光校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481414.0A CN113191995B (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习的视频图像自动曝光校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191995A CN113191995A (zh) | 2021-07-30 |
CN113191995B true CN113191995B (zh) | 2023-12-22 |
Family
ID=76983056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110481414.0A Active CN113191995B (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习的视频图像自动曝光校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191995B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643214B (zh) * | 2021-10-12 | 2022-02-11 | 江苏维沛通信科技发展有限公司 | 一种基于人工智能的图像曝光校正方法及系统 |
CN116363009B (zh) * | 2023-03-31 | 2024-03-12 | 哈尔滨工业大学 | 基于有监督学习的快速轻量化低照度图像增强方法及系统 |
CN116402833B (zh) * | 2023-06-08 | 2023-08-22 | 武汉纺织大学 | 一种基于知识蒸馏的半监督视频目标分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
CN112614077A (zh) * | 2020-12-30 | 2021-04-06 | 北京航空航天大学杭州创新研究院 | 一种基于生成对抗网络的非监督低照度图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783622B2 (en) * | 2018-04-25 | 2020-09-22 | Adobe Inc. | Training and utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image |
-
2021
- 2021-04-30 CN CN202110481414.0A patent/CN113191995B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
CN112614077A (zh) * | 2020-12-30 | 2021-04-06 | 北京航空航天大学杭州创新研究院 | 一种基于生成对抗网络的非监督低照度图像增强方法 |
Non-Patent Citations (3)
Title |
---|
"Advancing Image Understanding in Poor Visibility Environments:A Collective Benchmark Study";Wenhan Yang等;《IEEE Transactions on Image Processing》;全文 * |
"基于卷积神经网络的低光照图像增强算法研究";王坤;《中国优秀硕士学位论文全文数据库》;全文 * |
基于HOG特征和SVM的日常运动行为识别;张凯兵;赵含;;湖北工程学院学报(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191995A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191995B (zh) | 一种基于深度学习的视频图像自动曝光校正方法 | |
CN112614077B (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN110728633B (zh) | 多曝光度高动态范围反色调映射模型构建方法及装置 | |
CN110163808B (zh) | 一种基于卷积神经网络的单帧高动态成像方法 | |
CN110675328B (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
CN112734650B (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
CN110610463A (zh) | 一种图像增强方法及装置 | |
CN111064904A (zh) | 一种暗光图像增强方法 | |
CN112001863A (zh) | 一种基于深度学习的欠曝光图像恢复方法 | |
US20130039577A1 (en) | Method for improving image quality | |
CN115223004A (zh) | 基于改进的多尺度融合生成对抗网络图像增强方法 | |
CN112200736B (zh) | 基于强化学习的图像处理方法及模型训练方法、装置 | |
WO2021213336A1 (zh) | 一种画质增强装置及相关方法 | |
CN114596238A (zh) | 一种多曝光图像融合方法、系统及可存储介质 | |
US20130287299A1 (en) | Image processing apparatus | |
CN116109509A (zh) | 基于逐像素伽马矫正的实时低光照图像增强方法及系统 | |
CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
CN112614063A (zh) | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 | |
CN116579940A (zh) | 一种基于卷积神经网络的实时低照度图像增强方法 | |
CN114663300A (zh) | 基于dce的低照度图像增强方法、系统及相关设备 | |
CN110708470B (zh) | 一种自适应互补曝光数字图像处理方法、图像获取设备 | |
CN113191956A (zh) | 基于深度抠图的逆光图像增强方法 | |
CN117218043B (zh) | 基于监控图像质量的摄像头调控方法 | |
CN113409225B (zh) | 基于Retinex的无人机拍摄图像增强算法 | |
JP7498238B2 (ja) | 画像内のディストラクションを低減させるための技術 |
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 |