CN113674705B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113674705B CN113674705B CN202110993300.4A CN202110993300A CN113674705B CN 113674705 B CN113674705 B CN 113674705B CN 202110993300 A CN202110993300 A CN 202110993300A CN 113674705 B CN113674705 B CN 113674705B
- Authority
- CN
- China
- Prior art keywords
- backlight
- fitness
- population
- particles
- rbfn
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 70
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000009499 grossing Methods 0.000 claims abstract description 17
- 238000003491 array Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 244000144992 flock Species 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G09G3/3426—Control of illumination source using several illumination sources separately controlled corresponding to different display panel areas, e.g. along one dimension such as lines the different display panel areas being distributed in two dimensions, e.g. matrix
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Liquid Crystal Display Device Control (AREA)
- Control Of Indicators Other Than Cathode Ray Tubes (AREA)
Abstract
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：将区域调光中的背光提取过程视为一个最优化问题，基于粒子群算法(PSO)求解该最优化问题，来获得一组最优背光阵列。为了提高算法的效率，采用RBFN代理模型应用到算法的求解过程中，使用RBFN代理模型来替换掉复杂耗时的背光平滑、像素补偿过程。相比于基于图像参数的背光提取方法和基于进化算法的背光提取方法，本发明提出的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具有图像显示质量高、算法效率快的特点。
Description
一、技术领域
本发明应用于使用液晶显示器(LCD)显示图像的背光提取过程，将背光提取视为一个最优化问题并基于粒子群算法(PSO)求解，来获得一组最优背光阵列，同时将径向基函数神经网络(RBFN)代理模型应用到算法求解过程中，旨在提高算法的效率。
二、背景技术
1.区域调光系统
作为多媒体技术的重要组成部分，显示技术近年来得到了快速发展。目前，LCD在笔记本电脑和电视等大尺寸显示器中具有广泛应用。一个LCD系统主要包括两个部分：LED背光源和液晶面板。其中，LED背光源提供光源，液晶面板控制像素的透光率。图像显示质量和系统功耗是显示设备关注的重点，如图1所示，在传统的LCD系统中，不同图像区域共用相同的背光源，因此当背光源亮度较高时，图像黑暗区域会出现背光泄露现象，导致图像质量下降。另一方面，LCD显示系统90％以上的功耗来自背光，图像的明亮区域和黑暗区域共用相同的高亮度背光，会提升系统功耗。
为了提高图像显示质量、降低系统功耗，区域调光系统被提出。对如图2所示，与传统LCD系统不同，区域调光系统的背光模块由LED阵列组成，每个LED块照亮液晶面板的一个区域，并且每个LED块的亮度可以单独调节。在区域调光系统中，黑暗区域后面的背光块被设置为低亮度，明亮区域后面的背光块被设置为高亮度。因此，区域调光系统可以减少背光泄露，提高图像显示质量，并降低系统功耗。与传统LCD系统相比，区域调光系统具有更好的性能。
如图3所示，区域调光分为背光提取、背光平滑、像素补偿三个过程，其中背光提取是对背光模块进行参数设置；背光平滑是为了防止图像出现“块效应”，在背光提取后对背光阵列进行光扩散现象模拟的过程；像素补偿是根据背光平滑的结果对液晶面板进行参数设置，控制像素的透光率，从而完成图像的显示。在区域调光过程中，背光提取的结果直接影响着后续背光平滑和像素补偿的过程，从而影响最终显示图像的质量。现有背光平滑、像素补偿方法较为成熟，对区域调光系统的改进主要针对背光提取方法。
2.现有的背光提取方法
在应用区域调光系统对图像进行显示时，首先需要通过背光提取方法计算LED阵列中每个背光块的亮度，在背光提取之后进行复杂耗时的背光平滑、像素补偿过程，不同的背光亮度设置方案会带来不同的显示效果和系统功耗。因此背光提取方法对充分发挥区域调光的性能是重要的。现有的背光提取方法大主要分为基于图像参数的背光提取方法和基于进化算法的背光提取方法两大类。
在基于图像参数的背光提取方法中，最大值法选取背光块所照亮的图像区域中所有像素点的最大灰度值作为该背光块的背光值，此方法能够保持图像的大部分细节，但由于提取的背光值接近或等于255，因此功耗较高；平均值法选取背光块所照亮的图像区域中所有像素点的灰度平均值作为该背光块的背光值，该方法具有较低的功耗，但由于未考虑亮度在平均值以上的像素点的显示效果，因此图像会有较大的失真；LUT法采用加权的思想将最大值法和平均值法结合在一起，采用了查表操作，算法复杂度有效降低，但该方法并不适用高对比度图像；CDF法先根据各背光块所照亮的图像区域的灰度直方图得到对应的概率密度曲线，然后求得累计分布函数，最后将预设的阈值在累计分布函数上映射出的灰度值作为相应背光块的背光亮度，该方法适用于整体亮度较高的图像，但对于整体亮度较低的图像易出现块效应；高斯函数法利用图像的亮度平均值和方差来提取背光信息，在图像灰度均值的基础上通过一定的修正值来提高背光亮度，有效减少了平均值法中较高亮度的像素显示失真的现象，但功耗较平均值法有所增加。
上述基于图像参数的背光提取方法能够获取一组有效背光，但是由于在确定各背光值时，只考虑了各背光块所对应区域的视觉质量，没有考虑图像的整体视觉质量，因此显示图像的整体视觉质量并未达到最佳；而且一种基于图像参数的背光提取方法大多只适用于某一类图像。
针对以上问题，以最大化图像整体显示质量为优化目标的基于进化算法的背光提取方法被提出。2018年研究人员应用混合蛙跳算法(SFLA)解决区域调光中背光提取问题，以最大化显示图像和原始图像间的峰值信噪比(PSNR)为优化目标，以系统功耗为约束建立了区域调光的数学模型，并对SFLA进行了改进，引入了循环优化的策略。2019年研究人员应用烟花算法(FWA)解决区域调光中背光提取问题，以最大化显示图像和原始图像间的结构相似性指标(SSIM)为优化目标，以系统功耗为约束建立了区域调光的数学模型，并对FWA进行了改进，提出了一种引导策略。基于进化算法的背光提取方法与基于图像参数的背光提取方法相比，可以获得更好的显示图像的质量，但是由于在区域调光问题中，个体适应度评估非常耗时，基于进化算法的背光提取方法运行效率明显低于基于图像参数的背光提取方法。
3.粒子群算法
粒子群算法(PSO)是对鸟群捕食行为进行模拟而得到的算法，自然界中鸟群边搜寻食物边进行信息交流，以实现信息在鸟群内共享。在自然界食物极其匮乏的条件下，鸟群通过个体间合作共同获得食物，从而提高了鸟群中每一个成员的生存几率。鸟群通过合作共同寻找食物的同时，每一只鸟之间也存在着对食物的竞争。在PSO中，我们把每一只鸟比作一个粒子，把鸟群觅食的区域比作最优化问题的解空间，把鸟类寻找食物的过程比作对最优化问题求解的过程。这样，PSO求取最优值的过程与鸟类搜寻食物的过程相似，因此可将该思想用于最优化问题的求解。
鸟群的这种捕食机制是一种合作共生的机制，PSO基于这种思想采用了信息共享的机制，每一个粒子都保留自己经过的最优位置，并且在解空间中继续进行搜索。粒子的运动受到自身经验的影响，同时由于信息共享机制，在借鉴自身经验的同时，粒子也受到群体中其他粒子的指导。粒子具有速度和位置两个变量，粒子的位置代表最优化问题的可行解，PSO对粒子种群的位置与速度变量进行初始化，通过粒子间的竞争与合作来实现速度和位置变量的更新，从而保证整个粒子种群向着最优的方向前进。如图4所示，算法的具体实现步骤如下：
1)初始化种群。定义种群数目、粒子维数、学习因子和惯性权重，在可行域内随机生成每个粒子的速度和位置；
2)利用最优化问题的评估函数对粒子的适应度值进行计算；
3)将粒子的适应度与该粒子历史最优适应度进行对比，将更优的一方作为粒子历史最优适应度；
4)将粒子的适应度与种群历史最优适应度进行对比，将更优的一方作为种群历史最优适应度；
5)对粒子的速度和位置进行更新；
6)进行边界条件处理，使粒子在可行域内；
7)终止条件判断：若不满足算法的终止条件，继续下一次迭代操作；若已满足所规定的终止条件，则将得到的最优解作为结果输出，算法终止。
4.径向基函数神经网络代理模型
如图5所示，径向基函数神经网络(RBFN)由输入层、隐含层和输出层组成。其中，xi∈Rd，y∈R，隐含层节点数为M，RBFN完成f：Rd→R的非线性映射。
在RBFN中，输入层接收训练样本；隐含层节点通过径向基函数执行一种非线性变化，将输入空间映射到一个新的空间。若该径向基函数定义为高斯函数，设ci∈Rd表示高斯函数的中心，δi表示高斯函数的核宽，该函数如公式2-1所示：
输出层节点在该新空间实现线性加权组合。设wi为隐含层与输出层的连接权值，φ(·)为径向基函数，Rd→R的映射函数如公式2-2所示：
RBFN具有很强的非线性拟合能力，可拟合任意复杂的非线性关系，具有很强的鲁棒性和全局逼近能力，从根本上解决了BP神经网络局部最优的问题。将RBFN作为代理模型，可以在模型精度得到保证的前提下，大大减少优化过程中的计算量，提高工程优化设计的效率。
三、发明内容
本发明的目的是要提供一种能够同时获得较高图像显示质量和算法效率的背光提取方法。目前已有的背光提取方法不能做到图像显示质量和算法效率的兼得，基于图像参数的背光提取方法可以获得较高的算法效率，但在图像显示质量方面有很大提升空间；基于进化算法的背光提取方法可以获得较高的图像显示质量，但算法效率较低。本发明将背光提取视为一个最优化问题，采用PSO这一进化算法求解背光提取问题，并将RBFN代理模型应用到算法中替换了耗时的个体适应度评估过程，大大提高了算法的效率。
本发明所采用的技术方案是：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，包括如下步骤：
1)针对输入区域调光系统的图片生成若干组背光阵列，进行复杂耗时的背光平滑、像素补偿过程获得每组背光阵列对应的图像质量评价指标，将背光阵列和图像质量评价指标构成训练集；
2)使用训练集对RBFN代理模型进行训练，使得训练完成后的RBFN代理模型能够做到对于输入的任意背光阵列，输出该背光阵列对应的图像质量评价指标；
3)在训练集中根据PSO的种群数量选取相应数量的背光阵列作为初始种群，其对应的图像质量评价指标为初始种群的适应度函数；
4)将初始种群输入PSO，进行PSO寻优，其中PSO适应度评估过程使用RBFN代理模型替换掉复杂耗时的背光平滑、像素补偿过程，寻优结束得到最优背光阵列；
5)对最优背光阵列进行背光平滑、像素补偿操作，完成图像的显示。
四、附图说明
图1是传统LCD系统的示意图。
图2是本发明中区域调光系统的示意图。
图3是本发明中区域调光系统的原理框图。
图4是本发明中PSO的算法流程图。
图5是本发明中RBFN的示意图。
图6是本发明中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的算法流程图。
五、具体实施方式
下面结合附图对本发明的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做出详细说明。
如图6所示，本发明的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，其特征在于将区域调光中的背光提取过程视为一个最优化问题，应用PSO进行求解，并使用RBFN代理模型提高算法的效率。包括如下步骤：
1.针对输入区域调光系统的图片生成RNFN代理模型的训练集，该步骤包括：
a)为了提高背光阵列初始解的质量，对于输入的图片使用基于图像参数的背光提取方法得到一组基准背光阵列；
b)以基准背光阵列为基准，在正负15的区间内随机生成若干组背光阵列；
c)对随机生成的背光阵列进行复杂耗时的背光平滑、像素补偿过程，得到显示图像；
d)计算显示图像与原始图像的PSNR值作为区域调光系统显示图像质量评价指标；
e)将随机生成的背光阵列和其对应的PSNR值作为RNFN代理模型的训练集。
2.使用训练集对RBFN代理模型进行训练，在训练完成后，将图像的任意背光阵列输入到RBFN代理模型中，可以得到其对应的PSNR值，从而免去了PSO中复杂耗时的个体适应度评估过程(对背光阵列进行背光平滑、像素补偿得到显示图像，计算显示图像与输入图像的PSNR，将PSNR作为PSO中的适应度值)。
3.对输入图像的背光阵列进行PSO寻优，该步骤包括：
a)生成初始种群。虽然RBFN代理模型能够达到很高的精度，但代理适应度评估和真实适应度评估之间仍存在一定误差，为了提高种群初始适应度的精度，对于初始种群不使用RBFN代理模型进行代理适应度评估，而在训练集中选取与PSO种群数量相同的背光阵列作为初始种群，其适应度值为背光阵列对应的PSNR值；
b)对于初始种群，将背光阵列作为粒子的位置；将背光阵列对应的PSNR值作为粒子的适应度值；在正负10的区间内随机生成粒子的速度，粒子的速度决定着粒子位置的变化方向和幅度；
c)将粒子当前的适应度值作为粒子历史最优适应度值，将初始种群中适应度值最高的粒子的适应度作为种群历史最优适应度；
d)根据粒子历史最优适应度值和种群历史最优适应度更新粒子的速度，根据粒子的速度更新粒子的位置，获得下一代种群；
e)对新生成的种群进行边界条件处理，使其速度在正负10范围内，位置在0到255范围内；
f)对新生成的种群使用RBFN代理模型进行代理适应度评估，计算各粒子对应的适应度值；
g)将粒子的适应度与该粒子历史最优适应度进行对比，将更优的一方作为粒子历史最优适应度；
h)将粒子的适应度与种群历史最优适应度进行对比，将更优的一方作为种群历史最优适应度；
i)若未达到算法规定的迭代次数，则回到d)继续下一次迭代操作；若已满足算法规定的迭代次数，则将种群历史最优适应度对应粒子的位置作为结果输出，PSO寻优终止。
4.对PSO得到的最优背光阵列进行背光平滑、像素补偿操作，完成图像的显示。
Claims (4)
1.一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，其特征在于，包括如下步骤：
1)针对输入区域调光系统的图片生成若干组背光阵列，进行复杂耗时的背光平滑、像素补偿过程获得每组背光阵列对应的图像质量评价指标，将背光阵列和图像质量评价指标构成训练集；
2)使用训练集对RBFN代理模型进行训练，使得训练完成后的RBFN代理模型能够做到对于输入的任意背光阵列，输出该背光阵列对应的图像质量评价指标；
3)在训练集中根据PSO的种群数量选取相应数量的背光阵列作为初始种群，其对应的图像质量评价指标为初始种群的适应度函数；
4)将初始种群输入PSO，进行PSO寻优，其中PSO适应度评估过程使用RBFN代理模型替换掉复杂耗时的背光平滑、像素补偿过程，寻优结束得到最优背光阵列；
5)对最优背光阵列进行背光平滑、像素补偿操作，完成图像的显示。
2.根据权利要求1所述的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，其特征在于，步骤1)包括：
(1)为了提高背光阵列初始解的质量，对于输入的图片使用基于图像参数的背光提取方法得到一组基准背光阵列；
(2)以基准背光阵列为基准，在正负15的区间内随机生成若干组背光阵列；
(3)对随机生成的背光阵列进行复杂耗时的背光平滑、像素补偿过程，得到显示图像；
(4)计算显示图像与原始图像的PSNR值作为区域调光系统显示图像质量评价指标；
(5)将随机生成的背光阵列和其对应的PSNR值作为RNFN代理模型的训练集。
3.根据权利要求1所述的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，其特征在于，步骤3)包括：
(1)生成初始种群，虽然RBFN代理模型能够达到很高的精度，但代理适应度评估和真实适应度评估之间仍存在一定误差，为了提高种群初始适应度的精度，对于初始种群不使用RBFN代理模型进行代理适应度评估，而在训练集中选取与PSO种群数量相同的背光阵列作为初始种群，其适应度值为背光阵列对应的PSNR值；
(2)对于初始种群，将背光阵列作为粒子的位置；
(3)将背光阵列对应的PSNR值作为粒子的适应度值；
(4)在正负10的区间内随机生成粒子的速度，粒子的速度决定着粒子位置的变化方向和幅度。
4.根据权利要求1所述的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，其特征在于，步骤4)包括：
(1)将粒子当前的适应度值作为粒子历史最优适应度值，将初始种群中适应度值最高的粒子的适应度作为种群历史最优适应度；
(2)根据粒子历史最优适应度值和种群历史最优适应度更新粒子的速度，根据粒子的速度更新粒子的位置，获得下一代种群；
(3)对新生成的种群进行边界条件处理，使其速度在正负10范围内，位置在0到255范围内；
(4)对新生成的种群使用RBFN代理模型进行代理适应度评估，计算各粒子对应的适应度值；
(5)将粒子的适应度与该粒子历史最优适应度进行对比，将更优的一方作为粒子历史最优适应度；
(6)将粒子的适应度与种群历史最优适应度进行对比，将更优的一方作为种群历史最优适应度；
(7)若未达到算法规定的迭代次数，则回到(2)继续下一次迭代操作；若已满足算法规定的迭代次数，则将种群历史最优适应度对应粒子的位置作为结果输出，PSO寻优终止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110993300.4A CN113674705B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110993300.4A CN113674705B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113674705A CN113674705A (zh) | 2021-11-19 |
| CN113674705B true CN113674705B (zh) | 2023-11-07 |
Family
ID=78546989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110993300.4A Active CN113674705B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113674705B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408552B (zh) * | 2022-07-28 | 2023-05-26 | 深圳市磐鼎科技有限公司 | 显示调整方法、装置、设备及存储介质 |
| 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 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008111810A (ja) * | 2006-10-31 | 2008-05-15 | Shimadzu Corp | 回折・散乱光の光強度分布データの比較方法、および粒度分布測定装置 |
| KR101076449B1 (ko) * | 2010-08-06 | 2011-10-25 | 포항공과대학교 산학협력단 | 글로벌 백라이트 디밍 방법과 이를 이용한 액정표시장치 |
| CN107342056A (zh) * | 2017-07-31 | 2017-11-10 | 天津大学 | 一种基于改进混洗蛙跳算法的区域背光动态调光方法 |
| CN107464532A (zh) * | 2017-07-31 | 2017-12-12 | 天津大学 | 一种基于贪婪算法的区域背光动态调光方法 |
| CN109584172A (zh) * | 2018-11-12 | 2019-04-05 | 北京农业信息技术研究中心 | 基于迭代模糊超限学习机的背光补偿方法及装置 |
| CN110706172A (zh) * | 2019-09-27 | 2020-01-17 | 郑州轻工业学院 | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 |
| 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 |
| CN111556631A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 基于pso和rbfnn的隧道交通照明系统智能控制方法 |
-
2021
- 2021-08-27 CN CN202110993300.4A patent/CN113674705B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008111810A (ja) * | 2006-10-31 | 2008-05-15 | Shimadzu Corp | 回折・散乱光の光強度分布データの比較方法、および粒度分布測定装置 |
| KR101076449B1 (ko) * | 2010-08-06 | 2011-10-25 | 포항공과대학교 산학협력단 | 글로벌 백라이트 디밍 방법과 이를 이용한 액정표시장치 |
| CN107342056A (zh) * | 2017-07-31 | 2017-11-10 | 天津大学 | 一种基于改进混洗蛙跳算法的区域背光动态调光方法 |
| CN107464532A (zh) * | 2017-07-31 | 2017-12-12 | 天津大学 | 一种基于贪婪算法的区域背光动态调光方法 |
| CN109584172A (zh) * | 2018-11-12 | 2019-04-05 | 北京农业信息技术研究中心 | 基于迭代模糊超限学习机的背光补偿方法及装置 |
| 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 |
| CN110706172A (zh) * | 2019-09-27 | 2020-01-17 | 郑州轻工业学院 | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 |
| CN111556631A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 基于pso和rbfnn的隧道交通照明系统智能控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种提高图像对比度和视觉质量的新型区域背光算法;张涛;巫红英;李蒙;雷志春;;工程科学学报(第12期);117-126 * |
| 基于深度学习的区域背光亮度提取方法;张涛;曾琴;杜文丽;王昊;光学学报(第022期);79-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113674705A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| JP5654065B2 (ja) | 映像処理方法および装置 | |
| CN104167194B (zh) | 液晶面板的灰阶值设定方法以及液晶显示器 | |
| WO2017143635A1 (zh) | 一种降低显示面板功耗的方法及系统 | |
| CN101772799B (zh) | 用于具有同时视频数据调整的自适应背光调光的技术 | |
| CN106991972B (zh) | 一种有机发光面板的开机亮度控制方法 | |
| CN105047140A (zh) | 一种基于图像内容自适应的动态背光控制系统及方法 | |
| WO2019100675A1 (zh) | 一种分区背光控制方法及其装置 | |
| KR20080037298A (ko) | 영상의 깜박임을 개선하는 디스플레이 장치 및 방법 | |
| CN110728637A (zh) | 基于深度学习的用于图像处理的动态调光背光扩散方法 | |
| CN104376529A (zh) | 一种基于glcm的灰度图像彩色化系统和方法 | |
| CN108831409B (zh) | 一种图像显示驱动方法 | |
| CN109343692B (zh) | 基于图像分割的移动设备显示器省电方法 | |
| WO2020107662A1 (zh) | 多曝光图像融合方法 | |
| CN110232890A (zh) | 执行图像自适应色调映射的方法和采用该方法的显示装置 | |
| CN107068042B (zh) | 图像处理方法 | |
| CN110706172A (zh) | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 | |
| Zhang et al. | Optimal local dimming based on an improved shuffled frog leaping algorithm | |
| CN106991987A (zh) | 提升获取LCD面板原始mura准确度的方法 | |
| CN109785275A (zh) | 一种图像的色调映射方法及设备 | |
| CN116168652A (zh) | 图像显示方法、装置、电子设备及计算机可读存储介质 | |
| Zhang et al. | Deep CNN-based local dimming technology | |
| Zhuang et al. | Image enhancement by deep learning network based on derived image and Retinex | |
| EP2372686B1 (en) | A method for compensating local dimming of a backlight | |
| CN115660992A (zh) | 一种局部背光调光方法、系统及设备和介质 |
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 |