CN113744165B - 一种基于代理模型辅助进化算法的视频区域调光方法 - Google Patents

一种基于代理模型辅助进化算法的视频区域调光方法 Download PDF

Info

Publication number
CN113744165B
CN113744165B CN202111310341.5A CN202111310341A CN113744165B CN 113744165 B CN113744165 B CN 113744165B CN 202111310341 A CN202111310341 A CN 202111310341A CN 113744165 B CN113744165 B CN 113744165B
Authority
CN
China
Prior art keywords
backlight
frame
matrix
image
model
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
Application number
CN202111310341.5A
Other languages
English (en)
Other versions
CN113744165A (zh
Inventor
赵鑫
贾雪
张涛
闫宇峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202111310341.5A priority Critical patent/CN113744165B/zh
Publication of CN113744165A publication Critical patent/CN113744165A/zh
Application granted granted Critical
Publication of CN113744165B publication Critical patent/CN113744165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)
  • Liquid Crystal Display Device Control (AREA)

Abstract

本发明提供了一种基于代理模型辅助进化算法的视频区域调光方法，将需要调光的视频序列中的第一帧图像作为起始的当前帧并设定为参考背光帧；使用样本数据组成的数据集对卷积神经网络CNN模型进行训练，训练后卷积神经网络CNN模型作为代理模型替换进化算法中的评估函数评价输入背光值的适应度值。本发明一种基于代理模型辅助进化算法的视频区域调光方法，通过代理模型来提升进化算法的计算效率，引入背光更新策略和模型迁移策略进一步提升区域调光算法的运算效率与调节质量，更好地满足LCD‑LED双调制系统中视频序列区域调光任务对算法实时性与调节质量的需求。

Description

一种基于代理模型辅助进化算法的视频区域调光方法
技术领域
本发明属于视频显示技术领域，尤其是涉及一种基于代理模型辅助进化算法的视频区域调光方法。
背景技术
在现有技术中，传统视频显示系统一般包括两个部分，背光模块及液晶模块。其中背光模块为显示系统提供背光，液晶模块决定每个像素点的透光率，背光模块和液晶模块共同作用将图像呈现在显示屏上。传统的LCD显示系统的背光模块是一块背光板，不同的图像区域共用同一个光源，因此不同图像区域的背光亮度相同，然而图像区域本身有亮暗之分，对图像的暗区和亮区采用相同亮度的背光，会造成显示图像整体对比度较低，影响图像的视觉效果。
针对传统显示系统的不足，LCD-LED双调制系统被提出，不同于传统的显示系统，LCD-LED双调制系统的背光模块是一个包含多个LED背光块的阵列，每个背光块照亮图像中的一个区域，不同背光块的亮度可以独立调节，因此在LCD-LED双调制系统中，可以为不同的图像区域设置不同的背光，因此图像的暗区和亮区可以分别采用不同的背光亮度，有效提升了显示图像的对比度，改善了显示图像的视觉效果，同时也有效降低了能耗，在现有技术中，常用的背光块显示亮度调节方式，普遍存在着调节响应时间慢，调节质量需要进一步提高的问题。
发明内容
有鉴于此，本发明旨在提出一种基于代理模型辅助进化算法的视频区域调光方法，通过代理模型来提升进化算法的计算效率，引入背光更新策略和模型迁移策略进一步提升区域调光算法的运算效率与调节质量，更好地满足LCD-LED双调制系统中视频序列区域调光任务对算法实时性与调节质量的需求。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于代理模型辅助进化算法的视频区域调光方法，包括：
步骤一：将需要调光的视频序列中的第一帧图像作为起始的当前帧并设定为参考 背光帧；使用样本数据组成的数据集对卷积神经网络CNN模型进行训练，训练后卷积神经网 络CNN模型作为代理模型替换进化算法中的评估函数评价输入背光值的适应度值，样本数 据包括随机产生的多组背光值，每组背光值的标签是对应的适应度值，适应度值由图像质 量计算函数
Figure 35399DEST_PATH_IMAGE001
计算得出,
Figure 197390DEST_PATH_IMAGE002
是一组背光值矩阵，
Figure 462149DEST_PATH_IMAGE003
是被调光图像的灰度图矩阵；
步骤二：使用基于代理模型的进化算法搜索当前帧的最优背光值并输出；
步骤三：判断是否存在下一帧图像，如不存在，则完成调光；如存在下一帧图像，则进入步骤四；
步骤四：计算新的当前帧与距离最近的参考背光帧之间的相关度
Figure 684183DEST_PATH_IMAGE004
，如果
Figure 362289DEST_PATH_IMAGE004
大于等于设定的阈值
Figure 295347DEST_PATH_IMAGE005
，则当前帧判定是一般背光帧，以距离最近的参考背光帧的最优背光值作为当前帧的最优背光值并输出后，继续返回步骤三；如果
Figure 414613DEST_PATH_IMAGE004
小于设定的阈值
Figure 807548DEST_PATH_IMAGE005
，则当前帧判定是参考背光帧并继续返回步骤二计算最优背光值,
Figure 645054DEST_PATH_IMAGE006
是当前帧灰度图，
Figure 476744DEST_PATH_IMAGE007
是距离最近的参考背光帧灰度图。
进一步的，在步骤二中，在使用基于代理模型的进化算法搜索当前帧的最优背光值时，对代理模型进行多次更新，每次更新以当前的代理模型作为预训练模型，然后基于搜索过程中新获得的样本数据构成数据集对预训练模型进行微调，获得更新后的代理模型。
进一步的，在步骤四中，当前帧是参考背光帧，继续返回步骤二时，以前一参考背光帧的代理模型作为当前帧代理模型的预训练模型，然后使用样本数据构成的训练集对预训练模型进行微调，获得当前帧的代理模型，将获得的代理模型应用到进化算法中得到当前帧的最优背光值并输出。
进一步的，图像质量计算函数
Figure 480210DEST_PATH_IMAGE008
包括：
Figure 981730DEST_PATH_IMAGE009
其中，
Figure 572111DEST_PATH_IMAGE002
是一组背光值矩阵，
Figure 207492DEST_PATH_IMAGE010
是被调光图像的灰度图矩阵，
Figure 301350DEST_PATH_IMAGE011
是调光后的显示图 像灰度图矩阵，
Figure 737885DEST_PATH_IMAGE012
是被调光图像的灰度图矩阵
Figure 549983DEST_PATH_IMAGE010
和调光后的显示图像灰度图矩阵
Figure 661159DEST_PATH_IMAGE011
之间的峰值信噪比，
Figure 937419DEST_PATH_IMAGE013
是一个光扩散函数，把背光值矩阵扩散成被调光图像的灰度 图矩阵
Figure 108637DEST_PATH_IMAGE010
相同的尺寸。
在步骤四中：相关度
Figure 844250DEST_PATH_IMAGE004
包括：
Figure 759116DEST_PATH_IMAGE014
其中，
Figure 889883DEST_PATH_IMAGE006
是当前帧灰度图，
Figure 232003DEST_PATH_IMAGE007
是距离最近的参考背光帧灰度图，
Figure 753114DEST_PATH_IMAGE015
是当前帧第（
Figure 642311DEST_PATH_IMAGE016
）个像素点的像素值，
Figure 830846DEST_PATH_IMAGE017
是距离最近的参考背光帧第（
Figure 406184DEST_PATH_IMAGE018
）个像素点的像素值，Ｈ和Ｗ分别表示每帧图像的高和宽，
Figure 680171DEST_PATH_IMAGE019
表示像素点行数，
Figure 874523DEST_PATH_IMAGE020
表示像素点的列数。
进一步的，进化算法是遗传算法。
相对于现有技术，本发明所述的一种基于代理模型辅助进化算法的视频区域调光方法，具有以下优势：
第一，本发明使用代理模型替换进化算法的评估函数，可以有效降低计算复杂程度，提升区域调光方法的计算速度，提高调光效果，降低能耗。
第二，本发明使用背光更新策略：利用视频序列相邻帧在图像内容上具有较强的相关性，因此相邻帧的背光值之间也具有一定相关性的原理，可以直接选择相应的背光值作为当前帧的最优背光值，进一步减低了计算量，提升了区域调光算法的效率。
第三，本发明使用模型迁移策略：在使用基于代理模型的进化算法进行当前帧的背光值搜索时，代理模型可作为预训练模型进行迁移并再次训练，从而获得更新后的代理模型，提高区域调光算法的效率以及计算质量。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为本发明实施例所述的一种基于代理模型辅助进化算法的视频区域调光方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，一种基于代理模型辅助进化算法的视频区域调光方法，包括：
步骤一：将需要调光的视频序列中的第一帧图像作为起始的当前帧并设定为参考 背光帧；使用样本数据组成的数据集对卷积神经网络CNN模型进行训练，训练后卷积神经网 络CNN模型作为代理模型替换进化算法中的评估函数评价输入背光值的适应度值，样本数 据包括随机产生的多组背光值，每组背光值的标签是对应的适应度值，适应度值由图像质 量计算函数
Figure 150521DEST_PATH_IMAGE001
计算得出,
Figure 834443DEST_PATH_IMAGE002
是一组背光值矩阵，
Figure 392464DEST_PATH_IMAGE010
是被调光图像的灰度图矩阵；
步骤二：使用基于代理模型的进化算法搜索当前帧的最优背光值并输出；
步骤三：判断是否存在下一帧图像，如不存在，则完成调光；如存在下一帧图像，则进入步骤四；
步骤四：计算新的当前帧与距离最近的参考背光帧之间的相关度
Figure 187244DEST_PATH_IMAGE004
，如果
Figure 84793DEST_PATH_IMAGE004
大于等于设定的阈值
Figure 375835DEST_PATH_IMAGE005
，则当前帧判定是一般背光帧，以距离最近的参考背光帧的最优背光值作为当前帧的最优背光值并输出后，继续返回步骤三；如果
Figure 624414DEST_PATH_IMAGE004
小于设定的阈值
Figure 285202DEST_PATH_IMAGE005
，则当前帧判定是参考背光帧并继续返回步骤二计算最优背光值,
Figure 37258DEST_PATH_IMAGE006
是当前帧灰度图，
Figure 266245DEST_PATH_IMAGE007
是距离最近的参考背光帧灰度图。
在步骤二中，在使用基于代理模型的进化算法搜索当前帧的最优背光值时，对代理模型进行多次更新，每次更新以当前的代理模型作为预训练模型，然后基于搜索过程中新获得的样本数据构成数据集对预训练模型进行微调，获得更新后的代理模型。
在步骤四中，当前帧是参考背光帧，继续返回步骤二时，以前一参考背光帧的代理模型作为当前帧代理模型的预训练模型，然后使用样本数据构成的训练集对预训练模型进行微调，获得当前帧的代理模型，将获得的代理模型应用到进化算法中得到当前帧的最优背光值并输出。
图像质量计算函数
Figure 969496DEST_PATH_IMAGE008
包括：
Figure 371659DEST_PATH_IMAGE021
其中，
Figure 40538DEST_PATH_IMAGE002
是一组背光值矩阵，
Figure 502743DEST_PATH_IMAGE003
是被调光图像的灰度图矩阵，
Figure 398018DEST_PATH_IMAGE011
是调光后的显示图 像灰度图矩阵，
Figure 836827DEST_PATH_IMAGE012
是被调光图像的灰度图矩阵
Figure 625791DEST_PATH_IMAGE003
和调光后的显示图像灰度图矩阵
Figure 993319DEST_PATH_IMAGE011
之间的峰值信噪比，
Figure 172628DEST_PATH_IMAGE013
是一个光扩散函数，把背光值矩阵扩散成被调光图像的灰度 图矩阵
Figure 854276DEST_PATH_IMAGE003
相同的尺寸。
在步骤四中：相关度
Figure 199544DEST_PATH_IMAGE004
包括：
Figure 800290DEST_PATH_IMAGE022
其中，
Figure 732474DEST_PATH_IMAGE006
是当前帧灰度图，
Figure 952234DEST_PATH_IMAGE007
是距离最近的参考背光帧灰度图，
Figure 653473DEST_PATH_IMAGE015
是当前帧第（
Figure 425120DEST_PATH_IMAGE023
）个像素点的像素值，
Figure 343135DEST_PATH_IMAGE017
是距离最近的参考背光帧第（
Figure 897745DEST_PATH_IMAGE018
）个像素点的像素值，Ｈ和Ｗ分别表示每帧图像的高和宽，
Figure 453491DEST_PATH_IMAGE019
表示像素点行数，
Figure 536985DEST_PATH_IMAGE020
表示像素点的列数。
在本实施例中，进化算法是遗传算法。
在本实施例中，使用遗传算法得到当前帧的最优背光值过程如下：
步骤
Figure 700154DEST_PATH_IMAGE024
：在解空间中随机生成m个H*W的矩阵，Ｈ和Ｗ分别表示每帧图像的高和宽,每个矩阵对应一组背光值，m个矩阵构成了初始种群,将这些矩阵输到代理模型中，基于代理模型评估各矩阵对应的适度应值。
步骤
Figure 386350DEST_PATH_IMAGE025
：将所有m个矩阵变型为m个向量，则每个向量的维度是H*W,在遗传算法中，每个向量可以理解为一个染色体序列。
步骤
Figure 62182DEST_PATH_IMAGE026
：随机从种群中选择两个染色体序列，两个染色体序列进行交叉产生新个体，即从两个向量各取出一部分元素拼接成一个新的维度为H*W的向量，然后对新染色体进行变异操作，即从新生成的向量中随机选择部分元素替换为随机生成的新元素；重复随机选择两个染色体交叉、变异这一过程，直到生成m个新染色体，然后将m个新染色体变形回m个矩阵，用代理模型评估m个矩阵的适应度值。
步骤
Figure 50998DEST_PATH_IMAGE027
：m个新矩阵和m个原始矩阵混合，根据矩阵对应的适应度值选择其中适应度值最优的前m个矩阵组成新的种群，将适应度值排序在第m位之后的矩阵淘汰。判断是否达到算法终止条件（在本实施例中，终止条件是矩阵淘汰迭代1000次），若是，则进入步骤
Figure 179491DEST_PATH_IMAGE028
，否则更新代理模型后返回进入步骤
Figure 669378DEST_PATH_IMAGE026
。
在步骤
Figure 698252DEST_PATH_IMAGE027
中，更新代理模型的过程如下：用当前种群中的m个矩阵构成新的数据集，基于显示图像质量计算函数计算数据集中m个矩阵对应的适应度值，以适应度值作为样本标签，基于m个矩阵构成新的数据集对代理模型进行微调训练。
步骤
Figure 920286DEST_PATH_IMAGE028
：算法终止，输出当前种群中适应度最优的矩阵，该矩阵即为搜索到的图像帧最优背光值。
本发明公开的基于代理模型辅助进化算法的视频区域调光方法相比与传区域调光方法，在算法耗时上平均减少96.7%，算法效率有了大幅度的提升，效果对比如下表所示：
Figure 473758DEST_PATH_IMAGE029
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。

Claims (3)

1.一种基于代理模型辅助进化算法的视频区域调光方法，其特征在于：包括：
步骤一：将需要调光的视频序列中的第一帧图像作为起始的当前帧并设定为参考背光帧；使用样本数据组成的数据集对卷积神经网络CNN模型进行训练，训练后卷积神经网络CNN模型作为代理模型替换进化算法中的评估函数评价输入背光值的适应度值，样本数据包括随机产生的多组背光值，每组背光值的标签是对应的适应度值，适应度值由图像质量计算函数
Figure 676212DEST_PATH_IMAGE001
计算得出，
Figure 69016DEST_PATH_IMAGE002
是一组背光值矩阵，
Figure 123560DEST_PATH_IMAGE003
是被调光图像的灰度图矩阵；
步骤二：使用基于代理模型的进化算法搜索当前帧的最优背光值并输出；
步骤三：判断是否存在下一帧图像，如不存在，则完成调光；如存在下一帧图像，则进入步骤四；
步骤四：计算新的当前帧与距离最近的参考背光帧之间的相关度
Figure 959929DEST_PATH_IMAGE004
，如果
Figure 732713DEST_PATH_IMAGE004
大于等于设定的阈值
Figure 159234DEST_PATH_IMAGE005
，则当前帧判定是一般背光帧，以距离最近的参考背光帧的最优背光值作为当前帧的最优背光值并输出后，继续返回步骤三；如果
Figure 333863DEST_PATH_IMAGE004
小于设定的阈值
Figure 75554DEST_PATH_IMAGE005
，则当前帧判定是参考背光帧并继续返回步骤二计算最优背光值,
Figure 335635DEST_PATH_IMAGE006
是当前帧灰度图，
Figure 70241DEST_PATH_IMAGE007
是距离最近的参考背光帧灰度图；
在步骤二中，进化算法是遗传算法，使用遗传算法得到当前帧的最优背光值过程如下：
步骤（1）：在解空间中随机生成m个H*W的矩阵，H和W分别表示每帧图像的高和宽，每个矩阵对应一组背光值，m个矩阵构成了初始种群，将这些矩阵输到代理模型中，基于代理模型评估各矩阵对应的适度应值；
步骤（2）：将所有m个矩阵变型为m个向量，则每个向量的维度是H*W，在遗传算法中，每个向量可以理解为一个染色体序列；
步骤（3）：随机从种群中选择两个染色体序列，两个染色体序列进行交叉产生新个体，即从两个向量各取出一部分元素拼接成一个新的维度为H*W的向量，然后对新染色体进行变异操作，即从新生成的向量中随机选择部分元素替换为随机生成的新元素；重复随机选择两个染色体交叉、变异这一过程，直到生成m个新染色体，然后将m个新染色体变形回m个矩阵，用代理模型评估m个矩阵的适应度值；
步骤（4）：m个新矩阵和m个原始矩阵混合，根据矩阵对应的适应度值选择其中适应度值最优的前m个矩阵组成新的种群，将适应度值排序在第m位之后的矩阵淘汰；判断是否达到算法终止条件，若是，则进入步骤（5），否则更新代理模型后返回进入步骤（3）；
更新代理模型的过程如下：用当前种群中的m个矩阵构成新的数据集，基于显示图像质量计算函数计算数据集中m个矩阵对应的适应度值，以适应度值作为样本标签，基于m个矩阵构成新的数据集对代理模型进行微调训练；
步骤（5）：算法终止，输出当前种群中适应度最优的矩阵，该矩阵即为搜索到的图像帧最优背光值；
在步骤四中，相关度
Figure 833798DEST_PATH_IMAGE004
包括：
Figure 11969DEST_PATH_IMAGE008
其中，
Figure 493766DEST_PATH_IMAGE006
是当前帧灰度图，
Figure 533529DEST_PATH_IMAGE007
是距离最近的参考背光帧灰度图，
Figure 417171DEST_PATH_IMAGE009
是当前帧第（
Figure 766244DEST_PATH_IMAGE010
）个像素点的像素值，
Figure 656709DEST_PATH_IMAGE011
是距离最近的参考背光帧第（
Figure 608484DEST_PATH_IMAGE012
）个像素点的像素值，H*W分别表示每帧图像的高和宽，
Figure 487578DEST_PATH_IMAGE013
表示像素点行数，
Figure 132186DEST_PATH_IMAGE014
表示像素点的列数。
2.根据权利要求1所述的一种基于代理模型辅助进化算法的视频区域调光方法，其特征在于：在步骤四中，当前帧是参考背光帧，继续返回步骤二时，以前一参考背光帧的代理模型作为当前帧代理模型的预训练模型，然后使用样本数据构成的训练集对预训练模型进行微调，获得当前帧的代理模型，将获得的代理模型应用到进化算法中得到当前帧的最优背光值并输出。
3.根据权利要求1所述的一种基于代理模型辅助进化算法的视频区域调光方法，其特征在于：图像质量计算函数
Figure 214674DEST_PATH_IMAGE015
包括：
Figure 970140DEST_PATH_IMAGE016
其中，
Figure 438162DEST_PATH_IMAGE002
是一组背光值矩阵，
Figure 253671DEST_PATH_IMAGE017
是被调光图像的灰度图矩阵，
Figure 321990DEST_PATH_IMAGE018
是调光后的显示图像灰度图矩阵，
Figure 881148DEST_PATH_IMAGE019
是被调光图像的灰度图矩阵
Figure 469255DEST_PATH_IMAGE017
和调光后的显示图像灰度图矩阵
Figure 190086DEST_PATH_IMAGE018
之间的峰值信噪比，
Figure 247166DEST_PATH_IMAGE020
是一个光扩散函数，把背光值矩阵扩散成被调光图像的灰度图矩阵
Figure 344435DEST_PATH_IMAGE017
相同的尺寸。
CN202111310341.5A 2021-11-08 2021-11-08 一种基于代理模型辅助进化算法的视频区域调光方法 Active CN113744165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111310341.5A CN113744165B (zh) 2021-11-08 2021-11-08 一种基于代理模型辅助进化算法的视频区域调光方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111310341.5A CN113744165B (zh) 2021-11-08 2021-11-08 一种基于代理模型辅助进化算法的视频区域调光方法

Publications (2)

Publication Number Publication Date
CN113744165A CN113744165A (zh) 2021-12-03
CN113744165B true CN113744165B (zh) 2022-01-21

Family

ID=78727648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111310341.5A Active CN113744165B (zh) 2021-11-08 2021-11-08 一种基于代理模型辅助进化算法的视频区域调光方法

Country Status (1)

Country Link
CN (1) CN113744165B (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10387824B2 (en) * 2012-12-21 2019-08-20 United Parcel Service Of America, Inc. Systems and methods for delivery of an item
DE102017106984B4 (de) * 2017-03-31 2022-02-10 Carl Zeiss Microscopy Gmbh Lichtmikroskop und Verfahren zum Betreiben eines Lichtmikroskops mit optimierter Beleuchtungsgeometrie
CN107342056B (zh) * 2017-07-31 2019-05-31 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
CN109299142B (zh) * 2018-11-14 2020-10-27 中山大学 一种基于进化算法的卷积神经网络结构搜索方法及系统
CN113326936A (zh) * 2019-05-26 2021-08-31 中国计量大学上虞高等研究院有限公司 入睡环境调光优化方法
CN110427965A (zh) * 2019-06-25 2019-11-08 重庆邮电大学 基于进化策略的卷积神经网络结构简约及图像分类方法
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
CN110675830A (zh) * 2019-09-21 2020-01-10 天津大学 图像处理用的基于改进烟花算法的区域背光动态调光方法
CN112951168A (zh) * 2021-02-09 2021-06-11 海信视像科技股份有限公司 显示设备和背光控制方法
CN113408655B (zh) * 2021-07-13 2023-09-15 中山大学 一种基于深度学习的色序型显示器控制方法及装置

Also Published As

Publication number Publication date
CN113744165A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN108877694B (zh) 一种双层液晶屏、背光亮度控制方法、装置及电子设备
CN113823235B (zh) 一种Mini-LED背光分区控制系统及方法
CN108447449B (zh) 信号处理方法及显示装置
US11270657B2 (en) Driving method, driving apparatus, display device and computer readable medium
CN1222159C (zh) 改善图像灰度的方法,和实行该方法的图像显示装置
KR101677182B1 (ko) 백라이트 장치의 디밍 방법
CN105957111B (zh) 序列遥感影像的色调一致性校正方法及系统
CN102947877A (zh) 图像显示装置和图像显示方法
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
CN108766372A (zh) 一种改善显示面板的mura现象的方法
US11114046B2 (en) Display device and method for driving the same, driving apparatus, and computer-readable medium
CN106910487A (zh) 一种显示器的驱动方法和驱动装置
CN101681611B (zh) 显示控制装置和方法
CN107204174A (zh) 液晶显示面板及其驱动方法、液晶显示器
CN113823234B (zh) 一种RGB Mini-LED场序背光控制系统及方法
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
CN115985238A (zh) 一种数据处理方法、电路及驱动芯片
CN113744165B (zh) 一种基于代理模型辅助进化算法的视频区域调光方法
Zhang et al. A local dimming method based on improved multi-objective evolutionary algorithm
CN110675830A (zh) 图像处理用的基于改进烟花算法的区域背光动态调光方法
CN101098394A (zh) 图像调整方法与装置
KR20130073780A (ko) 액정 표시장치의 구동장치와 그 구동방법
CN116091403B (zh) 一种彩色夜视融合图像质量主客观评价方法
CN115660992A (zh) 一种局部背光调光方法、系统及设备和介质
Qibin et al. Image-classification-based global dimming algorithm for LED backlights in LCDs

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