CN113840134B - 一种相机tuning方法和装置 - Google Patents
一种相机tuning方法和装置 Download PDFInfo
- Publication number
- CN113840134B CN113840134B CN202111032238.9A CN202111032238A CN113840134B CN 113840134 B CN113840134 B CN 113840134B CN 202111032238 A CN202111032238 A CN 202111032238A CN 113840134 B CN113840134 B CN 113840134B
- Authority
- CN
- China
- Prior art keywords
- image
- image pair
- model
- test
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000006243 chemical reaction Methods 0.000 claims abstract description 183
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 137
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004091 panning Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000012805 post-processing Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/02—Diagnosis, testing or measuring for television systems or their details for colour television signals
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种相机tuning方法和装置，涉及相机检测技术领域。该方法包括：对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对；基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵；采用至少一个所述转换矩阵对所述相机进行tuning。本发明实施例实现了在任何场景下进行全自动化的转换矩阵的求解，不仅高效准确，而且还能达到最高的场景调整泛化能力。进一步，不仅避免了现在技术中需要进行数据转换、数据分析等操作，而且也不需要任何后处理算法调整，进一步提高了高效性、准确性。
Description
技术领域
本发明涉及相机检测技术领域，特别是涉及一种相机tuning方法和一种相机tuning装置。
背景技术
当下做相机质量控制，首先是通过不同的芯片平台、基于平台对视频流数据做调整来完成的，然后针对应用级别会根据所需的功能对图像做后处理，调整质量。芯片级别的质量调整由于更贴合硬件本身，所以调整质量的效率更高。这种质量控制方式，是通过嵌入固定调优算法，基于平台提供的调优工具对调优算法的参数做调整实现的。
然而，大多数芯片平台调优工具，软件级别的问题颇多，底层问题的日志无法追溯；对于相机校准参数而言，交互效率低，且在调优仿真时速度慢，使像质调优人员无法得到收敛的最优参数。
在调优过程中，问题较严重的包括：细节、噪声与色偏质量的tuning。这里以色偏问题作为主要讨论对象。颜色还原的好坏直接关系到彩色相机的成像能力，不同于细节与噪声，对于典型相机成像质量而言，正常人眼对色彩差异的敏感度要更高，尤其是部分特殊色彩。
一般色彩调优需要提供色彩空间转换关系，如下述公式所示：
I代表原相机Raw图每个像素处的R/G/B三通道灰阶，代表调整后的灰阶值矩阵，M代表色彩空间转换矩阵。比较典型的转换关系如HSV、XYZ等均可以基于该变换关系做调整。
现有的质量检测主要包括两种：人工处理和后处理。
人工处理的过程，基本上遵循：拍摄标准图卡(24色卡)，通过标准工具加载拍摄图像，工具计算转换矩阵M，将矩阵导入相机，测试tuning后的色偏，调整转换矩阵M，将矩阵导入相机，测试tuning后的色偏，……，直至测试后的色偏达到标准。
但是人工处理的过程存在两个问题：
1)工具计算转换矩阵是基于少量标准数据得到的，计算的结果存在较大误差，因此需要不停地拍摄测试迭代；
2)微调过程没有任何参考，只能通过经验做调整，但是如何进行调整有无穷多组解，无法保证当下结果可以满足任何场景下的色偏tuning。
后处理的过程，基本是应用于色偏的矫正方法，大多需要额外的传感器辅助、参考数据，甚至是人工交互，典型的、针对图像级色偏调整的工具就是photoshop。
相对来讲，基于人体生物视觉模型的色偏调整方法(Retinex)更加优秀。这类方法是通过分析图像层级的不同通道灰阶分布，结合人眼对色彩的敏感度，对图像做调整。虽然这种方法可以用于调整色彩符合人眼感知，但是这种调整存在分布模型的假设，这种分布假设实际将拍摄的场景做了约束，调整结果并不会适用于所有场景，同时也没有迭代优化调整的概念，所以基于Retinex的方法后续在不断调整约束来提高泛化能力，比如灰度平衡约束。另外，这种后处理模式并不是以求取转换矩阵为目的，因此调整单幅图像的像质并不能达到相机tuning的目的。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种相机tuning方法和相应的一种相机tuning装置。
为了解决上述问题，本发明实施例公开了一种相机tuning方法，所述方法包括：
对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对；
基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵；
采用至少一个所述转换矩阵对所述相机进行tuning。
在一个或多个实施例中，所述对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，包括：
将场景信息相同的各个第一图像分别与各个第二图像进行一一组合，得到至少一个图像对，以及所述至少一个图像对各自对应的场景信息；所述场景信息包括色温、光照强度中的至少一项。
在一个或多个实施例中，所述基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵，包括：
对至少一个场景信息基于相似度进行合并，得到至少一个目标场景信息；
确定出所述至少一个目标场景信息各自对应的目标图像对和预设的图像模型；
对所述至少一个目标场景信息各自对应的目标图像对按预设比例进行随机分类，得到所述至少一个目标场景信息各自对应的样本图像对和测试图像对；
针对任一未处理完成的目标场景信息，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；
采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；
对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对；
针对所述当前的样本图像对和测试图像对，重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试图像模型；所述采用所述测试图像模型对所述第一测试图像对进行识别，得到识别成功的问题图像对和所述测试图像模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤，直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；
根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵。
在一个或多个实施例中，所述采用至少一个所述转换矩阵对所述相机进行tuning，包括：
将所述至少一个转换矩阵分别导入tuning应用程序，以使得所述tuning应用程序采用所述至少一个转换矩阵对所述相机进行tuning。
在一个或多个实施例中，所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型，包括以下任一项：
采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，当最后两次连续迭代求解的结果的差值不超过差值阈值时，得到训练后的测试模型；
采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，当所述迭代求解的迭代次数达到迭代次数阈值时，得到训练后的测试模型。
在一个或多个实施例中，所述直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型，包括以下任一项：
当没有得到问题图像对时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；
当重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；所述采用所述测试模型对所述第一测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤的重复次数超过重复次数阈值时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
在一个或多个实施例中，所述根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵，包括：
将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；
将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数。
相应的，本发明实施例公开了一种相机tuning装置，所述装置包括：
第一处理模块，用于对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对；
计算模块，用于基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵；
第二处理模块，用于采用至少一个所述转换矩阵对所述相机进行tuning。
在一个或多个实施例中，所述第一处理模块具体用于：
将场景信息相同的各个第一图像分别与各个第二图像进行一一组合，得到至少一个图像对，以及所述至少一个图像对各自对应的场景信息；所述场景信息包括色温、光照强度中的至少一项。
在一个或多个实施例中，所述计算模块包括：
合并子模块，用于对至少一个场景信息基于相似度进行合并，得到至少一个目标场景信息；
第一确定子模块，用于确定出所述至少一个目标场景信息各自对应的目标图像对和预设的图像模型；
分类子模块，用于对所述至少一个目标场景信息各自对应的目标图像对按预设比例进行随机分类，得到所述至少一个目标场景信息各自对应的样本图像对和测试图像对；
迭代子模块，用于针对任一未处理完成的目标场景信息，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解；
第一判定子模块，用于当判定迭代至满足第一预设条件，得到训练后的测试模型；
识别子模块，用于采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；
所述分类子模块，还用于对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对；
针对所述当前的样本图像对和测试图像对，重复调用所述迭代子模块、识别子模块，以及所述分类子模块；
第二判定子模块，用于当判定重复调用至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；
第二确定子模块，用于根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵。
在一个或多个实施例中，所述第二处理模块具体用于：
将所述至少一个转换矩阵分别导入tuning应用程序，以使得所述tuning应用程序采用所述至少一个转换矩阵对所述相机进行tuning。
在一个或多个实施例中，所述第一判定子模块具体用于：
当最后两次连续迭代求解的结果的差值不超过差值阈值时，得到训练后的测试模型；或，
当所述迭代求解的迭代次数达到迭代次数阈值时，得到训练后的测试模型。
在一个或多个实施例中，所述第二判定子模块具体用于：
当没有得到问题图像对时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；或，
当重复调用所述迭代子模块、识别子模块，以及所述分类子模块的重复次数超过重复次数阈值时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
在一个或多个实施例中，所述第二确定子模块包括：
确定单元，用于将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；
组合单元，用于将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数。
相应的，本发明实施例公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述相机tuning方法实施例的各个步骤。
相应的，本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述相机tuning方法实施例的各个步骤。
本发明实施例包括以下优点：
对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，然后基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵，采用至少一个所述转换矩阵即可对所述相机进行tuning。通上述方式，可以实现在任何场景下进行全自动化的转换矩阵的求解，不仅高效准确，而且还能达到最高的场景调整泛化能力。
进一步，将求解得到各个转换矩阵导入到tuning应用程序即可对相机进行tuning，使得转换矩阵达到了调整工具级，不仅避免了现在技术中需要进行数据转换、数据分析等操作，而且也不需要任何后处理算法调整，进一步提高了高效性、准确性。
附图说明
图1是本发明的一种相机tuning方法实施例一的步骤流程图；
图2是本发明的实施例一步骤102的详细流程图；
图3是本发明的图像模型的结构示意图；
图4是本发明的一种相机tuning装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的核心构思之一在于，对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，然后基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵，采用至少一个所述转换矩阵即可对所述相机进行tuning。通上述方式，可以实现在任何场景下进行全自动化的转换矩阵的求解，不仅高效准确，而且还能达到最高的场景调整泛化能力。
进一步，将求解得到各个转换矩阵导入到tuning应用程序即可对相机进行tuning，使得转换矩阵达到了调整工具级，不仅避免了现在技术中需要进行数据转换、数据分析等操作，而且也不需要任何后处理算法调整，进一步提高了高效性、准确性。
参照图1，示出了本发明的一种相机tuning方法实施例一的步骤流程图，具体可以包括如下步骤：
步骤101，对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到所述预设数量的图像对；
其中，待处理的相机可以是需要进行tuning的相机，预设的对比机可以是拍摄得到的图像、视频的质量达标的相机。
具体的，可以先采用待处理的相机拍摄预设数量的图像，为方便描述，记为第一图像，以及，采用对比机拍摄同样数量的图像，为方便描述，记为第二图像，然后将各个第一图像分别与各个第二图像进行组合，得到预设数量的图像对。
比如，待处理的相机拍摄了200张第一图像，那么，对比机拍摄的第二图像也是200张，然后将200张第一图像分别与200张第二图像进行组合，得到200个图像对。
在本发明实施例中，所述对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，包括：
将场景信息相同的各个第一图像分别与各个第二图像进行一一组合，得到至少一个图像对，以及所述至少一个图像对各自对应的场景信息；所述场景信息包括色温、光照强度中的至少一项。
具体而言，在采用待处理的相机和对比机进行拍摄时，可以在同一场景分别进行拍摄，比如，可以将两台相机并排放置同时拍摄同一物体，分别得到第一图像和第二图像，在这种情况下，第一图像和第二图像的场景信息就是基本一样的；其中，场景信息包括但不限于色温、光照强度中的至少一项。因此，将各个第一图像分别与各个第二图像进行组合时，可以基于场景信息进行组合。也就是说，可以将具有相同的场景信息的任一张第一图像与任一张第二图像进行组合，从而得到一个图像对，以及该图像对对应的场景信息，这样就可以尽可能地减少相机tuning过程中的变量因素。
步骤102，基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵；
由于每个图像对都具有对应的场景信息，而有些场景信息是近似的，所以，可以对所有的场景信息进行分类，得到至少一个类别的目标场景信息，以及每个类别各自对应的图像对。比如，对200个图像各自对应的场景信息进行分类，得到日出、中午、夜晚三个类别的目标场景信息，其中，“日出”对应80个图像对，“中午”对应50个图像对，“夜晚”对应70个图像对。
然后为每个类别的目标场景信息分配一个预设的图像模型，并采用每个目标场景信息各自对应的图像对对图像模型求解，得到每个图像模型各自对应的转换矩阵。其中，为每个目标场景信息分配的图像模型的结构可以是一样，各个图像模型的参数可以是一样的，也可以是不一样的。
比如，接上例，为日出分配一个预设的图像模型、为中午分配一个预设的图像模型，以及为夜晚分配一个预设的图像模型。然后采用80个图像对对图像模型求解，得到日出的目标图像模型，以及该目标图像模型的转换矩阵；采用50个图像对对图像模型求解，得到中午的目标图像模型，以及该目标图像模型的转换矩阵；采用70个图像对对图像模型求解，得到夜晚的目标图像模型，以及该目标图像模型的转换矩阵。
步骤103，采用至少一个所述转换矩阵对所述相机进行tuning。
在得到至少一个转换矩阵后，采用各个转换矩阵即可对待处理的相机进行tuning。
在本发明实施例中，所述采用至少一个所述转换矩阵对所述相机进行tuning，包括：
将所述至少一个转换矩阵分别导入tuning应用程序，以使得所述tuning应用程序采用所述至少一个转换矩阵对所述相机进行tuning。
具体而言，在对相机进行tuning时，可以根据场景信息选择对应的转换矩阵，然后将其导入tuning应用程序，以使得tuning应用程序采用该转换矩阵对相机进行tuning，依此类推，即可采用各个转换矩阵对相机进行tuning。
比如，需要对相机基于日出的场景信息进行tuning，那么就将日出的场景信息对应的转换矩阵导入tuning应用程序，以使得tuning应用程序采用该转换矩阵对相机进行tuning。
在本发明实施例中，对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，然后基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵，采用至少一个所述转换矩阵即可对所述相机进行tuning。通上述方式，可以实现在任何场景下进行全自动化的转换矩阵的求解，不仅高效准确，而且还能达到最高的场景调整泛化能力。
进一步，将求解得到各个转换矩阵导入到tuning应用程序即可对相机进行tuning，使得转换矩阵达到了调整工具级，不仅避免了现在技术中需要进行数据转换、数据分析等操作，而且也不需要任何后处理算法调整，进一步提高了高效性、准确性。
参照图2，示出了本发明实施例一步骤102的详细流程图，具体可以包括如下步骤：
步骤1021，对至少一个场景信息基于相似度进行合并，得到至少一个目标场景信息；
在确定出了每个图像对各自对应的场景信息后，可以对所有的场景信息基于相似度进行合并，也就是说，可以将色温、光照强度中至少一项相似的场景信息进行合并分类，从而得到至少一个目标场景信息。
比如，图像对A的场景信息为中午，色温为5500K，光照强度为1200lux，图像对B的场景信息为午后，色温为5000K，光照强度为1000lux，图像对C的场景信息为夜晚，色温为500K，光照强度为200lux，那么就可以将图像对A、B的场景信息进行合并，得到目标场景信息“中午”，将图像对C的场景信息作为目标场景信息“夜晚”。
进一步，为方便描述，将合并前的场景信息的数量记为N，将合并后的目标场景信息的数量记为T,T∈[1,N]；其中，N、T都是正整数。
步骤1022，确定出所述至少一个目标场景信息各自对应的目标图像对和预设的图像模型；
具体而言，可以为每个类别的目标场景信息分配一个预设的图像模型，并采用每个目标场景信息各自对应的图像对对图像模型求解，得到每个图像模型各自对应的转换矩阵。其中，为每个目标场景信息分配的图像模型的结构可以是一样，各个图像模型的参数可以是一样的，也可以是不一样的。
比如，预设的图像模型为f，合并后得到目标场景信息C、D、E，那么就给C、D、E分别分配一个f，其中，各个f的参数可以是一样的，也可以是不一样的。
进一步，在本发明实施例中，将任一第一图像记为I，将任一第二图像记为从而得到预设的图像模型/>M为待求解的转换矩阵。
需要说明的是，上述图像模型可以是差异模型，具体可以是表征距离或者相似度判定的计算模型，比较典型的相似度判定的计算模型可以是基于生成对抗式的神经网络模型。除了基于生成对抗式的神经网络模型之外，任何差异性判定的网络都适用于本发明实施例，比如分类网络、自编码网络等，在实际应用中可以根据实际需求进行调整，本发明实施例对此不作限制。
图像模型的具体算法可以如公式(1)所示：
其中，i∈[1,T]代表图像对的组号，Ti∈[1,N]代表第i组的场景信息的数量，j∈[1,Ti]代表Ti组的场景号，Mi代表Ti组的转换矩阵，D(·)代表判定网络，目标是尽可能识别出转换矩阵产生的图像，G(·)代表生成网络，目标是尽可能利用转换矩阵产生让判定网络判错的图像。
进一步，在本发明实施例中，图像模型的结构如图3所示，与普通的神经网络结构的区别在于：普通的网络结构结构是通过多层卷积层连接而成，而在本发明实施例中，输入需要在RGB全连接层采用公式(2)进行一次RGB色彩分离，即，输入层连接3*3(以3*3为例)的色彩分离，随后的卷积层用于对空间色彩分布的差异进行调整，或者是色彩调整的余量。公式(2)具体如下：
其中，I代表原相机Raw图像每个像素处的R/G/B三通道灰阶，m,n代表相机拍摄图像高、宽，i∈[0,m),j∈[0,n)，m、n都为正整数。
步骤1023，对所述至少一个目标场景信息各自对应的目标图像对按预设比例进行随机分类，得到所述至少一个目标场景信息各自对应的样本图像对和测试图像对；
具体而言，对于任一目标场景信息，将其对应的目标图像对按照预设比例进行随机分类，得到该任一目标场景信息对应的样本图像对和测试图像对。
比如，针对日出的80个图像对，按照7:3进行随机分类，得到56个图像对作为样本图像对，以及24个图像对作为测试图像对。
针对其它目标场景信息，重复执行上述步骤，即可确定出每个目标场景信息各自对应的样本图像对和测试图像对。
需要说明的是，上述预设比例仅作为举例说明，在实际应用中，可以根据实际需求进行设置，本发明实施例对此不作限制。
步骤1024，针对任一未处理完成的目标场景信息，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；
针对所有目标场景信息中任一未处理完成的目标场景信息，采用与其对应的样本图像对和测试图像对，对与其对应的图像模型进行迭代求解，直至迭代至满足第一预设条件，即可得到该任一未处理完成的目标场景信息对应的、训练后的测试模型。
在本发明实施例中，所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型，包括以下任一项：
采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，当最后两次连续迭代求解的结果的差值不超过差值阈值时，得到训练后的测试模型；
采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，当所述迭代求解的迭代次数达到迭代次数阈值时，得到训练后的测试模型。
具体而言，在采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解的过程中，当最后两次连续迭代求解的结果的差值不超过差值阈值时，得到训练后的测试模型。比如，预设的差值阈值为0.00001，当最后两次连续迭代求解的结果的差值不超过0.00001时，终止迭代求解，将最后一次迭代求解后得到的图像模型作为训练后的测试模型。
或者，在采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解的过程中，当迭代求解的迭代次数达到迭代次数阈值时，得到训练后的测试模型。比如，预设的迭代次数阈值为100次，当迭代次数达到100时，终止迭代求解，将最后一次迭代求解后得到的图像模型作为训练后的测试模型。
在本发明实施例中，可以采用如下公式(3)对图像模型进行迭代求解：
步骤1025，采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；
得到测试模型后，采用该测试模型对步骤1023得到的测试图像对进行识别，得到识别成功的问题图像对，以及测试模型当前的空间转换层系数。其中，空间转换层系数为图3中RGB全连接层的系数。
步骤1026，对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对；
对识别成功得到的问题图像对，可以继续采用预设比例进行随机分类，得到该目标场景信息对应的、当前的样本图像对和测试图像对。
步骤1027，针对所述当前的样本图像对和测试图像对，重复执行步骤1024～步骤1026，直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；
具体而言，针对问题图像对分类得到的样本图像对和测试图像对，可以重复执行步骤1024～步骤1026，直至重复执行至满足第二预设条件，终止重复执行的流程，得到该任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
在本发明实施例中，所述直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，包括以下任一项：
当没有得到问题图像对时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数；
当重复执行步骤1024～步骤1026的重复次数超过重复次数阈值时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数。
具体而言，在重复执行步骤1024～步骤1026的过程中，当没有得到问题图像对，也就是所有图像对都识别失败时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
或者，在重复执行步骤1024～步骤1026的过程中，当重复执行的重复次数超过重复次数阈值时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数。比如，预设的重复次数阈值为10次，当重复执行步骤1024～步骤1026的重复次数达到10次时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
步骤1028，根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵。
由于每次得到的空间转换层系数可能都是不相同的，所以，可以根据第三预设条件从各个空间转换层系数里确定出一个目标空间转换层系数，然后根据该目标空间转换层系数确定出目标图像模型对应的转换矩阵。
在本发明实施例中，所述根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵，包括：
将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；
将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数。
具体而言，可以将各个空间转换层系数中误判率最高的一个空间转换层系数，作为目标空间转换层系数，然后将目标图像模型中每层的目标空间转换系数组合为k*k矩阵，比如3*3，即可得到所述目标图像模型对应的转换矩阵；其中，k为正整数。
当然，在实际应用中，k的数值可以根据实际需求进行设置，本发明实施例对此不作限制。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图4，示出了本发明的一种相机tuning装置实施例的结构框图，具体可以包括如下模块：
第一处理模块401，用于对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对；
计算模块402，用于基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵；
第二处理模块403，用于采用至少一个所述转换矩阵对所述相机进行tuning。
在本发明实施例中，所述第一处理模块具体用于：
将场景信息相同的各个第一图像分别与各个第二图像进行一一组合，得到至少一个图像对，以及所述至少一个图像对各自对应的场景信息；所述场景信息包括色温、光照强度中的至少一项。
在本发明实施例中，所述计算模块包括：
合并子模块，用于对至少一个场景信息基于相似度进行合并，得到至少一个目标场景信息；
第一确定子模块，用于确定出所述至少一个目标场景信息各自对应的目标图像对和预设的图像模型；
分类子模块，用于对所述至少一个目标场景信息各自对应的目标图像对按预设比例进行随机分类，得到所述至少一个目标场景信息各自对应的样本图像对和测试图像对；
迭代子模块，用于针对任一未处理完成的目标场景信息，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解；
第一判定子模块，用于当判定迭代至满足第一预设条件，得到训练后的测试模型；
识别子模块，用于采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；
所述分类子模块，还用于对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对；
针对所述当前的样本图像对和测试图像对，重复调用所述迭代子模块、识别子模块，以及所述分类子模块；
第二判定子模块，用于当判定重复调用至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；
第二确定子模块，用于根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵。
在本发明实施例中，所述第二处理模块具体用于：
将所述至少一个转换矩阵分别导入tuning应用程序，以使得所述tuning应用程序采用所述至少一个转换矩阵对所述相机进行tuning。
在本发明实施例中，所述第一判定子模块具体用于：
当最后两次连续迭代求解的结果的差值不超过差值阈值时，得到训练后的测试模型；或，
当所述迭代求解的迭代次数达到迭代次数阈值时，得到训练后的测试模型。
在本发明实施例中，所述第二判定子模块具体用于：
当没有得到问题图像对时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；或，
当重复调用所述迭代子模块、识别子模块，以及所述分类子模块的重复次数超过重复次数阈值时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
在本发明实施例中，所述第二确定子模块包括：
确定单元，用于将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；
组合单元，用于将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，包括：
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述相机tuning方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述相机tuning方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本说明书中的各个实施例均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。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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。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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种相机tuning方法和一种相机tuning装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种相机tuning方法，其特征在于，所述方法包括：
对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，包括：将场景信息相同的各个第一图像分别与各个第二图像进行一一组合，得到至少一个图像对，以及所述至少一个图像对各自对应的场景信息；所述待处理的相机是需要进行tuning的相机，所述预设的对比机是拍摄得到的图像、视频的质量达标的相机；
基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵，包括：
对至少一个场景信息基于相似度进行合并，得到至少一个目标场景信息；
确定出所述至少一个目标场景信息各自对应的目标图像对和预设的图像模型；
对所述至少一个目标场景信息各自对应的目标图像对按预设比例进行随机分类，得到所述至少一个目标场景信息各自对应的样本图像对和测试图像对；
针对任一未处理完成的目标场景信息，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；
采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；
对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对；
针对所述当前的样本图像对和测试图像对，重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试图像模型，所述第一预设条件包括以下任一项：采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，最后两次连续迭代求解的结果的差值不超过差值阈值；或，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，所述迭代求解的迭代次数达到迭代次数阈值；所述采用所述测试图像模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试图像模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤，直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型，所述第二预设条件包括以下任一项：没有得到问题图像对；或，重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；所述采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤的重复次数超过重复次数阈值；
根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵，所述第三预设条件为：将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数；
采用至少一个所述转换矩阵对所述相机进行tuning。
2.根据权利要求1所述的相机tuning方法，其特征在于，
所述场景信息包括色温、光照强度中的至少一项。
3.根据权利要求1所述的相机tuning方法，其特征在于，所述采用至少一个所述转换矩阵对所述相机进行tuning，包括：
将所述至少一个转换矩阵分别导入tuning应用程序，以使得所述tuning应用程序采用所述至少一个转换矩阵对所述相机进行tuning。
4.根据权利要求1所述的相机tuning方法，其特征在于，所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型，包括以下任一项：
采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，当最后两次连续迭代求解的结果的差值不超过差值阈值时，得到训练后的测试模型；
采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，当所述迭代求解的迭代次数达到迭代次数阈值时，得到训练后的测试模型。
5.根据权利要求1所述的相机tuning方法，其特征在于，所述直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型，包括以下任一项：
当没有得到问题图像对时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型；
当重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；所述采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤的重复次数超过重复次数阈值时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型。
6.根据权利要求1所述的相机tuning方法，其特征在于，所述根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵，包括：
将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；
将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数。
7.一种相机tuning装置，其特征在于，所述装置包括：
第一处理模块，用于对待处理的所述相机获取的预设数量的第一图像，和预设的对比机获取的所述预设数量的第二图像进行处理，得到至少一个图像对，包括：将场景信息相同的各个第一图像分别与各个第二图像进行一一组合，得到至少一个图像对，以及所述至少一个图像对各自对应的场景信息；所述待处理的相机是需要进行tuning的相机，所述预设的对比机是拍摄得到的图像、视频的质量达标的相机；
计算模块，用于基于所述至少一个图像对对预设的至少一个图像模型求解，得到所述至少一个图像模型各自对应的转换矩阵，包括：
对至少一个场景信息基于相似度进行合并，得到至少一个目标场景信息；
确定出所述至少一个目标场景信息各自对应的目标图像对和预设的图像模型；
对所述至少一个目标场景信息各自对应的目标图像对按预设比例进行随机分类，得到所述至少一个目标场景信息各自对应的样本图像对和测试图像对；
针对任一未处理完成的目标场景信息，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；
采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；
对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对；
针对所述当前的样本图像对和测试图像对，重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试图像模型，所述第一预设条件包括以下任一项：采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，最后两次连续迭代求解的结果的差值不超过差值阈值；或，采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，所述迭代求解的迭代次数达到迭代次数阈值；所述采用所述测试图像模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试图像模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤，直至重复执行至满足第二预设条件时，得到所述任一未处理完成的目标场景信息对应的至少一个空间转换层系数，以及最终的目标图像模型，所述第二预设条件包括以下任一项：没有得到问题图像对；或，重复执行所述采用所述样本图像对和测试图像对，对对应的所述图像模型进行迭代求解，直至迭代至满足第一预设条件，得到训练后的测试模型；所述采用所述测试模型对所述测试图像对进行识别，得到识别成功的问题图像对和所述测试模型的空间转换层系数；以及所述对所述问题图像对按照所述预设比例进行随机分类，得到所述目标场景信息当前的样本图像对和测试图像对的步骤的重复次数超过重复次数阈值；
根据第三预设条件从所述至少一个空间转换层系数里确定出目标空间转换层系数，并根据所述目标空间转换层系数确定出所述目标图像模型对应的转换矩阵，所述第三预设条件为：将所述至少一个空间转换层系数中误判率最高的空间转换层系数作为目标空间转换层系数；将所述目标图像模型中每层的目标空间转换系数组合为k*k矩阵，得到所述目标图像模型对应的转换矩阵；所述k为正整数；
第二处理模块，用于采用至少一个所述转换矩阵对所述相机进行tuning。
8.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1～6中任一项所述相机tuning方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1～6中任一项所述相机tuning方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111032238.9A CN113840134B (zh) | 2021-09-03 | 2021-09-03 | 一种相机tuning方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111032238.9A CN113840134B (zh) | 2021-09-03 | 2021-09-03 | 一种相机tuning方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113840134A CN113840134A (zh) | 2021-12-24 |
| CN113840134B true CN113840134B (zh) | 2023-12-15 |
Family
ID=78962161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111032238.9A Active CN113840134B (zh) | 2021-09-03 | 2021-09-03 | 一种相机tuning方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113840134B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG188011A1 (en) * | 2011-08-26 | 2013-03-28 | Sony Corp | A method for calibrating a multi-camera system |
| US9286680B1 (en) * | 2014-12-23 | 2016-03-15 | Futurewei Technologies, Inc. | Computational multi-camera adjustment for smooth view switching and zooming |
| CN109104579A (zh) * | 2018-09-30 | 2018-12-28 | 易诚高科（大连）科技有限公司 | 一种图像质量评测过程中拍照环境自动评估与调整方法 |
| CN109389045A (zh) * | 2018-09-10 | 2019-02-26 | 广州杰赛科技股份有限公司 | 基于混合时空卷积模型的微表情识别方法与装置 |
| CN109741281A (zh) * | 2019-01-04 | 2019-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10573031B2 (en) * | 2017-12-06 | 2020-02-25 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
-
2021
- 2021-09-03 CN CN202111032238.9A patent/CN113840134B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG188011A1 (en) * | 2011-08-26 | 2013-03-28 | Sony Corp | A method for calibrating a multi-camera system |
| US9286680B1 (en) * | 2014-12-23 | 2016-03-15 | Futurewei Technologies, Inc. | Computational multi-camera adjustment for smooth view switching and zooming |
| CN109389045A (zh) * | 2018-09-10 | 2019-02-26 | 广州杰赛科技股份有限公司 | 基于混合时空卷积模型的微表情识别方法与装置 |
| CN109104579A (zh) * | 2018-09-30 | 2018-12-28 | 易诚高科（大连）科技有限公司 | 一种图像质量评测过程中拍照环境自动评估与调整方法 |
| CN109741281A (zh) * | 2019-01-04 | 2019-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 基于透射变换和二维指向镜的大视场光谱成像研究;徐映宇;秦侠格;徐睿;何志平;王建宇;;红外(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113840134A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108780508B (zh) | 用于归一化图像的系统和方法 | |
| KR102442844B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법(Method for Distinguishing a Real Three-Dimensional Object from a Two-Dimensional Spoof of the Real Object) | |
| JP2022519469A (ja) | 画像品質評価方法及び装置 | |
| CN110276767A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
| US20160073076A1 (en) | Saturated pixel recovery in light-field images | |
| US9020243B2 (en) | Image adjustment | |
| CN109871845B (zh) | 证件图像提取方法及终端设备 | |
| CN113129236B (zh) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 | |
| KR20180109658A (ko) | 영상 처리 방법과 장치 | |
| CN112115979A (zh) | 一种红外图像和可见图像的融合方法及设备 | |
| CN116157805A (zh) | 利用神经嵌入的相机图像或视频处理流水线 | |
| KR20230146974A (ko) | 영상의 밝기 개선 방법 및 장치 | |
| CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
| US11443414B2 (en) | Image signal processing | |
| CN113840134B (zh) | 一种相机tuning方法和装置 | |
| CN117156289A (zh) | 色彩风格校正方法、系统、电子设备、存储介质及芯片 | |
| CN114022367A (zh) | 一种图像质量调优方法、装置、电子设备和介质 | |
| CN112561818B (zh) | 一种图像增强方法、装置、电子设备及存储介质 | |
| CN114494080A (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
| CN114202475A (zh) | 自适应图像增强方法和系统 | |
| JP2022130308A (ja) | 歯色を判定する方法 | |
| CN114358131A (zh) | 数码相框智能照片优化处理系统 | |
| CN112087556B (zh) | 一种暗光成像方法、装置、可读存储介质及终端设备 | |
| Ma et al. | Performance validation and analysis for multi-method fusion based image quality metrics in a new image database |
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 |