CN113962915B - 非均匀照明条件下的自适应非线性超动态图像合成方法 - Google Patents

非均匀照明条件下的自适应非线性超动态图像合成方法 Download PDF

Info

Publication number
CN113962915B
CN113962915B CN202111221433.6A CN202111221433A CN113962915B CN 113962915 B CN113962915 B CN 113962915B CN 202111221433 A CN202111221433 A CN 202111221433A CN 113962915 B CN113962915 B CN 113962915B
Authority
CN
China
Prior art keywords
image
exposure time
saturation point
neural network
gray
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
CN202111221433.6A
Other languages
English (en)
Other versions
CN113962915A (zh
Inventor
陈凤东
王倩
韩越越
肖日涛
路程
卢丙辉
刘国栋
曾发
彭志涛
唐军
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202111221433.6A priority Critical patent/CN113962915B/zh
Publication of CN113962915A publication Critical patent/CN113962915A/zh
Application granted granted Critical
Publication of CN113962915B publication Critical patent/CN113962915B/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
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06N3/045—Combinations of 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
    • 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]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Studio Devices (AREA)

Abstract

非均匀照明条件下的自适应非线性超动态图像合成方法，解决了现有非均匀暗场照明条件下成像时被检测目标图像饱和的问题，属于光学元件检测技术领域。本发明在照明条件不变的条件下，损伤点所在的区域的照度场不均匀，采集n幅随着相机的曝光时间变化的图像。随着曝光时间增加，损伤点的图像灰度值会相应增加，判断图像中是否出现饱和点，如果出现饱和点，利用该饱和点之前曝光时间的图像中对应位置处的灰度值和曝光时间，对神经网络训练，实现非线性回归，利用神经网络获取对应饱和点在之后的曝光时间的灰度值，替换饱和的灰度值，生成超动态图像。

Description

非均匀照明条件下的自适应非线性超动态图像合成方法
技术领域
本发明属于光学元件检测技术领域。
背景技术
在高功率条件下，光学元件光致损伤成为人们必须解决的棘手问题。为了检测和跟踪损伤的增长过程，需要对光学元件的损伤情况进行在线检测，检测原理如图1所示。采用内全反射照明，有损伤的部位，会泄露较强的光，无损伤部位因为内反射而泄露少量光，因此获得暗场图像，该图像中无损伤部位成为图像中的暗背景，有损伤部位成为明亮的前景目标，如图2所示。
为了能够探测出百微米量级的微小损伤点，成像系统的光敏元件采用高敏感参数，并且由于高功率场景使用的光学元件口径通常较大，达到400mm×400mm量级，照明场分布很难做到均匀，这带来一个问题：在提高微小损伤的探测能力的同时，对于较大的损伤点部位，对应的图像部位的像素值经常出现饱和，这对后续判定损伤尺寸值，产生不利影响。
发明内容
针对现有非均匀暗场照明条件下成像时被检测目标图像饱和的问题，本发明提供一种非均匀照明条件下的自适应非线性超动态图像合成方法。
本发明的一种非均匀照明条件下的自适应非线性超动态图像合成方法，所述方法包括：
S1、在固定照明强度下，设置相机的曝光时间为ti，i＝1,…,n，对被测光学元件进行成像，获得n张图像，每个曝光时间采集的光学元件图像为图像Ii；tn表示当前曝光时间；
S2、i的起始值为1，按照时间的变化，直至i＝n，依次判断图像Ii中是否存在饱和点，若存在饱和点，执行以下：
此时i＝k，将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；
利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数，用于获得曝光时间tn时，对应饱和点的灰度回归值；
按照S2找到n张图像中所有饱和点及每个饱和点对应的非线性回归函数；
S3、在当前曝光时间tn下，获取各个饱和点的灰度值；利用每个饱和点对应的非线性回归函数获取曝光时间tn对应的灰度回归值，用该灰度回归值替换对应的灰度值，生成当前曝光时间tn下的超动态图像。
本发明还提供一种非均匀照明条件下的自适应非线性超动态图像合成方法，包括：
S1、在固定照明强度下，设置相机的曝光时间为ti，i＝1,2，…，每个曝光时间采集的被测光学元件图像为图像Ii，i的起始值为1；
S2、随着时间的变化，当到达曝光时间，采集被测光学元件进行成像，判断当前图像Ii中是否存在饱和点，若不存在，重复执行S2，若存在，此时i＝k，判断所述饱和点是否有对应的非线性回归函数，若有，转入S3，若没有，执行以下：
将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；
利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数；
S3、获取饱和点的灰度值；利用饱和点对应的非线性回归函数获取曝光时间tk对应的灰度回归值，用该灰度回归值替换在图像Ik中饱和点对应的灰度值，生成当前曝光时间tk下的超动态图像，转入S2。
作为优选，所述神经网络为DNN网络。
作为优选，所述神经网络为4层感知器的MLP神经网络。
作为优选，S1中，在光学元件侧面采用固定照明强度下的激光照明。
本发明的有益效果，本发明为一种自适应高动态图像合成方法，可提高图像动态范围，从而避免曝光饱和对损伤点伤点尺寸值判定的影响。
附图说明
图1为基于激光侧照明的光学元件暗场成像检测表面损伤示意图；
图2为表面有损伤的光学元件的检测图像；
图3为在照明条件不变的条件下，A、B、C三个损伤点的照度不均匀，采集n幅相机的曝光时间变化的图像；
图4为随着曝光时间增加，A、B、C三个损伤点的图像灰度值增加的曲线图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作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。
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。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
为解决非均匀暗场照明条件下高敏感相机出现成像饱和，影响在线检测光学元件损伤点尺寸值判定的问题，提出了自适应高动态图像合成方法，可提高图像动态范围，从而避免曝光饱和对损伤点伤点尺寸值判定的影响。
技术原理如下：假设在照明条件不变的条件下，A、B、C三个损伤点所在的区域的照度场不均匀，采集n幅相机的曝光时间t变化的图像。如图3所示。
随着曝光时间t增加，A、B、C三个损伤点的图像灰度值会相应增加，如果不饱和，则示意图如图4所示。假设照明场不均匀，并且照度值A<B<C，则出现A、B、C三点的灰度曲线的低中高分布。
随着曝光时间增加，C点先出现饱和，B、A次之。判断图像中是否出现饱和点，如果出现饱和，则灰度值不在随着曝光时间的增加而增加了，如图4所示。
对C点未饱和点的值，设计DNN网络(多层感知器MLP)，进行非线性回归，回归后，与饱和段对应的是其上的虚线段。
之所以采用非线性回归，是因为损伤点微观结构非常复杂，每一个点对照明光的散射情况都不一样。因此本文方法设计自适应的对所以饱和点进行非线性回归。
对一幅4K图像进行饱和点回归，需要回归的点计算量十分巨大。如果C点出现饱和，通常其周围也有数十甚至数百个点可能饱和，因为本算法是要逐点进行回归，因此计算量剧增。为了解决这个问题，提出只对出现饱和的点，利用其饱和前的值进行回归，这样可大量减少运算量和复杂度。
回归获得图4中虚线段的值，采用虚线段的值，修正饱和后的值，获得超动态范围图像。
按照上述原理，本实施方式提供两个实施例，实施例1的应用场景在当前曝光时间tn及之前共采集了n幅图像的基础上，生成当前曝光时间tn下的超动态图像，实施例2的应用场景是随着曝光时间，实时采集图像，实时生成超动态图像。
实施例1、非均匀照明条件下的自适应非线性超动态图像合成方法，包括：
步骤一、在固定照明强度下，设置相机的曝光时间为ti，i＝1,…,n，对被测光学元件进行成像，获得n张图像，每个曝光时间采集的光学元件图像为图像Ii；tn表示当前曝光时间；
步骤二、i的起始值为1，按照时间的变化，直至i＝n，依次判断图像Ii中是否存在饱和点，若存在饱和点，执行以下：
此时i＝k，将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；
为了避免用于回归的样本点数量太少，需要限定曝光时间的增加步长Δ，保障饱和前的图像序列{I1,I2,…,Ik-1}的数据量大于限定值，即要求K-1>9。
利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数，用于获得曝光时间tn时，对应饱和点的灰度回归值；
按照步骤二找到n张图像中所有饱和点及每个饱和点对应的非线性回归函数；
步骤三、在当前曝光时间tn下，获取各个饱和点的灰度值；利用每个饱和点对应的非线性回归函数获取曝光时间tn对应的灰度回归值，用该灰度回归值替换对应的灰度值，生成当前曝光时间tn下的超动态图像。
本实施方式中神经网络为DNN网络或4层感知器的MLP神经网络。
本实施方式步骤一中，在光学元件侧面采用固定照明强度下的激光照明。
实施例2、非均匀照明条件下的自适应非线性超动态图像合成方法，包括：
步骤一、在固定照明强度下，设置相机的曝光时间为ti，i＝1,2，…，每个曝光时间采集的被测光学元件图像为图像Ii，i的起始值为1；
步骤二、随着时间的变化，当到达曝光时间，采集被测光学元件进行成像，判断当前图像Ii中是否存在饱和点，若不存在，重复执行S2，若存在，此时i＝k，判断所述饱和点是否有对应的非线性回归函数，若有，转入S3，若没有，执行以下：
将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；为了避免用于回归的样本点数量太少，需要限定曝光时间的增加步长Δ，保障饱和前的图像序列{I1,I2,…,Ik-1}的数据量大于限定值，即要求K-1>9。
利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数；
步骤三、获取饱和点的灰度值；利用饱和点对应的非线性回归函数获取曝光时间tk对应的灰度回归值，用该灰度回归值替换在图像Ik中饱和点对应的灰度值，生成当前曝光时间tk下的超动态图像，转入步骤二。
实施例3：一种非均匀照明条件下的自适应非线性超动态图像合成装置，包括：
照明装置，用于为被测光学元件提供固定强度的照明；
相机，与处理器连接，用于在设定的曝光时间为ti，i＝1,…，对被测光学元件进行成像，在每个曝光时间对应获得图像Ii，将每个曝光时间获得图像Ii发送给处理器；
处理器，用于判断图像Ii中是否存在饱和点，若存在，判断所述饱和点是否有对应的非线性回归函数，若没有，执行以下：此时i＝k，将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数；所述饱和点若有对应的非线性回归函数，则获取饱和点的灰度值，利用饱和点对应的非线性回归函数获取曝光时间tk对应的灰度回归值，用该灰度回归值替换在图像Ik中饱和点对应的灰度值，生成当前曝光时间tk下的超动态图像。
本实施方式中处理器，与照明装置连接，还用于设置照明装置的照明强度，及相机的曝光时间。
本实施方式中神经网络为DNN网络或4层感知器的MLP神经网络。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (9)

1.一种非均匀照明条件下的自适应非线性超动态图像合成方法，其特征在于，所述方法包括：
S1、在固定照明强度下，设置相机的曝光时间为ti，i＝1,…,n，对被测光学元件进行成像，获得n张图像，每个曝光时间采集的光学元件图像为图像Ii；tn表示当前曝光时间；
S2、i的起始值为1，按照时间的变化，直至i＝n，依次判断图像Ii中是否存在饱和点，若存在饱和点，执行以下：
此时i＝k，将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；
利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数，用于获得曝光时间tn时，对应饱和点的灰度回归值；
按照S2找到n张图像中所有饱和点及每个饱和点对应的非线性回归函数；
S3、在当前曝光时间tn下，获取各个饱和点的灰度值；利用每个饱和点对应的非线性回归函数获取曝光时间tn对应的灰度回归值，用该灰度回归值替换对应的灰度值，生成当前曝光时间tn下的超动态图像。
2.一种非均匀照明条件下的自适应非线性超动态图像合成方法，其特征在于，所述方法包括：
S1、在固定照明强度下，设置相机的曝光时间为ti，i＝1,2，…，每个曝光时间采集的被测光学元件图像为图像Ii，i的起始值为1；
S2、随着时间的变化，当到达曝光时间，采集被测光学元件进行成像，判断当前图像Ii中是否存在饱和点，若不存在，重复执行S2，若存在，此时i＝k，判断所述饱和点是否有对应的非线性回归函数，若有，转入S3，若没有，执行以下：
将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；
利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数；
S3、获取饱和点的灰度值；利用饱和点对应的非线性回归函数获取曝光时间tk对应的灰度回归值，用该灰度回归值替换在图像Ik中饱和点对应的灰度值，生成当前曝光时间tk下的超动态图像，转入S2。
3.根据权利要求1或2所述的一种非均匀照明条件下的自适应非线性超动态图像合成方法，其特征在于，所述神经网络为DNN网络。
4.根据权利要求1或2所述的一种非均匀照明条件下的自适应非线性超动态图像合成方法，其特征在于，所述神经网络为4层感知器的MLP神经网络。
5.根据权利要求1或2所述的一种非均匀照明条件下的自适应非线性超动态图像合成方法，其特征在于，S1中，在光学元件侧面采用固定照明强度下的激光照明。
6.一种非均匀照明条件下的自适应非线性超动态图像合成装置，其特征在于，包括：
照明装置，用于为被测光学元件提供固定强度的照明；
相机，与处理器连接，用于在设定的曝光时间为ti，i＝1,…，对被测光学元件进行成像，在每个曝光时间对应获得图像Ii，将每个曝光时间获得图像Ii发送给处理器；
处理器，用于判断图像Ii中是否存在饱和点，若存在，判断所述饱和点是否有对应的非线性回归函数，若没有，执行以下：此时i＝k，将i＝k之前所有曝光时间ti对应的图像Ii组成图像序列{I1,I2,…,Ik-1}，提取图像序列{I1,I2,…,Ik-1}中与所述饱和点对应的k-1个灰度值{V1,V2,…,Vk-1}；利用灰度值{V1,V2,…,Vk-1}训练1个神经网络，神经网络的输入样本是{t1,t2,…,tk-1}，对应的输出样本是相应饱和点的{V1,V2,…,Vk-1}，将训练完成的神经网络作为对应饱和点的非线性回归函数；所述饱和点若有对应的非线性回归函数，则获取饱和点的灰度值，利用饱和点对应的非线性回归函数获取曝光时间tk对应的灰度回归值，用该灰度回归值替换在图像Ik中饱和点对应的灰度值，生成当前曝光时间tk下的超动态图像。
7.根据权利要求6所述的一种非均匀照明条件下的自适应非线性超动态图像合成装置，其特征在于，所述处理器，与照明装置连接，还用于设置照明装置的照明强度，及相机的曝光时间。
8.根据权利要求6所述的一种非均匀照明条件下的自适应非线性超动态图像合成装置，其特征在于，所述神经网络为DNN网络。
9.根据权利要求7所述的一种非均匀照明条件下的自适应非线性超动态图像合成装置，其特征在于，所述神经网络为4层感知器的MLP神经网络。
CN202111221433.6A 2021-10-20 2021-10-20 非均匀照明条件下的自适应非线性超动态图像合成方法 Active CN113962915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111221433.6A CN113962915B (zh) 2021-10-20 2021-10-20 非均匀照明条件下的自适应非线性超动态图像合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111221433.6A CN113962915B (zh) 2021-10-20 2021-10-20 非均匀照明条件下的自适应非线性超动态图像合成方法

Publications (2)

Publication Number Publication Date
CN113962915A CN113962915A (zh) 2022-01-21
CN113962915B true CN113962915B (zh) 2022-04-29

Family

ID=79465694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111221433.6A Active CN113962915B (zh) 2021-10-20 2021-10-20 非均匀照明条件下的自适应非线性超动态图像合成方法

Country Status (1)

Country Link
CN (1) CN113962915B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1874499A (zh) * 2006-05-12 2006-12-06 北京理工大学 一种高动态、超分辨率图像重建装置
CN103069453A (zh) * 2010-07-05 2013-04-24 苹果公司 操作设备以捕捉高动态范围图像
US8885976B1 (en) * 2013-06-20 2014-11-11 Cyberlink Corp. Systems and methods for performing image fusion
CN104881644A (zh) * 2015-05-25 2015-09-02 华南理工大学 非均匀光照条件下的人脸图像采集方法
CN106017363A (zh) * 2016-08-07 2016-10-12 哈尔滨工业大学 一种高动态精度大工作距自准直装置与方法
CN106981065A (zh) * 2016-11-02 2017-07-25 北京信息科技大学 一种基于曝光补偿的图像绝对中心矩改进算法
CN108120680A (zh) * 2017-12-19 2018-06-05 清华大学 基于光电特性先验的显微成像的杂散光去除方法及装置
CN110095472A (zh) * 2019-05-08 2019-08-06 湖北工业大学 基于hdri的高反光金属表面缺陷检测方法及系统
CN112651911A (zh) * 2020-12-01 2021-04-13 广东工业大学 一种基于偏振图像的高动态范围成像生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110072051B (zh) * 2019-04-09 2021-09-03 Oppo广东移动通信有限公司 基于多帧图像的图像处理方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1874499A (zh) * 2006-05-12 2006-12-06 北京理工大学 一种高动态、超分辨率图像重建装置
CN103069453A (zh) * 2010-07-05 2013-04-24 苹果公司 操作设备以捕捉高动态范围图像
US8885976B1 (en) * 2013-06-20 2014-11-11 Cyberlink Corp. Systems and methods for performing image fusion
CN104881644A (zh) * 2015-05-25 2015-09-02 华南理工大学 非均匀光照条件下的人脸图像采集方法
CN106017363A (zh) * 2016-08-07 2016-10-12 哈尔滨工业大学 一种高动态精度大工作距自准直装置与方法
CN106981065A (zh) * 2016-11-02 2017-07-25 北京信息科技大学 一种基于曝光补偿的图像绝对中心矩改进算法
CN108120680A (zh) * 2017-12-19 2018-06-05 清华大学 基于光电特性先验的显微成像的杂散光去除方法及装置
CN110095472A (zh) * 2019-05-08 2019-08-06 湖北工业大学 基于hdri的高反光金属表面缺陷检测方法及系统
CN112651911A (zh) * 2020-12-01 2021-04-13 广东工业大学 一种基于偏振图像的高动态范围成像生成方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《Adversarial Text-to-Image Synthesis: A Review》;Stanislav Frolov等;《arXiv》;20210131;第1-19页 *
《CMOS图像传感器量子效率和满阱容量参数测量方法研究》;刘鹏飞;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180715(第07期);第I140-192页 *
《Final optics damage online inspection in high power laser facility》;魏富鹏 等;《Optoelectronics Letters》;20190701;第15卷(第04期);第306-311页 *
《光学元件损伤在线检测图像处理技术》;冯博 等;《强激光与粒子束》;20130715;第25卷(第07期);第1697-1700页 *
《面向道路照明测量的成像系统辐射定标研究》;尚颖英;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210815(第08期);第C034-255页 *

Also Published As

Publication number Publication date
CN113962915A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
Abdelhamed et al. A high-quality denoising dataset for smartphone cameras
KR101967089B1 (ko) 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가
RU2716843C1 (ru) Цифровая коррекция аберраций оптической системы
US11127117B2 (en) Information processing method, information processing apparatus, and recording medium
CN111292264A (zh) 一种基于深度学习的图像高动态范围重建方法
CN113168670A (zh) 使用神经网络的亮点去除
CN111986106B (zh) 一种基于神经网络的高动态图像重建方法
JP2020042760A (ja) 情報処理方法、情報処理装置、及びプログラム
Steffens et al. Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing
KR20200084419A (ko) 모아레 제거 모델을 생성하기 위한 장치, 모아레를 제거하기 위한 방법 및 모아레를 제거하기 위한 촬상 장치
US10067327B2 (en) Image acquisition apparatus
CN107220945B (zh) 多重退化的极模糊图像的复原方法
CN113962915B (zh) 非均匀照明条件下的自适应非线性超动态图像合成方法
Gao et al. Image enhancement algorithm based on NF-ICM
US11443414B2 (en) Image signal processing
WO2023246392A1 (zh) 图像获取方法、装置、设备和非瞬态计算机存储介质
JP6232933B2 (ja) 放射歪み補正装置、道路環境認識装置、放射歪み補正方法およびプログラム
CN116188930A (zh) 一种基于融合事件相机的场景识别方法及系统
JP2011215695A (ja) 移動物体検出装置及び方法、並びにプログラム
Zhao et al. Analysis of Image Quality Assessment Methods for Aerial Images
Jenkin Contrast signal to noise ratio
TWI590192B (zh) 適應性高動態範圍影像合成演算法
Zhang et al. Image exposure assessment: a benchmark and a deep convolutional neural networks based model
CN112348771B (zh) 一种基于小波变换的成像一致性评价方法
US20240144432A1 (en) Image processing apparatus, image processing method, and storage medium

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