CN108769543B - 曝光时间的确定方法及装置 - Google Patents
曝光时间的确定方法及装置 Download PDFInfo
- Publication number
- CN108769543B CN108769543B CN201810562974.7A CN201810562974A CN108769543B CN 108769543 B CN108769543 B CN 108769543B CN 201810562974 A CN201810562974 A CN 201810562974A CN 108769543 B CN108769543 B CN 108769543B
- Authority
- CN
- China
- Prior art keywords
- target
- picture
- exposure time
- characteristic
- feature
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 140
- 238000012216 screening Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000002035 prolonged effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004904 shortening Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Studio Devices (AREA)
Abstract
本发明提供了一种曝光时间的确定方法及装置,包括:获取待测图片的目标统计特征向量;计算目标统计特征向量与目标特征向量之间的加权欧氏距离;根据加权欧氏距离在图片样本中提取距离最小的K个图片样本;根据每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别;如果目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间。该方法在进行曝光时间的确定时,简单可行,对于普通的摄像头同样适用,确定得到的曝光时间合适,通过该合适的曝光时间进行图片的拍摄时,拍摄得到的图片也更加清晰,兼具了实用性和普适性的特点,缓解了现有技术曝光时间的确定方法无法兼顾实用性和普适性的技术问题。
Description
技术领域
本发明涉及曝光的技术领域,尤其是涉及一种曝光时间的确定方法及装置。
背景技术
在使用摄像头采集图像的过程中,曝光时间决定着一张照片的整体亮度,曝光过度意味着一张图片过亮,而曝光不足则会让图片过暗,所以曝光时间的选取直接影响着图像的好坏,针对不同场景选择最合适的曝光时间变得十分重要。实际上,为了使照片的亮度合适、画面清晰,需要根据环境亮度对曝光时间不断调整,对环境亮度的判定则是其中最重要的一个环节。
在现有方案中,根据处理对象的不同,可以分为以图像整体特征判定,以图像部分区域特征判定和局部特征与整体特征共同判定的三种方法。在对图像整体进行处理的方案中,一般先求取整张图片的灰度平均值或灰度加权平均值,再与设定好的理论期望比较,以此来判定输入图片的明暗,这种方法实施简单,但是因为是将整个图像一起处理,无法对图像中的拍摄主体进行判断,如果只有拍摄主体部分曝光不正常,而背景部分正常,很容易造成误判;在对图像部分区域进行处理的方案中,一般都是在能够识别拍摄主体的基础上进行的,直接将图像拍摄主体部分的亮度直方图做均衡化处理,并计算均衡化后的预期图像平均亮度,以此作为标准与原图像的亮度比较来判定图像的明暗,局部判定虽然可以针对重要区域进行处理,但是往往由于光线照射的角度不同,拍摄主体的亮度分布并不均匀,比如一半亮,一半暗,这会很影响***对于图像主体亮度的判定,不能达到令人满意的效果;在局部特征与整体特征结合的方案中,***会将图像分成多个小区域,同时计算整个图像和各个小区域的亮度频率分布,分别将其与设定好的阈值进行比较,产生多路曝光校正信号,最后将其综合以确定曝光,虽然这种方法将各个部分结合,更为准确,但是计算过程过于复杂,一般只应用于硬件设备水平较高的***,比如只针对于单反相机适用。
综上,通过对图像整体进行处理,以及通过对图像部分区域进行处理的方法得到的曝光时间不合适,所以在进行图片的拍摄时,拍摄得到的图片清晰度差,实用性差;而通过局部特征与整体特征结合的方式能得到合适的曝光时间,拍摄的图片清晰,但是计算复杂,且只针对于单反相机适用,普适性不好,也就是现有技术曝光时间的确定无法兼顾实用性和普适性的特点。
发明内容
有鉴于此,本发明的目的在于提供一种曝光时间的确定方法及装置,以缓解现有技术曝光时间的确定方法无法兼顾实用性和普适性的技术问题。
第一方面,本发明实施例提供了一种曝光时间的确定方法,所述方法包括:
获取摄像头拍摄的待测图片,并确定所述待测图片的目标统计特征向量,其中,所述目标统计特征向量为所述待测图片的灰度直方图中目标特征属性组成的向量,所述目标特征属性为与参考数据集的目标特征向量相对应的特征属性;
计算所述目标统计特征向量与所述参考数据集的目标特征向量之间的加权欧氏距离,其中,所述参考数据集中包括多个带有类别标签的图片样本,所述目标特征向量为预先对所述图片样本的特征属性进行筛选后的特征属性所组成的向量;
根据所述加权欧氏距离在所述图片样本中提取距离最小的K个图片样本,其中,K的值由经验获得,K为不小于3的整数;
根据每个分类类别在所述K个图片样本中的最大出现频率确定所述待测图片所属的目标分类类别,其中,所述分类类别包括:曝光不足,曝光正常,曝光过度;
如果所述目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,以根据所述目标曝光时间进行图片的拍摄。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述方法还包括:
如果所述目标分类类别为曝光不足的类别,则延长当前的曝光时间;
根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为所述待测图片;
返回执行确定所述待测图片的目标统计特征向量的步骤,直至确定得到所述待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为所述目标曝光时间。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
如果所述目标分类类别为曝光过度的类别,则缩短当前的曝光时间;
根据缩短后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为所述待测图片;
返回执行确定所述待测图片的目标统计特征向量的步骤,直至确定得到所述待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为所述目标曝光时间。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,在获取摄像头拍摄的待测图片之前,所述方法还包括:
获取所述参考数据集;
将所述参考数据集中的多个带有分类标签的图片样本转化为多个灰度图片样本;
提取所述灰度图片样本的待处理特征向量,其中,所述待处理特征向量中包含257个元素,前256个元素为灰度直方图的特征属性,第257个元素用于表示曝光状态标签,所述曝光状态标签用于表示曝光的程度;
基于熵权对所述待处理特征向量中的特征属性进行筛选,得到筛选后的特征属性和曝光状态标签;
将所述筛选后的特征属性和曝光状态标签作为所述参考数据集的目标特征向量。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,基于熵权对所述待处理特征向量中的特征属性进行筛选包括:
根据相关度计算算式Corr(A)=I(s0,s2,…,sm)-E(A)计算每个特征属性与分类类别之间的相关度,其中,A表示特征属性,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望,E(A)表示特征属性A的熵;
根据预设相关度阈值对所述相关度进行筛选,得到目标相关度,其中,所述目标相关度的值大于所述预设相关度阈值;
基于所述目标相关度确定与所述目标相关度所对应的特征属性,得到所述筛选后的特征属性。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,在将所述筛选后的特征属性和曝光状态标签作为所述参考数据集的目标特征向量之后,在获取摄像头拍摄的待测图片之前,所述方法还包括:
根据权重计算算式计算每个特征属性在分类过程中的权重,其中,ωA表示特征属性A在分类过程中的权重,n'表示所述筛选后的特征属性的个数,Hj表示第j个特征属性的熵,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,计算所述目标统计特征向量与所述参考数据集的目标特征向量之间的加权欧氏距离包括:
根据加权欧氏距离计算算式计算所述目标统计特征向量与所述目标特征向量之间的加权欧氏距离,其中,d(X,Y)表示所述加权欧氏距离,ωι表示所述权重,xi表示所述目标统计特征向量,yi表示所述目标特征向量,n表示所述图片样本的个数。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,根据所述加权欧氏距离在所述图片样本中提取距离最小的K个图片样本包括:
将所述加权欧氏距离按照距离大小进行排序,得到递增排序距离序列;
在所述递增排序距离序列中提取距离最小的K个加权欧氏距离;
在所述图片样本中提取与所述K个加权欧氏距离相对应的K个图片样本。
第二方面,本发明实施例还提供了一种曝光时间的确定装置,所述装置包括:
第一获取模块,用于获取摄像头拍摄的待测图片,并确定所述待测图片的目标统计特征向量,其中,所述目标统计特征向量为所述待测图片的灰度直方图中目标特征属性组成的向量,所述目标特征属性为与参考数据集的目标特征向量相对应的特征属性;
第一计算模块,用于计算所述目标统计特征向量与所述参考数据集的目标特征向量之间的加权欧氏距离,其中,所述参考数据集中包括多个带有类别标签的图片样本,所述目标特征向量为预先对所述图片样本的特征属性进行筛选后的特征属性所组成的向量;
第一提取模块,用于根据所述加权欧氏距离在所述图片样本中提取距离最小的K个图片样本,其中,K的值由经验获得,K为不小于3的整数;
第一确定模块,用于根据每个分类类别在所述K个图片样本中的最大出现频率确定所述待测图片所属的目标分类类别,其中,所述分类类别包括:曝光不足,曝光正常,曝光过度;
第二确定模块,如果所述目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,以根据所述目标曝光时间进行图片的拍摄。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述装置还包括:
延长模块,如果所述目标分类类别为曝光不足的类别,则延长当前的曝光时间;
第一设定模块,用于根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为所述待测图片;
第一返回执行模块,用于返回执行确定所述待测图片的目标统计特征向量的步骤,直至确定得到所述待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为所述目标曝光时间。
本发明实施例带来了以下有益效果:
现有技术中,通过对图像整体进行处理,以及通过对图像部分区域进行处理的方法得到的曝光时间不合适,所以在进行图片的拍摄时,拍摄得到的图片清晰度差,实用性差,而通过局部特征与整体特征结合的方式能得到合适的曝光时间,拍摄的图片清晰,但是计算复杂,且只针对于单反相机适用,普适性不好。本发明的曝光时间的确定方法中,先获取摄像头拍摄的待测图片,并确定其目标统计特征向量,进而计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离,进一步根据加权欧氏距离在参考数据集的图片样本中提取距离最小K个图片样本,再通过每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别,最终如果目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,从而根据该目标曝光时间进行图片的拍摄。该方法在进行曝光时间的确定时,简单可行,对于普通的摄像头同样适用,如果待测图片所属的分类类别为曝光正常的类别时,将当前的曝光时间确定为目标曝光时间,因而通过该目标曝光时间进行图片的拍摄时,拍摄得到的图片也更加清晰,兼具了实用性和普适性的特点,缓解了现有技术曝光时间的确定方法无法兼顾实用性和普适性的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种曝光时间的确定方法的方法流程图;
图2为本发明实施例提供的另一种曝光时间的确定方法的方法流程图;
图3为本发明实施例提供的确定目标特征向量的方法流程图;
图4为本发明实施例提供的不同类别的灰度图片样本的示意图;
图5为本发明实施例提供的基于熵权对待处理特征向量中的特征属性进行筛选的方法流程图;
图6为本发明实施例提供的根据加权欧氏距离在图片样本中提取距离最小的K个图片样本的方法流程图;
图7为本发明实施例提供的一种曝光时间的确定装置的功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动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。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种曝光时间的确定方法进行详细介绍。
实施例一:
一种曝光时间的确定方法,参考图1,该方法包括:
S102、获取摄像头拍摄的待测图片,并确定待测图片的目标统计特征向量,其中,目标统计特征向量为待测图片的灰度直方图中目标特征属性组成的向量,目标特征属性为与参考数据集的目标特征向量相对应的特征属性;
在本发明实施例中,该方法适用于普通摄像头,比如日常生活中视频时使用的摄像头,车辆后视镜附近的摄像头等。
具体的,特征属性是指各灰度值所对应的像素点个数。例如:存在一张100*100的图片,也就是它共有10000个像素,该图片的灰度直方图中,其横坐标表示灰度值,灰度值为从0-255的离散整数,纵坐标表示各个灰度值上对应的像素点个数,而特征属性即为每一个灰度值的像素点的个数。这样,这256个灰度值上的所有像素点的个数相加就等于10000。
另外,目标统计特征向量中的元素即为目标特征属性,该目标特征属性为与目标特征向量相对应的特征属性,目标特征向量中的元素也为特征属性,这些特征属性是经过筛选之后剩下的特征属性。
S104、计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离,其中,参考数据集中包括多个带有类别标签的图片样本,目标特征向量为预先对图片样本的特征属性进行筛选后的特征属性所组成的向量;
在得到待测图片的目标统计特征向量后,计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离。下文中再对该计算过程进行详细介绍,在此不再赘述。
另外,下文中再对特征属性筛选的过程进行描述,在此不再赘述。
S106、根据加权欧氏距离在图片样本中提取距离最小的K个图片样本,其中,K的值由经验获得,K为不小于3的整数;
在得到加权欧氏距离后,根据加权欧氏距离在图片样本中提取距离最小的K个图片样本。这K个图片样本为与待测图片最为相似的K个样本。
具体的,K的值由经验获得,针对某一种场景确定一个分类效果最好的固定值,K为不小于3的整数,且K不大于根号下图片样本的个数。
S108、根据每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别,其中,分类类别包括:曝光不足,曝光正常,曝光过度;
在得到K个图片样本后,根据每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别。例如:K的大小为5,也就是得到了5个图片样本,其中5个图片样本中有4个图片样本的分类类别为曝光正常的类别,有1个图片样本的分类类别为曝光不足的类别,加之这5个图片样本为与待测图片最为相似的5个样本,所以就用这5个图片样本的分类类别表征待测图片的分类类别,综上,待测图片所属的目标分类类别即为曝光正常的类别。
S110、如果目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,以根据目标曝光时间进行图片的拍摄。
本发明的曝光时间的确定方法中,先获取摄像头拍摄的待测图片,并确定其目标统计特征向量,进而计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离,进一步根据加权欧氏距离在参考数据集的图片样本中提取距离最小K个图片样本,再通过每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别,最终如果目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,从而根据该目标曝光时间进行图片的拍摄。该方法在进行曝光时间的确定时,简单可行,对于普通的摄像头同样适用,如果待测图片所属的分类类别为曝光正常的类别时,将当前的曝光时间确定为目标曝光时间,因而通过该目标曝光时间进行图片的拍摄时,拍摄得到的图片也更加清晰,兼具了实用性和普适性的特点,缓解了现有技术曝光时间的确定方法无法兼顾实用性和普适性的技术问题。
上述内容对目标分类类别为曝光正常的类别的情况进行了说明,下面对其它情况进行介绍。
在一个可选地实施方式中,参考图2,该方法还包括:
S112、如果目标分类类别为曝光不足的类别,则延长当前的曝光时间;
具体的,如果待测图片所属的目标分类类别为曝光不足的类别,那么延长当前的曝光时间。在实际中,摄像头的曝光时间分为多个档次,如果目标分类类别为曝光不足的类别,那么调高一个曝光档次对应的时间。当然,一个档次对应的曝光时间可根据用户的需求进行调整。
S114、根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为待测图片;
在延长当前的曝光时间后,进而根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为待测图片。
进而,返回执行确定待测图片的目标统计特征向量的步骤,直至确定得到待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为目标曝光时间。
在一个可选地实施方式中,参考图2,该方法还包括:
S116、如果目标分类类别为曝光过度的类别,则缩短当前的曝光时间;
具体的,如果待测图片所属的目标分类类别为曝光过度的类别,那么缩短当前的曝光时间。在实际中,摄像头的曝光时间分为多个档次,如果目标分类类别为曝光过度的类别,那么降低一个曝光档次对应的时间。当然,一个档次对应的曝光时间可根据用户的需求进行调整。
S118、根据缩短后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为待测图片;
在缩短当前的曝光时间后,进而根据缩短后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为待测图片。
进而,返回执行确定待测图片的目标统计特征向量的步骤,直至确定得到待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为目标曝光时间。
上述内容对曝光时间的确定方法进行了整体介绍,下面对整个过程进行详细描述。
在一个可选地实施方式中,参考图3,在获取摄像头拍摄的待测图片之前,该方法还包括:
S301、获取参考数据集;
具体的,先要确定摄像头的工作环境,然后拍摄多张不同曝光条件的图片,并根据人的先验知识将拍摄的图片分类为曝光不足,曝光正常和曝光过度的三类图片,进而将这些图片作为参考数据集。
也就是说,参考数据集中包含有多个带有分类标签的图片样本。
S302、将参考数据集中的多个带有分类标签的图片样本转化为多个灰度图片样本;
在得到参考数据集后,将其中的多个带有分类标签的图片样本转化为多个灰度图片样本。通过摄像头拍摄的图片为彩图,将这些彩图进行颜色去除处理就能够得到灰度图片样本。参考图4,图4中示出了不同类别的灰度图片样本。
S303、提取灰度图片样本的待处理特征向量,其中,待处理特征向量中包含257个元素,前256个元素为灰度直方图的特征属性,第257个元素用于表示曝光状态标签,曝光状态标签用于表示曝光的程度;
在得到多个灰度图片样本后,提取灰度图片样本的待处理特征向量。待处理特征向量中包含257个元素,前256个元素为灰度直方图的特征属性,第257个元素用于表示曝光状态标签,在本发明实施例中,曝光状态标签分别用0,1,2表示。其中,0表示曝光不足,1表示曝光正常,2表示曝光过度。本发明对曝光状态标签的表示形式不进行限定,也可以用其它进行表示。
S304、基于熵权对待处理特征向量中的特征属性进行筛选,得到筛选后的特征属性和曝光状态标签;
在得到待处理特征向量后,基于熵权对待处理特征向量中的特征属性进行筛选,具体的筛选过程将在下文中进行描述,在此不再赘述。
S305、将筛选后的特征属性和曝光状态标签作为参考数据集的目标特征向量。
下面对筛选的过程进行详细介绍:
在一个可选地实施方式中,参考图5,基于熵权对待处理特征向量中的特征属性进行筛选包括:
S501、根据相关度计算算式Corr(A)=I(s0,s2,…,sm)-E(A)计算每个特征属性与分类类别之间的相关度,其中,A表示特征属性,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望,E(A)表示特征属性A的熵;
具体的,其中,μ=1/lnm,m表示分类类别数,在本发明中,即μ=1/ln3,pi表示某一图片样本属于类别Ci的概率(Ci,i=0,1,2,分别对应曝光不足,曝光正常,曝光过度的三种类别),即pi=si/s,s表示图片样本的总样本数,si表示属于类别Ci的样本数。
在对I(s0,s2,…,sm)的计算进行了说明后,继续对E(A)的计算介绍。
具体的,其中,假设特征属性A具有v个不同值{a1,a2,…,av},可以以此将总的图片样本S划分为v个子集{S1,S2,…,Sv},再设sij为子集Sj中类别为Ci的样本数,k=1/lnv,θj=(s0j+s2j+…+smj)/s表示第j个子集的权重,I(s0j,s2j,…,smj)表示子集Sj的期望信息,该I(s0j,s2j,…,smj)的计算过程与I(s0,s2,…,sm)的计算过程类似,其中,表示Sj中的图片样本属于Ci的概率。
为了便于理解,下面对E(A)的计算过程进行举例说明:例如总样本数5,且5张图片样本中前2张图片样本为曝光不足,后3张图片样本为曝光正常。对于灰度值为0所对应的特征属性来讲,假设第一张图片样本中灰度值为0所对应的特征属性为50(也就是第一张图片样本中灰度值为0的像素点个数为50个),第二张图片样本中灰度值为0所对应的特征属性也为50,第三张图片样本中灰度值为0所对应的特征属性为100,第四张图片样本中灰度值为0所对应的特征属性为也100,第五张图片样本中灰度值为0所对应的特征属性还为100,那么特征属性A具有v个不同值{a1,a2,…,av},也就是灰度值为0所对应的特征属性具有2个不同值{50,100}。
可以以此将总的图片样本S划分为v个子集{S1,S2,…,Sv},也就是可以将5张图片样本划分为2个子集{S1,S2},其中,S1={第一张图片样本,第二张图片样本},S2={第三张图片样本,第四张图片样本,第五张图片样本}。
设sij为子集Sj中类别为Ci的样本数,在子集S1中,第一张图片样本和第二张图片样本都为曝光不足(即C0)的图片样本,所以s01等于2,s11等于0,s21等于0,在子集S2中,第三张图片样本,第四张图片样本,第五张图片样本都为曝光正常(即C1)的图片样本,所以s02等于0,s12等于3,s22等于0。
k=1/lnv,即k=1/ln2。θj=(s0j+s2j+…+smj)/s表示第j个子集的权重,也就是第1个子集S1的权重为(s01+s11+s21)/5=2/5,第2个子集S2的权重为(s02+s12+s22)/5=3/5。
这样就能够计算得到在上述举例中E(A)的值。
进而,根据相关度计算算式Corr(A)=I(s0,s2,…,sm)-E(A)就能计算得到灰度值为0所对应的特征属性与分类类别之间的相关度。
S502、根据预设相关度阈值对相关度进行筛选,得到目标相关度,其中,目标相关度的值大于预设相关度阈值;
在得到相关度后,根据预设相关度阈值对相关度进行筛选,删除相关度不大于预设相关度阈值的相关度,保留相关度大于预设相关度阈值的相关度(也就是目标相关度)。
需要说明的是,预设相关度阈值为通过多次实验尝试得到的值,其能使得分类精确度最高。
S503、基于目标相关度确定与目标相关度所对应的特征属性,得到筛选后的特征属性。
在得到目标相关度后,因为相关度为特征属性与分类类别之间的相关度,所以就能够基于目标相关度确定与目标相关度所对应的特征属性,相应的这些特征属性也就是筛选后的特征属性。
可选地,在将筛选后的特征属性和曝光状态标签作为参考数据集的目标特征向量之后,在获取摄像头拍摄的待测图片之前,该方法还包括:
根据权重计算算式计算每个特征属性在分类过程中的权重,其中,ωA表示特征属性A在分类过程中的权重,n'表示筛选后的特征属性的个数,Hj表示第j个特征属性的熵,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望。
具体的,因为不同相关度对分类结果有不同程度的影响,所以需要确定各个特征属性在分类过程中的权重。权重计算算式中各个参量的计算过程可以参考前面对应内容的相关描述,在此不再赘述。
上述内容对筛选的过程进行了详细描述,下面对计算加权欧氏距离的过程进行具体介绍。
在一个可选地实施方式中,计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离包括:
比如:目标统计特征向量为{50,50,100},第一张图片样本的目标特征向量为{40,40,90},第二张图片样本的目标特征向量为{40,40,90},第三张图片样本的目标特征向量为{30,30,90},第四张图片样本的目标特征向量为{20,30,90},第五张图片样本的目标特征向量为{20,40,70},权重为{0.8,0.2,0.7}。那么,目标统计特征向量{50,50,100}与第一张图片样本的目标特征向量{40,40,90}之间的加权欧氏目标统计特征向量与其它图片样本的目标特征向量之间的加权欧氏距离的计算过程与上述计算过程相似,在此不再赘述。
下面对提取K个图片样本的过程进行详细介绍。
在一个可选地实施方式中,参考图6,根据加权欧氏距离在图片样本中提取距离最小的K个图片样本包括:
S601、将加权欧氏距离按照距离大小进行排序,得到递增排序距离序列;
S602、在递增排序距离序列中提取距离最小的K个加权欧氏距离;
S603、在图片样本中提取与K个加权欧氏距离相对应的K个图片样本。
在本发明中,使用了K最近邻算法,它是一种理论上比较成熟的机器学习算法,主要思路是在特征空间中,与待测样本最相近的K个样本与待测样本最为相似,并且进一步推断待测样本与最近邻样本中占多数的样本属于同一类别。K最近邻算法简单可行,易于实现,而且无需估计参数,无需训练,适合于多分类问题。
与传统的K最近邻算法相比,本发明采用了基于熵权的K最临近算法,并不是盲目地将所有的特征无差别的映射到特征空间,而是根据特征与类别之间的相关性,筛选具有更强分类能力的特征,去除“无关紧要”的特征,一方面可以实现一定程度的降维,另一方面还可以强化整个分类器的分类准确率,并且计算待测样本与样本之间的加权欧氏距离,而非单纯的欧氏距离,这样更可以凸显强相关特征的分类能力,使样本距离更加合理,不易偏离而导致误判。
本发明的方法简单可行,无需识别图像的拍摄主体,对于图像拍摄主体主体不在固定区域的图像有很好的效果,可以根据参考数据集使***自动地判断环境亮度,并且分配适当的曝光时间,获取出清晰的图像。
本发明的方法具有以下优点:
1、通过机器学习方法,可以更精确的对当前环境的亮度进行判断,从而选择合适的曝光时间;
2、大大提高了曝光时间的精度,用更合适的曝光值获取更加清晰的图像;
3、训练的样本(即参考数据集中的图片样本)越多,曝光控制的效果越好。
在对司机驾驶行为分析、防疲劳驾驶、值班员在岗状态等进行分析时,需要先得到曝光基本正常的人脸图像,本发明的方法应用于上述司机驾驶行为分析、防疲劳驾驶、值班员在岗状态等监测产品上后,可以在不检测人脸位置的条件下,实现对人脸的正确曝光,实用性好,应用价值高。
实施例二:
一种曝光时间的确定装置,参考图7,该装置包括:
第一获取模块11,用于获取摄像头拍摄的待测图片,并确定待测图片的目标统计特征向量,其中,目标统计特征向量为待测图片的灰度直方图中目标特征属性组成的向量,目标特征属性为与参考数据集的目标特征向量相对应的特征属性;
第一计算模块12,用于计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离,其中,参考数据集中包括多个带有类别标签的图片样本,目标特征向量为预先对图片样本的特征属性进行筛选后的特征属性所组成的向量;
第一提取模块13,用于根据加权欧氏距离在图片样本中提取距离最小的K个图片样本,其中,K的值由经验获得,K为不小于3的整数;
第一确定模块14,用于根据每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别,其中,分类类别包括:曝光不足,曝光正常,曝光过度;
第二确定模块15,如果目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,以根据目标曝光时间进行图片的拍摄。
本发明的曝光时间的确定装置中,先获取摄像头拍摄的待测图片,并确定其目标统计特征向量,进而计算目标统计特征向量与参考数据集的目标特征向量之间的加权欧氏距离,进一步根据加权欧氏距离在参考数据集的图片样本中提取距离最小K个图片样本,再通过每个分类类别在K个图片样本中的最大出现频率确定待测图片所属的目标分类类别,最终如果目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,从而根据该目标曝光时间进行图片的拍摄。该装置在进行曝光时间的确定时,简单可行,对于普通的摄像头同样适用,如果待测图片所属的分类类别为曝光正常的类别时,将当前的曝光时间确定为目标曝光时间,因而通过该目标曝光时间进行图片的拍摄时,拍摄得到的图片也更加清晰,兼具了实用性和普适性的特点,缓解了现有技术曝光时间的确定方法无法兼顾实用性和普适性的技术问题。
可选地,该装置还包括:
延长模块,如果目标分类类别为曝光不足的类别,则延长当前的曝光时间;
第一设定模块,用于根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为待测图片;
第一返回执行模块,用于返回执行确定待测图片的目标统计特征向量的步骤,直至确定得到待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为目标曝光时间。
可选地,该装置还包括:
缩短模块,如果目标分类类别为曝光过度的类别,则缩短当前的曝光时间;
第二设定模块,根据缩短后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为待测图片;
第二返回执行模块,返回执行确定待测图片的目标统计特征向量的步骤,直至确定得到待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为目标曝光时间。
可选地,该装置还包括:
第二获取模块,用于获取参考数据集;
转化模块,用于将参考数据集中的多个带有分类标签的图片样本转化为多个灰度图片样本;
第二提取模块,用于提取灰度图片样本的待处理特征向量,其中,待处理特征向量中包含257个元素,前256个元素为灰度直方图的特征属性,第257个元素用于表示曝光状态标签,曝光状态标签用于表示曝光的程度;
筛选模块,用于基于熵权对待处理特征向量中的特征属性进行筛选,得到筛选后的特征属性和曝光状态标签;
第三设定模块,用于将筛选后的特征属性和曝光状态标签作为参考数据集的目标特征向量。
可选地,筛选模块包括:
第一计算单元,用于根据相关度计算算式Corr(A)=I(s0,s2,…,sm)-E(A)计算每个特征属性与分类类别之间的相关度,其中,A表示特征属性,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望,E(A)表示特征属性A的熵;
筛选单元,用于根据预设相关度阈值对相关度进行筛选,得到目标相关度,其中,目标相关度的值大于预设相关度阈值;
确定单元,用于基于目标相关度确定与目标相关度所对应的特征属性,得到筛选后的特征属性。
可选地,该装置还包括:
第二计算模块,用于根据权重计算算式计算每个特征属性在分类过程中的权重,其中,ωA表示特征属性A在分类过程中的权重,n'表示筛选后的特征属性的个数,Hj表示第j个特征属性的熵,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望。
可选地,第一计算模块包括:
第二计算单元,用于根据加权欧氏距离计算算式计算目标统计特征向量与目标特征向量之间的加权欧氏距离,其中,d(X,Y)表示加权欧氏距离,ωι表示权重,xi表示目标统计特征向量,yi表示目标特征向量,n表示图片样本的个数。
可选地,第一提取模块包括:
排序单元,用于将加权欧氏距离按照距离大小进行排序,得到递增排序距离序列;
第一提取单元,用于在递增排序距离序列中提取距离最小的K个加权欧氏距离;
第二提取单元,用于在图片样本中提取与K个加权欧氏距离相对应的K个图片样本。
该实施例二中的具体内容可参考上述实施例一中的描述,在此不再赘述。
本发明实施例所提供的曝光时间的确定方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,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,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种曝光时间的确定方法,其特征在于,所述方法包括:
获取摄像头拍摄的待测图片,并确定所述待测图片的目标统计特征向量,其中,所述目标统计特征向量为所述待测图片的灰度直方图中目标特征属性组成的向量,所述目标特征属性为与参考数据集的目标特征向量相对应的特征属性;
计算所述目标统计特征向量与所述参考数据集的目标特征向量之间的加权欧氏距离,其中,所述参考数据集中包括多个带有类别标签的图片样本,所述目标特征向量为预先对所述图片样本的特征属性进行筛选后的特征属性所组成的向量;
根据所述加权欧氏距离在所述图片样本中提取距离最小的K个图片样本,其中,K的值由经验获得,K为不小于3的整数;
根据每个分类类别在所述K个图片样本中的最大出现频率确定所述待测图片所属的目标分类类别,其中,所述分类类别包括:曝光不足,曝光正常,曝光过度;
如果所述目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,以根据所述目标曝光时间进行图片的拍摄;
在获取摄像头拍摄的待测图片之前,所述方法还包括:
获取所述参考数据集;
将所述参考数据集中的多个带有分类标签的图片样本转化为多个灰度图片样本;
提取所述灰度图片样本的待处理特征向量,其中,所述待处理特征向量中包含257个元素,前256个元素为灰度直方图的特征属性,第257个元素用于表示曝光状态标签,所述曝光状态标签用于表示曝光的程度;
基于熵权对所述待处理特征向量中的特征属性进行筛选,得到筛选后的特征属性和曝光状态标签;
将所述筛选后的特征属性和曝光状态标签作为所述参考数据集的目标特征向量。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述目标分类类别为曝光不足的类别,则延长当前的曝光时间;
根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为所述待测图片;
返回执行确定所述待测图片的目标统计特征向量的步骤,直至确定得到所述待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为所述目标曝光时间。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述目标分类类别为曝光过度的类别,则缩短当前的曝光时间;
根据缩短后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为所述待测图片;
返回执行确定所述待测图片的目标统计特征向量的步骤,直至确定得到所述待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为所述目标曝光时间。
4.根据权利要求1所述的方法,其特征在于,基于熵权对所述待处理特征向量中的特征属性进行筛选包括:
根据相关度计算算式Corr(A)=I(s0,s2,…,sm)-E(A)计算每个特征属性与分类类别之间的相关度,其中,A表示特征属性,Corr(A)表示特征属性A与分类类别之间的相关度,I(s0,s2,…,sm)表示图片样本分类所需的期望,E(A)表示特征属性A的熵;
根据预设相关度阈值对所述相关度进行筛选,得到目标相关度,其中,所述目标相关度的值大于所述预设相关度阈值;
基于所述目标相关度确定与所述目标相关度所对应的特征属性,得到所述筛选后的特征属性。
7.根据权利要求1所述的方法,其特征在于,根据所述加权欧氏距离在所述图片样本中提取距离最小的K个图片样本包括:
将所述加权欧氏距离按照距离大小进行排序,得到递增排序距离序列;
在所述递增排序距离序列中提取距离最小的K个加权欧氏距离;
在所述图片样本中提取与所述K个加权欧氏距离相对应的K个图片样本。
8.一种曝光时间的确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取摄像头拍摄的待测图片,并确定所述待测图片的目标统计特征向量,其中,所述目标统计特征向量为所述待测图片的灰度直方图中目标特征属性组成的向量,所述目标特征属性为与参考数据集的目标特征向量相对应的特征属性;
第一计算模块,用于计算所述目标统计特征向量与所述参考数据集的目标特征向量之间的加权欧氏距离,其中,所述参考数据集中包括多个带有类别标签的图片样本,所述目标特征向量为预先对所述图片样本的特征属性进行筛选后的特征属性所组成的向量;
第一提取模块,用于根据所述加权欧氏距离在所述图片样本中提取距离最小的K个图片样本,其中,K的值由经验获得,K为不小于3的整数;
第一确定模块,用于根据每个分类类别在所述K个图片样本中的最大出现频率确定所述待测图片所属的目标分类类别,其中,所述分类类别包括:曝光不足,曝光正常,曝光过度;
第二确定模块,如果所述目标分类类别为曝光正常的类别,则将当前的曝光时间确定为目标曝光时间,以根据所述目标曝光时间进行图片的拍摄;
还包括:
第二获取模块,用于获取所述参考数据集;
转化模块,用于将所述参考数据集中的多个带有分类标签的图片样本转化为多个灰度图片样本;
第二提取模块,用于提取所述灰度图片样本的待处理特征向量,其中,所述待处理特征向量中包含257个元素,前256个元素为灰度直方图的特征属性,第257个元素用于表示曝光状态标签,所述曝光状态标签用于表示曝光的程度;
筛选模块,用于基于熵权对所述待处理特征向量中的特征属性进行筛选,得到筛选后的特征属性和曝光状态标签;
第三设定模块,用于将所述筛选后的特征属性和曝光状态标签作为所述参考数据集的目标特征向量。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
延长模块,如果所述目标分类类别为曝光不足的类别,则延长当前的曝光时间;
第一设定模块,用于根据延长后的曝光时间进行图片的拍摄,并将拍摄得到的图片作为所述待测图片;
第一返回执行模块,用于返回执行确定所述待测图片的目标统计特征向量的步骤,直至确定得到所述待测图片所属的目标分类类别为曝光正常的类别为止,并将此时对应的曝光时间作为所述目标曝光时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810562974.7A CN108769543B (zh) | 2018-06-01 | 2018-06-01 | 曝光时间的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810562974.7A CN108769543B (zh) | 2018-06-01 | 2018-06-01 | 曝光时间的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108769543A CN108769543A (zh) | 2018-11-06 |
CN108769543B true CN108769543B (zh) | 2020-12-18 |
Family
ID=64002538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810562974.7A Expired - Fee Related CN108769543B (zh) | 2018-06-01 | 2018-06-01 | 曝光时间的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108769543B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766025B (zh) * | 2019-11-04 | 2022-03-01 | 上海喜通装饰材料有限公司 | 空域目标状态数据识别*** |
CN111246091B (zh) * | 2020-01-16 | 2021-09-03 | 北京迈格威科技有限公司 | 一种动态自动曝光控制方法和装置及电子设备 |
CN115633259B (zh) * | 2022-11-15 | 2023-03-10 | 深圳市泰迅数码有限公司 | 基于人工智能的智能摄像头自动调控方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11154235A (ja) * | 1997-11-21 | 1999-06-08 | Dainippon Screen Mfg Co Ltd | 画像の参照濃度値の抽出方法およびその装置、並びに画像処理装置 |
CN101399924A (zh) * | 2007-09-25 | 2009-04-01 | 展讯通信(上海)有限公司 | 基于亮度直方图的自动曝光方法和装置 |
CN102438107A (zh) * | 2011-08-09 | 2012-05-02 | 宁波大学 | 一种显微视频图像的处理方法 |
CN103617432A (zh) * | 2013-11-12 | 2014-03-05 | 华为技术有限公司 | 一种场景识别方法及装置 |
CN103731660A (zh) * | 2012-10-12 | 2014-04-16 | 辉达公司 | 用于优化数字相机中图像质量的***和方法 |
CN105872351A (zh) * | 2015-12-08 | 2016-08-17 | 乐视移动智能信息技术(北京)有限公司 | 逆光场景的照片拍摄方法和装置 |
CN106603933A (zh) * | 2016-12-16 | 2017-04-26 | 中新智擎有限公司 | 一种曝光方法和装置 |
CN107810505A (zh) * | 2015-03-27 | 2018-03-16 | 英特尔公司 | 实时图像捕获参数的机器学习 |
CN107945107A (zh) * | 2017-11-30 | 2018-04-20 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7184080B2 (en) * | 2001-06-25 | 2007-02-27 | Texas Instruments Incorporated | Automatic white balancing via illuminant scoring |
-
2018
- 2018-06-01 CN CN201810562974.7A patent/CN108769543B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11154235A (ja) * | 1997-11-21 | 1999-06-08 | Dainippon Screen Mfg Co Ltd | 画像の参照濃度値の抽出方法およびその装置、並びに画像処理装置 |
CN101399924A (zh) * | 2007-09-25 | 2009-04-01 | 展讯通信(上海)有限公司 | 基于亮度直方图的自动曝光方法和装置 |
CN102438107A (zh) * | 2011-08-09 | 2012-05-02 | 宁波大学 | 一种显微视频图像的处理方法 |
CN103731660A (zh) * | 2012-10-12 | 2014-04-16 | 辉达公司 | 用于优化数字相机中图像质量的***和方法 |
CN103617432A (zh) * | 2013-11-12 | 2014-03-05 | 华为技术有限公司 | 一种场景识别方法及装置 |
CN107810505A (zh) * | 2015-03-27 | 2018-03-16 | 英特尔公司 | 实时图像捕获参数的机器学习 |
CN105872351A (zh) * | 2015-12-08 | 2016-08-17 | 乐视移动智能信息技术(北京)有限公司 | 逆光场景的照片拍摄方法和装置 |
CN106603933A (zh) * | 2016-12-16 | 2017-04-26 | 中新智擎有限公司 | 一种曝光方法和装置 |
CN107945107A (zh) * | 2017-11-30 | 2018-04-20 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Non-Patent Citations (2)
Title |
---|
基于熵权的K最临近算法改进;王增民,王开珏;《计算机工程与应用》;20091204;第45卷(第30期);第129-131、160页 * |
证件照的质量预检测***;樊田田;《中国优秀硕士学位论文全文数据库信息科技辑》;20151215(第12期);第六章,第48-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108769543A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10666873B2 (en) | Exposure-related intensity transformation | |
AU2017261537B2 (en) | Automated selection of keeper images from a burst photo captured set | |
US7916173B2 (en) | Method for detecting and selecting good quality image frames from video | |
JP4611069B2 (ja) | 特定シーンの画像を選別する装置、プログラムおよびプログラムを記録した記録媒体 | |
US8811733B2 (en) | Method of chromatic classification of pixels and method of adaptive enhancement of a color image | |
JP4335476B2 (ja) | 画像の顕著性及びアピール性に基づいて写真印画の数、寸法、及び、倍率を変更する方法 | |
US7933454B2 (en) | Class-based image enhancement system | |
JP5389903B2 (ja) | 最適映像選択 | |
KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
CN110807759B (zh) | 照片质量的评价方法及装置、电子设备、可读存储介质 | |
JP2004357277A (ja) | デジタル画像処理方法 | |
CN108769543B (zh) | 曝光时间的确定方法及装置 | |
AU2006252252A1 (en) | Image processing method and apparatus | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN113691724B (zh) | Hdr场景检测方法与装置、终端及可读存储介质 | |
CN108961209B (zh) | 行人图像质量评价方法、电子设备及计算机可读介质 | |
WO2017177559A1 (zh) | 一种图像管理方法和装置 | |
US8452116B1 (en) | Estimating sensor sensitivity | |
CN114240925A (zh) | 一种文档图像清晰度的检测方法及其*** | |
CN116703739A (zh) | 图像增强方法及设备 | |
CN110288560B (zh) | 一种图像模糊检测方法及装置 | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
Muratov et al. | A segment-based image saliency detection | |
JP2005122688A (ja) | 画像処理方法および装置並びにプログラム | |
CN116958113A (zh) | 一种产品检测方法、装置、设备及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |