CN111985527A - 一种逆光图像自动检测方法 - Google Patents

一种逆光图像自动检测方法 Download PDF

Info

Publication number
CN111985527A
CN111985527A CN202010631150.8A CN202010631150A CN111985527A CN 111985527 A CN111985527 A CN 111985527A CN 202010631150 A CN202010631150 A CN 202010631150A CN 111985527 A CN111985527 A CN 111985527A
Authority
CN
China
Prior art keywords
image
images
region
training set
backlight
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.)
Granted
Application number
CN202010631150.8A
Other languages
English (en)
Other versions
CN111985527B (zh
Inventor
张二虎
段敬红
李贝
陈凯
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.)
Guangzhou Zhuohang Information Technology Co ltd
Original Assignee
Xian University 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010631150.8A priority Critical patent/CN111985527B/zh
Publication of CN111985527A publication Critical patent/CN111985527A/zh
Application granted granted Critical
Publication of CN111985527B publication Critical patent/CN111985527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Multimedia (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明一种逆光图像自动检测方法，过程为：照度图像、正常光照图像、逆光图像这三种类型的图像，并对这些类型的图像分别赋予类别标签0、1、2，按照7：3的比例，随机形成训练集图像和测试集图像；提取训练集图像降维后的分布特征、信息熵差异特征、空间区域特征；将降维后的分布特征、信息熵差异特征、空间区域特征融合，设计并训练SVM模型；对待检测图像，提取该图像特征并进行融合，用输入训练好的SVM模型判断其是否为逆光图像。本发明的方法，克服了现有检测方法中数据采集不够全面的问题，针对逆光图像的特点，设计了有针对性的空间区域特征并提取了多种特征，较为精确的表征逆光图像的特性；提高了逆光图像检测的准确度。

Description

一种逆光图像自动检测方法
技术领域
本发明属于数字图像处理技术领域，具体涉及一种逆光图像自动检测方法。
背景技术
随着数码设备的飞速发展，图像获取愈加方便，已被广泛应用于社会生活的各个领域。但由于环境的约束，被拍摄主体不得不处于逆光环境中，加之拍摄设备硬件的限制，不可避免地会出现逆光图像，大大降低了图像获取的质量。为此需要对逆光图像进行自动增强处理，但增强前需要首先判断一幅获取的图像是否是逆光图像，即要进行逆光图像的自动检测。
现有的针对逆光图像的检测方法主要基于直方图特征及细节变化特征进行判断。存在的问题是：(1)一般将图像划分为正常图像和逆光图像两类，没有按照拍摄三要素的空间位置分布来划分图像，导致数据集分布不合理，从而影响了检测的准确率；(2)逆光图像既有欠曝光区域又有过曝光区域，现有方法提取的特征不够全面且对逆光图像特性的考虑无针对性，导致提取的特征缺失及不够鲁棒，影响了检测的性能。本发明针对逆光图像的特点，从样本数据集的采样、特征设计的针对性及特征的充分性等方面考虑，设计了一种逆光图像自动检测方法，提高了检测的准确性。
发明内容
本发明的目的是提供一种逆光图像自动检测方法，解决现有技术中存在的特征不够全面、鲁棒导致检测准确率低的问题。
本发明所采用的技术方案是，一种逆光图像自动检测方法，具体按照以下步骤实施：
步骤1、采集低照度图像、正常光照图像、逆光图像这三种类型的图像，并对这些类型的图像分别赋予类别标签0、1、2，按照7：3的比例，随机形成训练集图像和测试集图像；
步骤2、提取训练集图像降维后的分布特征、信息熵差异特征、空间区域特征；
步骤3、将降维后的分布特征、信息熵差异特征、空间区域特征融合，设计并训练SVM模型，用测试集中的图像对SVM模型进行验证；
步骤4、对待检测图像，按照步骤2提取该图像降维后的分布特征、信息熵差异特征、空间区域特征并进行融合，用输入训练好的SVM模型判断其是否为逆光图像。
本发明的特点还在于：
步骤2具体过程为：
步骤2.1、提取训练集图像亮度分布直方图特征并进行归一化处理，进一步采用线性判别分析法LDA将亮度分布直方图特征进行降维，形成降维后的分布特征；
步骤2.2、采用伽马校正，提取训练集图像伽马校正前后的信息熵差异特征；
步骤2.3、将训练集图像划分为5个区域，提取各区域的亮度均值和方差，计算空间区域特征。
步骤2.1具体过程为：
步骤2.1.1、设训练集中的图像为f(x,y)，其大小为w×h，亮度分布直方图为：his＝[h0,h1，…，h255]，其中
Figure BDA0002568797790000031
步骤2.1.2、对亮度分布直方图采用最大-最小归一化方法进行归一化处理；
步骤2.1.3、采用LDA降维方法，对归一化后的亮度分布直方图特征降至2维，设降维后的亮度分布直方图特征为：
Figure BDA0002568797790000032
步骤2.2具体过程为：
步骤2.2.1、设训练集中的图像为f(x,y)，分别选取γ＝0.3、γ＝1.5进行增强，设增强后图像为g1(x,y)和g2(x,y)；
步骤2.2.2、计算增强前后的图像的信息熵Ef、
Figure BDA0002568797790000033
Figure BDA0002568797790000034
其中信息熵的计算公式为
Figure BDA0002568797790000035
步骤2.2.3、计算增强前后的图像的信息熵差异特征D＝[ΔD1,ΔD2]，其中
Figure BDA0002568797790000036
Figure BDA0002568797790000037
步骤2.3具体过程为：
步骤2.3.1、对训练集中的图像划分为5个区域，记为Ri(i＝1,2,3,4,5)；
步骤2.3.2、求取每个区域的平均亮度值mi(i＝1,2,3,4,5)，其中
Figure BDA0002568797790000038
Ni为区域Ri中的像素数；
步骤2.3.3、求取每个区域的亮度方差vi(i＝1,2,3,4,5)，其中
Figure BDA0002568797790000039
步骤2.3.4、求取空间区域特征
Figure BDA00025687977900000310
对训练集中的图像划分为5个区域具体过程为：区域R1为从图像起始行开始到
Figure BDA00025687977900000311
行的区域，区域R2为从
Figure BDA00025687977900000312
行到
Figure BDA00025687977900000313
行、从起始列到
Figure BDA00025687977900000314
列组成的区域，区域R3为从
Figure BDA0002568797790000041
行到
Figure BDA0002568797790000042
行、从
Figure BDA0002568797790000043
列到
Figure BDA0002568797790000044
列组成的区域，区域R4为从
Figure BDA0002568797790000045
行到
Figure BDA0002568797790000046
行、从
Figure BDA0002568797790000047
列到最后一列组成的区域，区域R5为从图像
Figure BDA0002568797790000048
行到最后一行组成的区域。
步骤3具体过程为：
步骤3.1、融合降维后的分布特征、信息熵差异特征、空间区域特征融合为：
Figure BDA0002568797790000049
步骤3.2、采用径向基核函数，使用训练集中的图像及类别标签训练SVM分类器，用测试集图像验证分类器的检测性能。
本发明的有益效果是：
本发明一种逆光图像自动检测方法，(1)按照拍摄三要素的空间位置分布来采集图像，克服了现有检测方法中数据采集不够全面的问题，从而影响分类的性能；(2)针对逆光图像的特点，设计了有针对性的空间区域特征并提取了多种特征，可以较为精确的表征逆光图像的特性；(3)可以自动检测逆光图像，提高了检测的准确度。
附图说明
图1是本发明的一种逆光图像自动检测方法的流程图；
图2是本发明中提取空间区域特征时的图像空间划分示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种逆光图像自动检测方法，如图1所示，具体按照以下步骤实施：
步骤1、采集低照度图像、正常光照图像、逆光图像这三种类型的图像，并对这些类型的图像分别赋予类别标签0、1、2，按照7：3的比例，随机形成训练集图像和测试集图像；
步骤2、提取训练集图像降维后的分布特征、信息熵差异特征、空间区域特征；具体过程为：
步骤2.1、提取训练集图像亮度分布直方图特征并进行归一化处理，进一步采用线性判别分析法LDA将亮度分布直方图特征进行降维，形成降维后的分布特征；
步骤2.1具体过程为：
步骤2.1.1、设训练集中的图像为f(x,y)，其大小为w×h，亮度分布直方图为：his＝[h0,h1，…，h255]，其中
Figure BDA0002568797790000051
步骤2.1.2、对亮度分布直方图采用最大-最小归一化方法进行归一化处理；
步骤2.1.3、采用LDA降维方法，对归一化后的亮度分布直方图特征降至2维，设降维后的亮度分布直方图特征为：
Figure BDA0002568797790000052
步骤2.2、采用伽马校正，提取训练集图像伽马校正前后的信息熵差异特征；
步骤2.2具体过程为：
步骤2.2.1、设训练集中的图像为f(x,y)，分别选取γ＝0.3、γ＝1.5进行增强，设增强后图像为g1(x,y)和g2(x,y)；
步骤2.2.2、计算增强前后的图像的信息熵Ef、
Figure BDA0002568797790000053
Figure BDA0002568797790000054
其中信息熵的计算公式为
Figure BDA0002568797790000055
步骤2.2.3、计算增强前后的图像的信息熵差异特征D＝[ΔD1,ΔD2]，其中
Figure BDA0002568797790000061
Figure BDA0002568797790000062
步骤2.3、将训练集图像划分为5个区域，提取各区域的亮度均值和方差，计算空间区域特征。
步骤2.3具体过程为：
步骤2.3.1、对训练集中的图像划分为5个区域，记为Ri(i＝1,2,3,4,5)；
如图2所示，对训练集中的图像划分为5个区域具体过程为：区域R1为从图像起始行开始到
Figure BDA0002568797790000063
行的区域，区域R2为从
Figure BDA0002568797790000064
行到
Figure BDA0002568797790000065
行、从起始列到
Figure BDA0002568797790000066
列组成的区域，区域R3为从
Figure BDA0002568797790000067
行到
Figure BDA0002568797790000068
行、从
Figure BDA0002568797790000069
列到
Figure BDA00025687977900000610
列组成的区域，区域R4为从
Figure BDA00025687977900000611
行到
Figure BDA00025687977900000612
行、从
Figure BDA00025687977900000613
列到最后一列组成的区域，区域R5为从图像
Figure BDA00025687977900000614
行到最后一行组成的区域。
步骤2.3.2、求取每个区域的平均亮度值mi(i＝1,2,3,4,5)，其中
Figure BDA00025687977900000615
Ni为区域Ri中的像素数；
步骤2.3.3、求取每个区域的亮度方差vi(i＝1,2,3,4,5)，其中
Figure BDA00025687977900000616
步骤2.3.4、求取空间区域特征
Figure BDA00025687977900000617
步骤3、将降维后的分布特征、信息熵差异特征、空间区域特征融合，设计并训练SVM模型，用测试集中的图像对SVM模型进行验证；
步骤3具体过程为：
步骤3.1、融合降维后的分布特征、信息熵差异特征、空间区域特征融合为：
Figure BDA00025687977900000618
步骤3.2、采用径向基核函数，使用训练集中的图像及类别标签训练SVM分类器，用测试集图像验证分类器的检测性能。
步骤4、对待检测图像，按照步骤2提取该图像降维后的分布特征、信息熵差异特征、空间区域特征并进行融合，用输入训练好的SVM模型判断其是否为逆光图像。
为了进一步说明本发明逆光图像自动检测方法，通过数码相机、手机及互联网上搜集等方法，采集了低照度图像187幅、正常光照图像430幅和逆光图像429幅共1046幅图像，构建了检测用的数据集，数据集中的图像不仅有人物图像还包括建筑物、动物等类型的图像。为了验证直方图特征归一化和降维对逆光图像检测准确率的影响，对直方图特征不进行归一化时的检测准确率为38.54％，特征归一化后的检测准确率为67.20％；在归一化的基础进一步分析了特征降维对检测准确率的影响，当归一化直方图特征分别降至1维和2维时检测准确率分别为67.20％和83.76％，因此本发明中将直方图特征归一化和降至2为维。对于信息熵差异特征，分析了伽马值从0到8、间隔变化为0.1时的低照度图像、正常光照图像和逆光图像的平均信息熵差异，发现在伽马值为0.3和1.5时这三类图像的平均信息熵差异值区别较大。对于空间特征，由于拍摄的主体主要在图像的中间区域，因此采用了分区域的方法，通过对空间特征参数设置阈值进行逆光图像的判断，其对逆光图像的检测准确率可以达到88.37％。最后融合这三个特征参数，对逆光图像的检测准确率可以达到91.34％。
对于同一组图像，采用基于亮度直方图方法的检测准确率84.00％，采用基于细节特征法的检测准确率86.25％，本发明的方法检测准确率可以达到91.34％；由此可知，采用本发明方法可以自动检测逆光图像，能够有效提高了逆光图像检测的准确率。
通过上述方式，本发明一种逆光图像自动检测方法，(1)按照拍摄三要素的空间位置分布来采集图像，克服了现有检测方法中数据采集不够全面的问题，从而影响分类的性能；(2)针对逆光图像的特点，设计了有针对性的空间区域特征并提取了多种特征，可以较为精确的表征逆光图像的特性；(3)可以自动检测逆光图像，提高了检测的准确度。

Claims (7)

1.一种逆光图像自动检测方法，其特征在于，具体按照以下步骤实施：
步骤1、采集低照度图像、正常光照图像、逆光图像这三种类型的图像，并对这些类型的图像分别赋予类别标签0、1、2，按照7：3的比例，随机形成训练集图像和测试集图像；
步骤2、提取训练集图像降维后的分布特征、信息熵差异特征、空间区域特征；
步骤3、将降维后的分布特征、信息熵差异特征、空间区域特征融合，设计并训练SVM模型，用测试集中的图像对SVM模型进行验证；
步骤4、对待检测图像，按照步骤2提取该图像降维后的分布特征、信息熵差异特征、空间区域特征并进行融合，用输入训练好的SVM模型判断其是否为逆光图像。
2.根据权利要求1所述一种逆光图像自动检测方法，其特征在于，步骤2具体过程为：
步骤2.1、提取训练集图像亮度分布直方图特征并进行归一化处理，进一步采用线性判别分析法LDA将亮度分布直方图特征进行降维，形成降维后的分布特征；
步骤2.2、采用伽马校正，提取训练集图像伽马校正前后的信息熵差异特征；
步骤2.3、将训练集图像划分为5个区域，提取各区域的亮度均值和方差，计算空间区域特征。
3.根据权利要求2所述一种逆光图像自动检测方法，其特征在于，步骤2.1具体过程为：
步骤2.1.1、设训练集中的图像为f(x,y)，其大小为w×h，亮度分布直方图为：his＝[h0,h1，…，h255]，其中
Figure FDA0002568797780000021
步骤2.1.2、对亮度分布直方图采用最大-最小归一化方法进行归一化处理；
步骤2.1.3、采用LDA降维方法，对归一化后的亮度分布直方图特征降至2维，设降维后的亮度分布直方图特征为：
Figure FDA0002568797780000022
4.根据权利要求2所述一种逆光图像自动检测方法，其特征在于，步骤2.2具体过程为：
步骤2.2.1、设训练集中的图像为f(x,y)，分别选取γ＝0.3、γ＝1.5进行增强，设增强后图像为g1(x,y)和g2(x,y)；
步骤2.2.2、计算增强前后的图像的信息熵Ef、
Figure FDA0002568797780000023
其中信息熵的计算公式为
Figure FDA0002568797780000024
步骤2.2.3、计算增强前后的图像的信息熵差异特征D＝[ΔD1,ΔD2]，其中
Figure FDA0002568797780000025
5.根据权利要求2所述一种逆光图像自动检测方法，其特征在于，步骤2.3具体过程为：
步骤2.3.1、对训练集中的图像划分为5个区域，记为Ri(i＝1,2,3,4,5)；
步骤2.3.2、求取每个区域的平均亮度值mi(i＝1,2,3,4,5)，其中
Figure FDA0002568797780000026
Ni为区域Ri中的像素数；
步骤2.3.3、求取每个区域的亮度方差vi(i＝1,2,3,4,5)，其中
Figure FDA0002568797780000027
步骤2.3.4、求取空间区域特征
Figure FDA0002568797780000028
6.根据权利要求1所述一种逆光图像自动检测方法，其特征在于，所述对训练集中的图像划分为5个区域具体过程为：区域R1为从图像起始行开始到
Figure FDA0002568797780000031
行的区域，区域R2为从
Figure FDA0002568797780000032
行到
Figure FDA0002568797780000033
行、从起始列到
Figure FDA0002568797780000034
列组成的区域，区域R3为从
Figure FDA0002568797780000035
行到
Figure FDA0002568797780000036
行、从
Figure FDA0002568797780000037
列到
Figure FDA0002568797780000038
列组成的区域，区域R4为从
Figure FDA0002568797780000039
行到
Figure FDA00025687977800000310
行、从
Figure FDA00025687977800000311
列到最后一列组成的区域，区域R5为从图像
Figure FDA00025687977800000312
行到最后一行组成的区域。
7.根据权利要求1所述一种逆光图像自动检测方法，其特征在于，步骤3具体过程为：
步骤3.1、融合降维后的分布特征、信息熵差异特征、空间区域特征融合为：
Figure FDA00025687977800000313
步骤3.2、采用径向基核函数，使用训练集中的图像及类别标签训练SVM分类器，用测试集图像验证分类器的检测性能。
CN202010631150.8A 2020-07-03 2020-07-03 一种逆光图像自动检测方法 Active CN111985527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010631150.8A CN111985527B (zh) 2020-07-03 2020-07-03 一种逆光图像自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010631150.8A CN111985527B (zh) 2020-07-03 2020-07-03 一种逆光图像自动检测方法

Publications (2)

Publication Number Publication Date
CN111985527A true CN111985527A (zh) 2020-11-24
CN111985527B CN111985527B (zh) 2024-05-17

Family

ID=73438263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010631150.8A Active CN111985527B (zh) 2020-07-03 2020-07-03 一种逆光图像自动检测方法

Country Status (1)

Country Link
CN (1) CN111985527B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488054A (zh) * 2020-12-17 2021-03-12 深圳市优必选科技股份有限公司 一种人脸识别方法、装置、终端设备及存储介质
CN113822819A (zh) * 2021-10-15 2021-12-21 Oppo广东移动通信有限公司 Hdr场景检测方法与装置、终端及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011076198A (ja) * 2009-09-29 2011-04-14 Mitsubishi Electric Corp 画像処理装置、画像処理用プログラムおよび画像処理方法
CN102196182A (zh) * 2010-03-09 2011-09-21 株式会社理光 逆光检测设备及逆光检测方法
CN104050676A (zh) * 2014-06-30 2014-09-17 成都品果科技有限公司 一种基于Logistic回归模型的逆光图像检测方法及装置
CN109587395A (zh) * 2018-11-23 2019-04-05 福建工程学院 一种基于图像处理和虚拟增强的防止眩光的***及其实现方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011076198A (ja) * 2009-09-29 2011-04-14 Mitsubishi Electric Corp 画像処理装置、画像処理用プログラムおよび画像処理方法
CN102196182A (zh) * 2010-03-09 2011-09-21 株式会社理光 逆光检测设备及逆光检测方法
CN104050676A (zh) * 2014-06-30 2014-09-17 成都品果科技有限公司 一种基于Logistic回归模型的逆光图像检测方法及装置
CN109587395A (zh) * 2018-11-23 2019-04-05 福建工程学院 一种基于图像处理和虚拟增强的防止眩光的***及其实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
满乐;赵钰;王好贤;: "改进非线性亮度提升模型的逆光图像恢复", 计算机应用, no. 02 *
郭倩;朱振峰;常冬霞;赵耀;: "融合全局与局部区域亮度的逆光图像增强算法", 信号处理, no. 02 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488054A (zh) * 2020-12-17 2021-03-12 深圳市优必选科技股份有限公司 一种人脸识别方法、装置、终端设备及存储介质
US20220198224A1 (en) * 2020-12-17 2022-06-23 Ubtech Robotics Corp Ltd Face recognition method, terminal device using the same, and computer readable storage medium
US11709914B2 (en) * 2020-12-17 2023-07-25 Ubtech Robotics Corp Ltd Face recognition method, terminal device using the same, and computer readable storage medium
CN112488054B (zh) * 2020-12-17 2023-10-27 深圳市优必选科技股份有限公司 一种人脸识别方法、装置、终端设备及存储介质
CN113822819A (zh) * 2021-10-15 2021-12-21 Oppo广东移动通信有限公司 Hdr场景检测方法与装置、终端及可读存储介质
CN113822819B (zh) * 2021-10-15 2023-10-27 Oppo广东移动通信有限公司 Hdr场景检测方法与装置、终端及可读存储介质

Also Published As

Publication number Publication date
CN111985527B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN111931758B (zh) 一种结合面部静脉的人脸识别方法及装置
CN111178120B (zh) 一种基于作物识别级联技术的害虫图像检测方法
US8942469B2 (en) Method for classification of videos
CN111611907B (zh) 一种图像增强的红外目标检测方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN108563975B (zh) 一种基于深度学习的高密度人群人数估计方法
CN111985527A (zh) 一种逆光图像自动检测方法
CN103530638A (zh) 多摄像头下的行人匹配方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理***及方法
Gu et al. Structural similarity weighting for image quality assessment
CN111639629A (zh) 一种基于图像处理的猪只体重测量方法、装置及存储介质
CN112419261B (zh) 具有异常点去除功能的视觉采集方法及装置
WO2022127814A1 (zh) 一种图像的显著性物体检测方法、装置、设备及存储介质
CN112528939A (zh) 一种人脸图像的质量评价方法及装置
WO2019120025A1 (zh) 照片的调整方法、装置、存储介质及电子设备
CN112241693A (zh) 基于YOLOv3实现的违规焊接动火图像识别方法
CN114240925A (zh) 一种文档图像清晰度的检测方法及其***
CN111160107A (zh) 一种基于特征匹配的动态区域检测方法
CN113792811B (zh) 一种基于混沌特性分析的火焰燃烧稳定性识别方法
CN105956550B (zh) 一种视频鉴别的方法和装置
WO2022012573A1 (zh) 图像处理方法及装置、电子设备、存储介质
CN111813996B (zh) 基于单帧和连续多帧抽样并行的视频搜索方法
CN111553408B (zh) 视频识别软件自动测试的方法
CN111402189B (zh) 一种视频图像偏色检测装置及方法
CN114119720A (zh) 一种基于卷积神经网络的靶面弹着点的检测和定位方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240422

Address after: Room 2062, No. 422 East Xingye Avenue, Nancun Town, Panyu District, Guangzhou City, Guangdong Province, 510000

Applicant after: Guangzhou Zhuohang Information Technology Co.,Ltd.

Country or region after: China

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

Country or region before: China

GR01 Patent grant
GR01 Patent grant