(19)中华 人民共和国 国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202111655763.6
(22)申请日 2021.12.3 0
(71)申请人 上海网达软件股份有限公司
地址 200120 上海市浦东 新区中国(上海)
自由贸易试验区川桥路409号
(72)发明人 唐杰 朱运平 张聪聪 李庆瑜
戴立言
(74)专利代理 机构 上海汉声知识产权代理有限
公司 3123 6
代理人 胡晶
(51)Int.Cl.
G06T 5/00(2006.01)
G06N 3/08(2006.01)
G06T 7/90(2017.01)
(54)发明名称
一种视频对比度增强方法及系统
(57)摘要
本发明是一种一种视频对比度增强方法及
系统, 特别是基于自监督学习的视频对比度增强
算法, 利用无监督图像质量评价模 型引导训练视
频对比度增强算法模型, 本发明可在cpu上实现
实时的视频对比度增强。 本发明受图像直方图均
衡化算法的启发, 设计了一种自适应的灰度映射
机制, 利用无监督图像质量评价模型作为引导,
回归得到了Map映射矩阵; 根据不同的图像, 会 得
到不同Map映射矩阵用于视频对比度增强, 无需
人为干预, 在算法的使用上 特别友好。
权利要求书2页 说明书6页 附图1页
CN 114372930 A
2022.04.19
CN 114372930 A
1.一种视频对比度增强方法, 其特 征在于: 包括:
S1:通过深度神经网络学习得到模型权 重weights[1024][25 6];
S2:获得Map映射矩阵, 其进一步包括: 通过所述模型权重weights[1024][256]计算得
到Map映射矩阵Map[1024], 并将Map映射矩阵Map[1024]从小到大排序, 后每四位求平均, 得
到最终的Map[25 6];
histY[k]是在Y分量上计算 直方图;
S3:获得待处理图像 的当前YCbCr数据, 并从中获得Y分量数据, 根据步骤S2的Map映射
矩阵, 得到后视频对比度增强之后的图像的Y分量当前 数据y:
y=Map[x] x∈[0,25 5]
其中x是输入视频的Y分量数据。
2.如权利要求1所述的方法, 其特 征在于, 还 包括:
S4:采用L1loss和IQAloss有效的监 督学习方式;
其中函数 F的表达式如下:
N表示图像Y分量像素的个数; T是一个常数; iqa表示无参 考图像质量评价模型。
3.如权利要求2所述的方法, 其特 征在于, 在模型训练中T设置为0.0784。
4.如权利要求1所述的方法, 其特 征在于, 还 包括:
学习有效性的方式是L1loss, 下面是L1loss指标的计算公式:
其中N表示图像 单个通道像 素的个数; Ugt表示fiveK开源数据集中GT的U分量数据; Vgt表
示fiveK开源数据集中GT的V分量数据; U ′表示模型训练过程输出的预测数据集中的U分量;
V′表示模型训练过程输出的预测数据集中的V分量;
这一部分是模型训练的最外层框架, 用于判断训练结果是否达到最佳效果, 这里使用
了模型的预测数据, 通过预测数据和 源数据进行L1Loss的一个计算, 当L1Loss的变化一直
稳定在预设变化范围内, 认为训练已经达到效果, 这里的预测数据是指计算的是Y 分量, 在Y
分量上计算直方图histY[256] , 训练的模型也是一个线性模型 , 通过应 用
pytorch.nn.linear来进行训练,其工作原理就是输入一个维度为256维度的Y分量直方图
数据, 经过线性变化, 得到 Y分量的模型权 重weights[1024][25 6]。权 利 要 求 书 1/2 页
2
CN 114372930 A
25.如权利要求1或4所述的方法, 其特 征在于, 还 包括:
模型训练, 机器学习的过程就是所谓的模型训练, 这一部分主要包括模型算法逻辑, 输
入训练数据, 输出 预测集;
模型训练的输入数据是开源的REDS deblur数据 集, 训练的模型是一个线性模型, 通过
应用pytorch.nn.linear来进行训练,其工作原理就是输入一个维度为256维度的Y分量直
方图数据histUV[256 ×256], 经过如下线性变化公式, Y分量的模型权重weights[1024]
[256]
线性变换公式: y=xA +b得到了上面的权重数据, 就可以在实际运算中再转置,就能和x
做矩阵乘法;
这里计算的是Y分量, 在Y分量上计算直方图histY[256], 训练的模型也是一个线性模
型, 通过应用pytorch.nn.linear 来进行训练,其工作原理就是输入一个维度为256维度的Y
分量直方图数据, 经 过线性变化, 得到 Y分量的模型权 重weights[1024][25 6]。
6.一种视频对比度增强系统, 其特 征在于: 包括:
模型权重训练模型:用于通过深度神经网络学习得到模型权 重weights[1024][25 6];
Map映射矩阵获得单元:用于获得Map映射矩阵, 其进一步包括: 通过所述模型权重
weights[1024 ][256]计算得到Map映射矩阵Map[1024 ], 并将Map映射矩阵Map[1024 ]从小到
大排序, 后每四位 求平均, 得到最终的Map[25 6];
histY[k]是在Y分量上计算 直方图;
图像的当前数据y计算单元:用于获得待 处理图像的当前YCbCr数据, 并从中获得Y分量
数据, 根据步骤S2的Map映射矩阵, 得到后视频对比度增强之后的图像的当前 数据y:
y=Map[x] x∈[0,25 5]
其中x是输入视频的Y分量数据。
7.如权利要求6所述的系统, 其特 征在于, 还 包括:
监督学习处 理单元:用于采用L1loss和IQAloss有效的监 督学习方式;
其中函数 F的表达式如下:
N表示图像Y分量像素的个数; T是一个常数; iqa表示无参 考图像质量评价模型。权 利 要 求 书 2/2 页
3
CN 114372930 A
3
专利 一种视频对比度增强方法及系统
文档预览
中文文档
10 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共10页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 21:49:00上传分享