(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