一种图像亮度和对比度的自动调节方法
【专利摘要】本发明公开了一种图像亮度和对比度的自动调节方法，其通过收集样本图像对其进行亮度和对比度调整以及人工进行环境分类，并将人工分类后的样本图像投入卷积神经网络里进行分类模型训练，然后即可使用训练好的最佳分类模型对待处理图像进行环境分类，并根据待处理图像的环境类型将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，最后将相似性最高的样本图像的亮度和对比度调整方案作用于待处理图像，得到最终的结果图像，从而实现图像亮度和对比度的自动调节，且效果好，无需再次手动调整。
【专利说明】一种图像亮度和对比度的自动调节方法
【技术领域】
[0001]本发明涉及一种图像处理方法，特别是一种图像亮度和对比度的自动调节方法。【背景技术】
[0002]目前图像处理的自动亮度和对比度是利用图像中的各个通道的直方图统计完的结果进行自动化调整的，但实际上还是会有一些图亮度不足，或者图像亮度过曝而自动亮度和对比度后都过曝，这些情况都需要用户手动调整亮度和对比度才能够达到更好的效果，给用户带来不便。
【发明内容】
[0003]本发明为解决上述问题，提供了一种图像亮度和对比度的自动调节方法，其不仅实现自动调节，而且效果好，无需再次手动调整。
[0004]为实现上述目的，本发明采用的技术方案为:
[0005]一种图像亮度和对比度的自动调节方法，其特征在于，包括以下步骤:
[0006]10.收集样本图像，并对样本图像进行最适合的亮度和对比度调整并记录调整的数值；
[0007]20.根据样本图像的亮度直方图统计结果人工地进行环境分类；
[0008]30.将人工分类后的样本图像进行归一化处理，并将处理后的样本图像投入卷积神经网络里进行分类模型的训练；
[0009]40.根据步骤30训练后的模型对样本图像进行环境分类，将分类结果与人工分类不同的定为分类错误的样本图像，并收集起来再次执行步骤20至步骤30，直到超过预期结果时定为所述步骤30所训练出来的分类模型为最佳分类模型；
[0010]50.接收待处理图像，并使用训练好的最佳分类模型对该待处理图像进行环境分类，得到待处理图像的环境类型；
[0011]60.将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，得到相似性最高的样本图像，并获取该样本图像对应的亮度和对比度调整数值；
[0012]70.将所述的亮度和对比度调整数值作用于待处理图像，得到最终的结果图像。
[0013]优选的，所述的环境分类的类型包括:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类型。
[0014]优选的，所述的步骤30中将分类后的样本图像进行归一化处理，主要是对所有样本图像进行直方图统计，得到所有类型图像的平均直方图数据，然后再将所有样本图像的直方图都进行减去所述的平均直方图数据得到归一化后的样本图像。
[0015]优选的，所述的步骤30中将归一化后的样本图像投入卷积神经网络里进行分类模型训练。
[0016]优选的，所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类，将分类结果与人工分类不同的定为分类错误的样本图像，主要是将获取的环境分类标签与人工环境分类的标签不一致的样本图像收集起来重新进行分类，再将重新分类后的样本图像再次进行训练学习，重复上述过程直到分类正确为止。
[0017]优选的，所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类，主要是将样本图像放入卷积神经网络系统中进行计算该样本图像每一种环境类型的概率，并选择概率最大的环境类型作为该样本图像的环境类型。
[0018]优选的，所述的步骤50中将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，主要是通过计算待处理图像的直方图统计结果与所述数据库中的样本图像的直方图统计结果的欧式距离，得到与待处理图像的欧式距离最短的样本图像作为相似性最闻的样本图像。
[0019]优选的，所述的直方图统计是以图像的灰度值作为横坐标的值，图像中该灰度值出现的像素个数作为纵坐标的值。
[0020]优选的，所述的亮度和对比度的调整公式为:
[0021]21.计算对比度的调整:
[0022]C= (100+contrast)/100.0f ；
[0023]其中，contrast为对比度的调整数值，范围从-100到100 ；
[0024]22.计算亮度的调整:
[0025]brightness+ = 128 ；
[0026]其中，brightness为亮度的调整数值，范围从-128到128 ；
[0027]23.创建亮度和对比度的调整映射表cTable[256]；
[0028]cTable[i] = max(O, min (255, ((i_128)*c+brightness+0.5)))；
[0029]其中i的范围从0到255。
[0030]24.对待处理图像的每个像素点的红、绿、蓝通道的颜色值进行数值的映射，即:
[0031]Color = cTable [Color]；
[0032]其中，Color为待处理图像的每个像素点的红、绿、蓝通道的颜色值。
[0033]本发明的有益效果是:
[0034]本发明的一种图像亮度和对比度的自动调节方法，其通过收集样本图像对其进行亮度和对比度调整以及人工进行环境分类，并将人工分类后的样本图像投入卷积神经网络里进行分类模型训练，然后即可使用训练好的最佳分类模型对待处理图像进行环境分类，并根据待处理图像的环境类型将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，最后将相似性最高的样本图像的亮度和对比度调整方案作用于待处理图像，得到最终的结果图像，从而实现图像亮度和对比度的自动调节，且效果好，无需再次手动调難
iF.0
【专利附图】
【附图说明】
[0035]此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中:
[0036]图1为本发明一种图像亮度和对比度的自动调节方法的流程简图。
【具体实施方式】[0037]为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0038]如图1所示，本发明的一种图像亮度和对比度的自动调节方法，其包括以下步骤:
[0039]10.收集样本图像，并对样本图像进行最适合的亮度和对比度调整并记录调整的数值；
[0040]20.根据样本图像的亮度直方图统计结果人工地进行环境分类；
[0041]30.将人工分类后的样本图像进行归一化处理，并将处理后的样本图像投入卷积神经网络里进行分类模型的训练；
[0042]40.根据步骤30训练后的模型对样本图像进行环境分类，将分类结果与人工分类不同的定为分类错误的样本图像，并收集起来再次执行步骤20至步骤30，直到超过预期结果时定为所述步骤30所训练出来的分类模型为最佳分类模型；这里的预期结果是指亮度环境检测的准确率达到预设值，本实施例中优选的预设值为90%。
[0043]50.接收待处理图像，并使用训练好的最佳分类模型对该待处理图像进行环境分类，得到待处理图像的环境类型；
[0044]60.将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，得到相似性最高的样本图像，并获取该样本图像对应的亮度和对比度调整数值；
[0045]70.将所述的亮度和对比度调整数值作用于待处理图像，得到最终的结果图像。
[0046]本实施例中，所述的环境分类的类型包括:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类型；所述的阴影类型表示直方图中阴影的数据最多，中间、高光的数据接近并且偏低；所述的高光类型表示直方图中高光的数据最多，阴影、中间的数据接近并且偏低；所述的中间类型表示直方图中中间的数据最多，阴影、高光的数据接近并且偏低；所述的阴影高光类型表示直方图中阴影、高光的数据接近并且最多，中间的数据偏低；所述的阴影中间类型表示直方图中阴影、中间的数据接近并且最多，高光的数据偏低；所述的高光中间类型表示直方图中高光、中间的数据接近并且最多，阴影的数据偏低；所述的平衡类型表示直方图中高光、中间、阴影的数据平均。
[0047]所述的步骤30中将分类后的样本图像进行归一化处理，主要是对所有样本图像进行直方图统计，得到所有类型图像的平均直方图数据，然后再将所有样本图像的直方图都进行减去所述的平均直方图数据得到归一化后的样本图像；所述的步骤30中将处理后的样本图像投入卷积神经网络里进行分类模型训练，主要是对所有样本图像进行采样，得到所有样本图像在分类模型里的环境分类标签。
[0048]所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类，将分类结果与人工分类不同的定为分类错误的样本图像，主要是将获取的环境分类标签与人工环境分类的标签不一致的样本图像收集起来重新进行分类，即，调整网络结构，再将重新分类后的样本图像再次进行训练学习，如此重复“训练_>调整网络结构_>再训练”的过程直到分类正确为止。
[0049]本实施例中网格结构顺序为输入层_>Κ个小组层_>全连接层_>SoftMax层，其中K大于等于I ;小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、归一化层中每个层的核大小以及输出大小都是可以进行任意调节的，并且每个层都有一个输入且产生一个输出，每一层的输出作为下一层的输入。
[0050]其中，输入层的输入大小为Height x Weight x Channel,其中Weight、Height为输入层图像的宽和高，Channel为输入层图像的颜色通道；由于本发明使用GPU硬件实现的原因，Weight = Height ;输入图像的channel只能为I或者3。
[0051]卷积层:
[0052]I)核的大小必须是奇数，且不大于该层输入的宽或者高；
[0053]2)中间表示通过卷积层时不改变宽和高，通道数可变可不变；理论上可以为任意正整数，由于本发明使用GPU硬件实现的原因，这里为16的倍数。
[0054]激活层:
[0055]I)激活层不改变卷积层表示的宽 、高或者通道数；
[0056]2)激活层所使用的激活函数包括但不限于以下函数类型:
[0057]f (x) = l/(l+e，
[0058]f (X) = a*tanh (b*x), a, b 为任意非零实数
[0059]f (X) = max (O, x)
[0060]f (X) = min (a, max (0, x))
[0061]f (X) = log (l+ex)
[0062]f (x) = I X
[0063]f (X) = X2
[0064]f (χ) = ^[χ
[0065]f (X) = ax+b
[0066]3)激活层跟在卷积层或者全连接之后。
[0067]下采样层:
[0068]I)下采样层不改变中间表示的通道数；
[0069]2)下采样层对图像的缩小比即为核的大小:即核为m X η的下采样层会造成中间表示缩小为上一层的(1/m) X (l/η)，理论上m和η可为任意自然数，由于本发明使用GPU硬件实现的原因，m = η。例如，15x15x32通过3x3的下采样后,变成5x5x32 ；15χ15χ32通过5x5的下采样后，变成3x3x32 ;但是15x15x32不能进行2x2的下采样，因为15不能被2整除；并不是说，输入尺寸必须是2的次幂，即16、32、64等，输入尺寸只要保证能被所有下采样层采样即可。
[0070]归一化层:
[0071]I)归一化层不改变中间表示的任何尺寸；
[0072]2)归一化层不是必须的，可要可不要，添加归一化层通常会提高精度并增加计算量；是否添加归一化层，要看添加后实际提升的精度和损失的速度。
[0073]—般的组合是:卷积_>激活_>下采样_>归一化。
[0074]以下情况特殊:
[0075]I)添加归一化层对精度提升较小却增大了很多运算量时，取消归一化层，即采用以下组合:卷积_>激活_>下采样；
[0076]2)归一化层提前，效果基本相同，即采用以下组合:卷积_>激活_>归一化_>下采样。
[0077]3)取消下采样层:卷积_>激活；或者卷积_>激活_>归一化；下采样本质是为了增加鲁棒性，同时顺便有减少后续层的运算量的作用；一个网络中通常会有几层下采样，但并不是所有的“卷积_>激活”后面都要跟下采样。
[0078]全连接层:
[0079]I)通过全连接层后的中间表示会变成I维的，不再是3维的；
[0080]2)全连接的输出可以任意；
[0081]3) 一旦进过全连接，就无法进行卷积、下采样或归一化；
[0082]4)全连接后面可以接激活层，或者继续接全连接。
[0083]SoftMax 层:
[0084]接在全连接层之后，作用是把全连接产生的实值变成[0，1]之间的概率。
[0085]本发明最后使用的网络结构如表1所示。
[0086]表1卷积神经网络结构
[0087]
【权利要求】
1.一种图像亮度和对比度的自动调节方法，其特征在于，包括以下步骤: 10.收集样本图像，并对样本图像进行最适合的亮度和对比度调整并记录调整的数值； 20.根据样本图像的亮度直方图统计结果人工地进行环境分类； 30.将人工分类后的样本图像进行归一化处理，并将处理后的样本图像投入卷积神经网络里进行分类模型的训练； 40.根据步骤30训练后的模型对样本图像进行环境分类，将分类结果与人工分类不同的定为分类错误的样本图像，并收集起来再次执行步骤20至步骤30，直到超过预期结果时定为所述步骤30所训练出来的分类模型为最佳分类模型； 50.接收待处理图像，并使用训练好的最佳分类模型对该待处理图像进行环境分类，得到待处理图像的环境类型； 60.将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，得到相似性最高的样本图像，并获取该样本图像对应的亮度和对比度调整数值； 70.将所述的亮度和对比度调整数值作用于待处理图像，得到最终的结果图像。
2.根据权利要求1所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的环境分类的类型包括:阴影类型、高光类型、中间类型、阴影高光类型、阴影中间类型、中间高光类型、平衡类 型。
3.根据权利要求1所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的步骤30中将人工分类后的样本图像进行归一化处理，主要是对所有样本图像进行直方图统计，得到所有类型图像的平均直方图数据，然后再将所有样本图像的直方图都进行减去所述的平均直方图数据得到归一化后的样本图像。
4.根据权利要求1所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的步骤30中将归一化后的样本图像投入卷积神经网络里进行分类模型的训练。
5.根据权利要求4所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类，将分类结果与人工分类不同的定为分类错误的样本图像，主要是将获取的环境分类标签与人工环境分类的标签不一致的样本图像收集起来重新进行分类，再将重新分类后的样本图像再次进行训练学习，重复上述过程直到分类正确为止。
6.根据权利要求4所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的步骤40中根据步骤30训练后的模型对样本图像进行环境分类，主要是将样本图像放入卷积神经网络系统中进行计算该样本图像每一种环境类型的概率，并选择概率最大的环境类型作为该样本图像的环境类型。
7.根据权利要求1所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的步骤50中将待处理图像与同一环境类型中的样本图像数据库进行相似性分析，主要是通过计算待处理图像的直方图统计结果与所述数据库中的样本图像的直方图统计结果的欧式距离，得到与待处理图像的欧式距离最短的样本图像作为相似性最高的样本图像。
8.根据权利要求1或3或7所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的直方图统计是以图像的灰度值作为横坐标的值，图像中该灰度值出现的像素个数作为纵坐标的值。
9.根据权利要求1所述的一种图像亮度和对比度的自动调节方法，其特征在于:所述的亮度和对比度的调整公式为: . 21.计算对比度的调整:
c = (100+contrast)/100.0f ； 其中，contrast为对比度的调整数值，范围从-100到100 ； . 22.计算亮度的调整:
brightness+ = 128 ； 其中，brightness为亮度的调整数值，范围从-128到128 ； . 23.创建亮度和对比度的调整映射表cTable[256]；
cTable[i] = max(O, min (255, ((i_128)*c+brightness+0.5)))； 其中i的范围从0到 255。 . 24.对待处理图像的每个像素点的红、绿、蓝通道的颜色值进行数值的映射，即: Color = cTable[Color]； 其中，Color为待处理图像的每个像素点的红、绿、蓝通道的颜色值。
【文档编号】G06T5/40GK104036474SQ201410260186
【公开日】2014年9月10日 申请日期:2014年6月12日 优先权日:2014年6月12日
【发明者】张伟, 傅松林, 王喆, 李志阳 申请人:厦门美图之家科技有限公司