一種基于Logistic回歸模型的逆光圖像檢測(cè)方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種基于Logistic回歸模型的逆光圖像檢測(cè)方法及裝置,涉及圖像處理技術(shù)，旨在提供一種能夠自動(dòng)檢測(cè)拍攝環(huán)境是否處于逆光拍攝狀態(tài)的算法。本發(fā)明技術(shù)要點(diǎn)：采集一圖像；計(jì)算每個(gè)像素的亮度通道；統(tǒng)計(jì)圖像的亮度通道直方圖；計(jì)算圖像的每個(gè)亮度等級(jí)的歸一化概率；計(jì)算圖像均值；算圖像方差得到一個(gè)256維特征向量；將所述圖像的256維特征向量帶入逆光圖像檢測(cè)表達(dá)式求得P(y＝0|X)的值。
【專利說明】-種基于Logistic回歸模型的逆光圖像檢測(cè)方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)，尤其是一種快速逆光圖像檢測(cè)方法。

【背景技術(shù)】
[0002] 在攝影技術(shù)中，對(duì)逆光的處理很早就存在。具體來說，就是用圖像采集設(shè)備，包括 相機(jī)，手機(jī)，面對(duì)太陽等強(qiáng)光源進(jìn)行圖像采集。但這樣拍攝出的照片往往對(duì)比度過強(qiáng)，丟失 了很多的圖像細(xì)節(jié)，而且照片顏色信息丟失很嚴(yán)重。隨著手持移動(dòng)設(shè)備成像質(zhì)量的提高，越 來越多的用戶使用手機(jī)拍照。因此在日光下拍攝照片變得很常見。為了能夠幫助用戶在逆 光條件下也能拍攝出滿意的照片，因此需要設(shè)計(jì)一種算法對(duì)逆光場(chǎng)景進(jìn)行自動(dòng)檢測(cè)，后續(xù) 再使用一系列逆光照片修復(fù)算法，這樣用戶就可以在逆光拍攝條件下，也能直接得到滿意 的照片。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是：針對(duì)上述存在的問題，提供一種能夠自動(dòng)檢測(cè)拍 攝環(huán)境是否處于逆光拍攝狀態(tài)的算法，以便準(zhǔn)確的對(duì)逆光場(chǎng)景進(jìn)行實(shí)時(shí)檢測(cè)。
[0004] 本發(fā)明采用的技術(shù)方案包括：
[0005] 步驟301 :采集一圖像；
[0006] 按照步驟302?306得到所述圖像的256維特征向量；
[0007] 步驟302 :提取圖像的各個(gè)像素的R、G、B值，并根據(jù)所述R、G、B值計(jì)算每個(gè)像素 的亮度通道；
[0008] 步驟303 :統(tǒng)計(jì)圖像的亮度通道直方圖histi(x，y) =(l..255 [i (X，y)];
[0009] 步驟304 :計(jì)算圖像的每個(gè)亮度等級(jí)的歸一化概率pi(x，y) =(l..255 [i (x, y)] :pi(x，y)= 0..255 [i (X，y)] = histi(x，y) =〇..255 [i (X，y)]/(size)，其中 size 為圖像的像素總數(shù)；

【權(quán)利要求】
1. 一種逆光檢測(cè)方法，其特征在于，包括： 步驟101 :采集Μ張逆光圖像與N張非逆光圖像；M、N均為不為0的自然數(shù)； 然后按照步驟102?106處理每張圖像： 步驟102 :提取圖像的各個(gè)像素的R、G、B值，并根據(jù)所述R、G、B值計(jì)算每個(gè)像素的亮 度通道； 步驟103 :統(tǒng)計(jì)圖像的亮度通道直方圖histi(x，y) =(l..255 [i (X，y)]; 步驟104 :計(jì)算圖像的每個(gè)亮度等級(jí)的歸一化概率pi(x，y) =(l..255 [i(x，y)] :pi(x，y)= 0..255 [i (X，y)] = histi(x，y) =〇..255 [i (X，y)]/(size)，其中 size 為圖像的像素總數(shù)； 步驟105 :計(jì)算圖像均值：
_ 步驟106 :計(jì)算圖像方差得到一個(gè)256維特征向量vari(x，y)=Q..255 :vari(x，y) =(|..255 = (i (x, y) +l-mean) 2*p [i (x, y)]； 步驟107 :使用每張圖像的256維特征向量建立Logistic回歸模型如下：
其中yci = 〇表示逆光，y: = 1表示非逆光，w表示待 求的模型參數(shù)向量，X表示圖像的256維特征向量，η = 1或2或; 步驟108 :求解所述Logistic回歸模型的模型參數(shù)向量w，并帶入表達(dá)式
中便得到逆光圖像檢測(cè)表達(dá)式，η的取值與步驟107中的一 致，X表示所述新圖像的256維特征向量； 步驟109 :采集一新圖像，按照步驟102?106得到所述新圖像的256維特征向量；并 將所述新圖像的256維特征向量帶入逆光圖像檢測(cè)表達(dá)式，求得P(y = 0 |Χ)的值，若P(y =〇|X)大于設(shè)定的閾值，則可以判定為逆光，否則為非逆光。
2. 根據(jù)權(quán)利要求1所述的一種逆光檢測(cè)方法，其特征在于，所述閾值為0. 5。
3. -種逆光圖像檢測(cè)方法，其特征在于，包括： 步驟301 :采集一圖像； 按照步驟302?306得到所述圖像的256維特征向量； 步驟302 :提取圖像的各個(gè)像素的R、G、B值，并根據(jù)所述R、G、B值計(jì)算每個(gè)像素的亮 度通道； 步驟303 :統(tǒng)計(jì)圖像的亮度通道直方圖histi(x，y) =(l..255 [i (X，y)]; 步驟304 :計(jì)算圖像的每個(gè)亮度等級(jí)的歸一化概率pi(x，y) =(l..255 [i (x, y)]: Pi(x，y) =ci..255 [i (x，y)] = histi(x，y) =(l..255 [i (x, y)]/(size)，其中 size 為圖像的像素總 數(shù)； 步驟305:計(jì)算圖像均值：
_ 步驟306 :計(jì)算圖像方差得到一個(gè)256維特征向量vari(x，y) =(|..255 : vari(x,y) = 0..255 = (i (x, y)+l-mean)2*p[i (x, y)]； 步驟307 :將所述圖像的256維特征向量帶入逆光圖像檢測(cè)表達(dá)式
求得p (y = ΟIX)的值，若p (y = ΟIX)大于設(shè)定閾值，則可 以判定為逆光，否則為非逆光；其中，η = 1或2或X表示所述圖像的256維特征向量， 模型參數(shù)向量w為已知常向量。
4. 根據(jù)權(quán)利要求3所述的一種逆光圖像檢測(cè)方法，其特征在于，所述設(shè)定的閾值為 0· 5〇
5. 根據(jù)權(quán)利要求3所述的一種逆光圖像檢測(cè)方法，其特征在于，所述模型參數(shù)向量w的 獲取方法包括： 步驟401 :采集Μ張逆光圖像與Ν張非逆光圖像；Μ、Ν均為不為0的自然數(shù)； 然后按照步驟402?406處理每張圖像： 步驟402 :提取圖像的各個(gè)像素的R、G、Β值，并根據(jù)所述R、G、Β值計(jì)算每個(gè)像素的亮 度通道； 步驟403 :統(tǒng)計(jì)圖像的亮度通道直方圖histi(x，y) =(l..255 [i (X，y)]; 步驟404 :計(jì)算圖像的每個(gè)亮度等級(jí)的歸一化概率pi(x，y) =(l..255 [i (x, y)] :pi(x，y)= 0..255 [i (X，y)] = histi(x，y) =〇..255 [i (X，y)]/(size)，其中 size 為圖像的像素總數(shù)；
步驟405:計(jì)算圖像均值： _ 9 步驟406 :計(jì)算圖像方差得到一個(gè)256維特征向量vari(x，y)=Q..255 :vari(x，y) =(|..255 = (i (x, y) +l-mean) 2*p [i (x, y)]； 步驟407 :使用每張圖像的256維特征向量建立Logistic回歸模型如下：
其中yci = 〇表示逆光，yi = 1表示非逆光，W表示待 f 求的模型參數(shù)向量，X表示圖像的256維特征向量，η與步驟307中的取值一致； 步驟408 :求解所述Logistic回歸模型的模型參數(shù)向量w。
6. -種逆光圖像檢測(cè)裝置，其特征在于，包括： 圖像采集單元，用于采集圖像； 亮度通道計(jì)算單元，用于提取圖像的各個(gè)像素的R、G、B值，并根據(jù)所述R、G、B值計(jì)算 每個(gè)像素的亮度通道； 亮度通道直方圖統(tǒng)計(jì)單元:用于統(tǒng)計(jì)圖像的亮度通道直方圖^叫^^匕匕。]; 亮度等級(jí)歸一化概率計(jì)算單元，用于計(jì)算圖像的每個(gè)亮度等級(jí)的歸一化概率Pi(x，y)=
0. . 255 [i (X，y)]: Pi(x，y) =(i..255 [i (X，y)] = histi(x，y) =(l..255 [i (X，y)]/(size)，其中 size 為圖像的像素總 數(shù)；
圖像均值計(jì)算單元，用于計(jì)算圖像均值： . ·> 圖像256維特征向量計(jì)算單元，用于計(jì)算圖像方差得到一個(gè)256維特征向量vari(x，y)=
0. . 255 : vari(x,y) = 0..255 = (i (x, y)+l-mean)2*p[i (x, y)]； 逆光圖像檢驗(yàn)單元，用于將所述圖像的256維特征向量帶入逆光圖像檢測(cè)表達(dá)式
求得P(y = 〇|X)的值，若P(y = 〇|X)大于設(shè)定的閾值時(shí)， 則可以判定為逆光，否則為非逆光；其中，η = 1或2或…，X表示所述圖像的256維特征向 量，模型參數(shù)向量w為已知常向量。
7.根據(jù)權(quán)利要求6所述的一種逆光圖像檢測(cè)裝置，其特征在于，還包括模型參數(shù)向量w 訓(xùn)練單元，其進(jìn)一步包括： 模型訓(xùn)練圖像采集單元，用于采集Μ張逆光圖像與Ν張非逆光圖像；Μ、Ν均為不為0的 自然數(shù)； 模型訓(xùn)練亮度通道計(jì)算單元，提取各圖像的各個(gè)像素的R、G、Β值，并根據(jù)所述R、G、Β 值計(jì)算每個(gè)像素的亮度通道； 模型訓(xùn)練亮度通道直方圖統(tǒng)計(jì)單元，用于統(tǒng)計(jì)各圖像的亮度通道直方圖histi(x，y) =
0. . 255 [i (X，y)]; 模型訓(xùn)練亮度等級(jí)歸一化概率計(jì)算單元，用于計(jì)算各圖像的每個(gè)亮度等級(jí)的歸一化概 率 Pi = 0. . 255 [i]: Pi(x，y) =(i..255 [i (X，y)] = histi(x，y) =(l..255 [i (X，y)]/(size)，其中 size 為圖像的像素總 數(shù)； 模型訓(xùn)練圖像均值計(jì)算單元，用于計(jì)算各圖像均值：
模型訓(xùn)練圖像256維特征向量計(jì)算單元，用于計(jì)算各圖像方差得到各圖像的256維特 征向里 (x，y) = 〇.. 255 : vari(x,y) = 0..255 = (i (x, y)+l-mean)2*p[i (x, y)]； 建模單元，用于使用每張圖像的256維特征向量建立Logistic回歸模型如下：
其中yci = 〇表示逆光，yi = 1表示非逆光，w表示待 f 求的模型參數(shù)向量，X表示圖像的256維特征向量，η與逆光圖像檢驗(yàn)單元中的取值一致； 模型參數(shù)向量w求解單元，用于求解所述Logistic回歸模型的模型參數(shù)向量w。
【文檔編號(hào)】G06T7/00GK104050676SQ201410306259
【公開日】2014年9月17日 申請(qǐng)日期:2014年6月30日 優(yōu)先權(quán)日:2014年6月30日
【發(fā)明者】楊弢 申請(qǐng)人:成都品果科技有限公司