一种基于深度学习的手机镜头杂光检测方法技术

本发明专利技术涉及镜头检测技术领域，具体涉及到一种基于深度学习的手机镜头杂光检测方法，包括以下步骤：收集若干包含杂光的图像作为训练数据，对收集的图像进行人工标记；对收集到的图像进行预处理；设计卷积神经网络作为基本框架来构建杂光检测模型；利用数据集进行杂光检测模型的训练；将训练好的杂光检测模型应用于手机镜头拍摄的实际图像中，以检测手机镜头是否存在杂光问题

【技术实现步骤摘要】
一种基于深度学习的手机镜头杂光检测方法


[0001]本专利技术涉及镜头检测
，具体涉及到一种基于深度学习的手机镜头杂光检测方法
。

技术介绍

[0002]基于深度学习的镜头杂光检测是指使用深度学习算法来检测和降低由于镜头散射引起的图像杂光问题
。
[0003]镜头杂光是指在摄影或图像采集过程中，由于光线被镜头折射或反射产生的不均匀亮度分布
。
这可能导致图像中出现明亮的斑点
、
光晕
、
光斑等现象，影响图像的质量和细节
。
[0004]为了减少或消除镜头杂光问题，可以尝试以下方法：使用逆光遮蔽：当拍摄时有强烈的光源，可以使用遮蔽物将光源遮挡住，减少直接照射到镜头的光线
。
[0005]调整拍摄角度：改变拍摄的角度和位置，尽量避免光线直接照射到镜头表面，以减少杂光的产生
。
[0006]使用遮光罩或光圈：一些相机配备了专门的遮光罩或光圈附件，可以帮助减少光线的散射和反射，从而减轻镜头杂光问题
。
[0007]使用滤镜或偏振镜：滤镜或偏振镜可以有效地减少镜头杂光，通过选择适合的滤镜类型，可以根据不同的拍摄场景来减少杂光问题
。
[0008]后期处理：使用图像处理软件进行后期修复，可以采用去除杂光
、
增加对比度
、
调整色彩平衡等操作来降低镜头杂光对图像的影响
。
[0009]需要注意的是，镜头杂光问题可能因镜头质量
、
光线条件
、
拍摄环境等因素而有所差异
。
在实际应用中，可以尝试不同的方法或结合多种方法，根据具体情况选择适合的处理方式来改善图像的质量
。
[0010]基于深度学习的镜头杂光检测方法可以通过训练一个深度神经网络模型来学习和识别图像中的镜头杂光特征
。
一般来说，可以使用带有和不带有镜头杂光的图像对模型进行训练，通过网络的前向传播和反向传播来优化网络参数，使其能够准确地区分出带有镜头杂光和未带有镜头杂光的图像
。
[0011]在实际应用中，深度学习模型可以应用于图像预处理阶段，通过检测和降低图像中的镜头杂光，提高图像质量和细节
。
例如，在摄影后期处理中，可以使用深度学习算法来自动检测并修复图像中的镜头杂光问题
。
[0012]总结来说，基于深度学习的镜头杂光检测方法可以通过训练深度神经网络模型来识别和降低图像中由镜头散射引起的杂光问题，提高图像质量和细节表现
。

技术实现思路

[0013]本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于深度
学习的手机镜头杂光检测方法
。
[0014]为实现上述目的，本专利技术采用的技术方案如下：一种基于深度学习的手机镜头杂光检测方法，包括以下步骤：步骤1，收集若干包含杂光的图像作为训练数据，对收集的图像进行人工标记；步骤2，对收集到的图像进行预处理，使用数据增强生成对抗网络
DAGAN
进行数据增强；步骤3，设计了包含两个卷积层，两个最大池化层，两个激活层，一个全连接层的卷积神经网络作为基本框架来构建杂光检测模型；步骤4，利用数据集进行杂光检测模型的训练，使用
AngleAdam
优化算法不断调整模型参数；步骤5，将训练好的杂光检测模型应用于手机镜头拍摄的实际图像中，以检测手机镜头是否存在杂光问题
。
[0015]进一步的，在步骤2中，引入了数据增强生成对抗网络
DAGAN
进行数据增强；隐向量和输入图像类别作为输入，输出生成的图像和生成图像的类别，其中表示生成网络，表示隐向量的概率分布函数，表示输入图像类别的生成概率分布函数；表示分类网络，输出为生成图像和输入图像的标签，
Real
表示该图像为输入图像，
Fake
表示该图像为生成图像；
DAGAN
的训练分为两个阶段第一阶段为数据生成阶段，生成网络和判别网络优化相反的目标函数
,
在不断的对抗中达到平衡；对于判别网络其损失函数如下：对于判别网络其损失函数如下：其中表示数学期望，为正则化项，具体形式如下：其中，表示输入图像类别的判别概率分布，表示判别网络中间某一层的输出，即要在相同类别的前提下，生成数据和真实数据特征应当相近；第二阶段为分类训练阶段，第一段训练完成后，生成网络已经学习到真实数据分布；在此阶段，生成网络将不再进行训练，仅仅作为一个数据的提供者，生成的数据和真实数据一起训练分类网络；第二阶段的判别网络的损失函数由两部分构成，分别是真实数据和生成数据：其中，其中，
。
[0016]进一步的，在步骤3中，将卷积操作用在图像处理中，给定一个图像和一
个卷积核，卷积操作的定义为：其中，分别表示卷积核的高度和宽度，表示高度和宽度像素位置，表示输入图像在处的值，表示在卷积核的位置，表示卷积核在处的值，表示在位置卷积操作的输出值；输入图像和卷积核的定义为
:
其中，为卷积操作的输出值
。
[0017]进一步的，在步骤3中，在卷积操作的基础上，引入卷积核的滑动步长和零填充，以抽取特征；假设输入图像的尺寸为，卷积核大小为，步长为，在输入图像周围补充个
0 ，则输入大小为：，则输入大小为：其中，为高度，为宽度
。
[0018]进一步的，在步骤3中，通过池化作用是进行特征选择，降低特征数量，减少参数量；对于每个特征
,
将其划分很多区域，这些区域可以重叠，也可以不重叠
。
[0019]进一步的，对拍摄到的图像进行杂光检测，收集到并标记的训练数据集为，一共收集到张图像；表示图像，为标记，其取值为0或者1，当为0时，表示该图像中无杂光，反之有杂光；为了让模型能够有效训练，将损失函数定义为：用表示的模型，对于任何一张输入图像，有；
P
i
表示模型输出的值，在0和1之间，当其越接近1表示模型认为图像包含杂光，越接近0表示模型认为图像不包含杂光；表示整个模型的参数，当模型的参数确定好了，通过模型用来预测新图像中是否包含杂光
。
[0020]进一步的，为了确定模型的参数，使用
AngleAdam
算法，其在优化过程中考虑了两个连续梯度之间的角度，将角度信息用到参数向量的更新中；角系数计算如下：
其中表示连续两次梯度和之间的角度，而是一个非线性函数，其计算方法如下：方法如下：取的值为
0.8
；步骤如下：步骤
1.1
，随机初始化，设置一阶矩为0，二阶矩为0，迭代次数为0，一阶矩和二阶矩的指数衰减率，设置终止阈值，学习速率和精度值；步骤
1.2
，，，，，，，步骤
1.3
，若，算法终止；否则继续，；步骤
1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的手机镜头杂光检测方法，其特征在于，包括以下步骤：步骤1，收集若干包含杂光的图像作为训练数据，对收集的图像进行人工标记；步骤2，对收集到的图像进行预处理，使用数据增强生成对抗网络
DAGAN
进行数据增强；步骤3，设计了包含两个卷积层，两个最大池化层，两个激活层，一个全连接层的卷积神经网络作为基本框架来构建杂光检测模型；步骤4，利用数据集进行杂光检测模型的训练，使用
AngleAdam
优化算法不断调整模型参数；步骤5，将训练好的杂光检测模型应用于手机镜头拍摄的实际图像中，以检测手机镜头是否存在杂光问题
。2.
根据权利要求1所述的一种基于深度学习的手机镜头杂光检测方法，其特征在于，在步骤2中，引入了数据增强生成对抗网络
DAGAN
进行数据增强；隐向量和输入图像类别作为输入，输出生成的图像和生成图像的类别，其中表示生成网络，表示隐向量的概率分布函数，表示输入图像类别的生成概率分布函数；表示分类网络，输出为生成图像和输入图像的标签，
Real
表示该图像为输入图像，
Fake
表示该图像为生成图像；
DAGAN
的训练分为两个阶段第一阶段为数据生成阶段，生成网络和判别网络优化相反的目标函数
,
在不断的对抗中达到平衡；对于判别网络其损失函数如下：对于判别网络其损失函数如下：其中表示数学期望，为正则化项，具体形式如下：其中，表示输入图像类别的判别概率分布，表示判别网络中间某一层的输出，即要在相同类别的前提下，生成数据和真实数据特征应当相近；第二阶段为分类训练阶段，第一段训练完成后，生成网络已经学习到真实数据分布；在此阶段，生成网络将不再进行训练，仅仅作为一个数据的提供者，生成的数据和真实数据一起训练分类网络；第二阶段的判别网络的损失函数由两部分构成，分别是真实数据和生成数据：其中，其中，
。3.
根据权利要求1所述的一种基于深度学习的手机镜头杂光检测方法，其特征在于，在步骤3中，将卷积操作用在图像处理中，给定一个图像和一个卷积核，卷积操作的定义为：
其中，分别表示卷积核的高度和宽度，表示高度和宽度像素位置，表示输入图像在处的值，表示在卷积核的位置，表示卷积核在处的值，表示在位置卷积操作的输出值；输入图像和卷积核的定义为
:
其中，为卷...

【专利技术属性】
技术研发人员：黄冠，郭崇波，李长明，李亮，
申请(专利权)人：江西联益光学有限公司，
类型：发明
国别省市：