【技术实现步骤摘要】
本专利技术属于像素补偿，具体涉及一种面向区域调光的人工智能像素补偿方法及系统。
技术介绍
1、随着时代的发展，人们对显示器的显示效果要求越来越高，液晶显示器(liquidcrystal display)是当前的主流显示设备，它主要由led背光源、液晶面板和驱动电路组成，充分利用了液晶在不同电压下会呈现不同形态的特点。液晶本身不发光，所以需要被led背光源照射。组成lcd的液状晶体有红、绿、蓝三种颜色，它们按照一定的顺序排列，称为三基色。这三种颜色在不同比例的搭配下可以呈现出千变万化的色彩。通过电压来使这些液状晶体发生变化，然后在led背光源照射下，不同的电压变化可以产生不同强度三基色，不同强度的三基色混合就可以呈现出不同的颜色。而液晶显示器的主要能耗就在于背光模组。
2、目前传统的液晶显示器以全局调光为主流，即不论显示何种类型的图像，显示器的背光模组时刻保持每颗灯珠全亮的状态，但是在显示图像的色调比较昏暗或显示图像中有部分区域的色调昏暗时，过高的背光亮度不仅会导致显示质量变差，比如使本来应该是黑色的部分显示呈现发灰的状态，更重要的是，还会导致功耗的浪费。而区域调光算法可以根据要显示的图像内容，动态的调节背光源的亮度，但是这样会造成显示图像的失真，所以还需要像素补偿算法来将损失掉的像素值补偿回来，从而达到降低功耗，提高对比度的效果。
3、当前常见的像素补偿算法有线性补偿法(linear algorithm)、非线性补偿法(non-linear algorithm)、对数函数补偿法(logarithmic f
技术实现思路
1、本专利技术旨在解决现有技术的不足，提出一种面向区域调光的人工智能像素补偿方法及系统，首先自主创建数据集，再建立神经网络框架，将筛选过的数据集放入网络进行训练，最后使网络能够自适应的输出像素补偿图像。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种面向区域调光的人工智能像素补偿方法，包括以下步骤：
4、s1.获取图像数据集；
5、s2.构建初始像素补偿网络；
6、s3.基于所述图像数据集训练所述初始像素补偿网络，得到像素补偿网络；
7、s4.利用所述像素补偿网络对待补偿图像进行像素补偿，得到补偿后图像。
8、优选的，获取所述图像数据集的方法包括：
9、s1.1.选取若干样本图像；
10、s1.2.使用不同的补偿算法对同一张所述样本图像进行像素补偿处理，得到所述样本图像的若干补偿图像；
11、s1.3.获取若干所述补偿图像的指标数据，并对所述指标数据进行加权求和，选取求和值最大的一张所述补偿图像作为所述样本图像的标签图像，所述指标数据包括：对比度、色差、峰值信噪比和结构相似度；
12、s1.4.分别对不同的所述样本图像进行s1.2-s1.3的操作，并整合所述样本图像对应的所述标签图像，得到所述图像数据集。
13、优选的，所述初始像素补偿网络包括：下采样单元和上采样单元；
14、所述下采样单元由6个卷积块构成；
15、所述上采样单元由8个转置卷积块构成。
16、优选的，所述训练的方法包括：
17、s3.1.对所述图像数据集进行数据增强，所述数据增强的方式为水平翻转，使所述图像数据集的数据量翻倍，得到数据增强后图像数据；
18、s3.2.使用xavier对所述初始像素补偿网络的参数进行初始化；
19、s3.3.设置网络的超参数，采用adam作为优化器，设置所述初始像素补偿网络的初始学习率，基于余弦退火学习率调整策略，然后设置网络的损失函数；
20、s3.4.利用所述数据增强后图像数据对初始化后的所述初始像素补偿网络进行训练，得到所述像素补偿网络。
21、优选的，所述像素补偿的方法包括：
22、s4.1.获取待补偿图像；
23、s4.2.将所述待补偿图像输入至所述像素补偿网络中，通过下采样得到深层特征图，通过上采样将所述深层特征图还原至原始图像的大小，在上采样的同时，还通过跳跃连接结构将上下采样的特征图在通道数这一维度上进行拼接，得到所述补偿后图像。
24、本专利技术还提供了一种面向区域调光的人工智能像素补偿系统，所述补偿系统应用上述任一项所述的补偿方法，包括：数据集获取模块、网络构建模块、网络训练模块和补偿模块；
25、所述数据集获取模块用于获取图像数据集；
26、所述网络构建模块用于构建初始像素补偿网络；
27、所述网络训练模块用于基于所述图像数据集训练所述初始像素补偿网络，得到像素补偿网络；
28、所述补偿模块利用所述像素补偿网络对待补偿图像进行像素补偿，得到补偿后图像。
29、优选的，所述数据集获取模块包括：样本选取单元、第一补偿单元、标签图像获取单元和整合单元；
30、所述样本选取单元用于选取若干样本图像；
31、所述第一补偿单元使用不同的补偿算法对同一张所述样本图像进行像素补偿处理，得到所述样本图像的若干补偿图像；
32、所述标签图像获取单元用于获取若干所述补偿图像的指标数据，并对所述指标数据进行加权求和，选取求和值最大的一张所述补偿图像作为所述样本图像的标签图像，所述指标数据包括：对比度、色差、峰值信噪比和结构相似度；
33、所述整合单元用于整合所述样本图像对应的所述标签图像，得到所述图像数据集。
34、优选的，所述初始像素补偿网络包括：下采样单元和上采样单元；
35、所述下采样单元由6个卷积块构成；
36、所述上采样单元由8个转置卷积块构成。
37、优选的，所述网络训练模块包括：数据增强单元、初始化单元、超参数设置单元和训练单元；
38、所述数据增强单元用于对所述图像数据集进行数据增强，所述数据增强的方式为水平翻转，使所述图像数据集的数据量翻倍，得到数据增强后图像数据；
39、所述初始化单元用于使用xavier对所述初始像素补偿网络的参数进行初始化；
40、所述参数设置单元用于设置网络的超参数，采用adam作为优化器，设置所述初始像素补偿网络的初始学习率，基于余弦退火学习率调整策略，然后设置网络的损失函数；
41、所述训练单元利用所述数据增强后图像数据对初始化后的所述初始像素补偿网络进行训练，得到所述像素补偿网络。
42、优选的，所述补偿模块包括：图像获取单元和第二补偿单元；
本文档来自技高网...
【技术保护点】
1.一种面向区域调光的人工智能像素补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种面向区域调光的人工智能像素补偿方法，其特征在于，获取所述图像数据集的方法包括：
3.根据权利要求1所述一种面向区域调光的人工智能像素补偿方法，其特征在于，所述初始像素补偿网络包括：下采样单元和上采样单元；
4.根据权利要求1所述一种面向区域调光的人工智能像素补偿方法，其特征在于，所述训练的方法包括：
5.根据权利要求3所述一种面向区域调光的人工智能像素补偿方法，其特征在于，所述像素补偿的方法包括：
6.一种面向区域调光的人工智能像素补偿系统，所述补偿系统应用权利要求1-5任一项所述的补偿方法，其特征在于，包括：数据集获取模块、网络构建模块、网络训练模块和补偿模块；
7.根据权利要求6所述一种面向区域调光的人工智能像素补偿系统，其特征在于，所述数据集获取模块包括：样本选取单元、第一补偿单元、标签图像获取单元和整合单元；
8.根据权利要求6所述一种面向区域调光的人工智能像素补偿系统，其特征在于，所述初始像
9.根据权利要求6所述一种面向区域调光的人工智能像素补偿系统，其特征在于，所述网络训练模块包括：数据增强单元、初始化单元、超参数设置单元和训练单元；
10.根据权利要求8所述一种面向区域调光的人工智能像素补偿系统，其特征在于，所述补偿模块包括：图像获取单元和第二补偿单元；
...【技术特征摘要】
1.一种面向区域调光的人工智能像素补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种面向区域调光的人工智能像素补偿方法，其特征在于，获取所述图像数据集的方法包括：
3.根据权利要求1所述一种面向区域调光的人工智能像素补偿方法，其特征在于，所述初始像素补偿网络包括：下采样单元和上采样单元；
4.根据权利要求1所述一种面向区域调光的人工智能像素补偿方法，其特征在于，所述训练的方法包括：
5.根据权利要求3所述一种面向区域调光的人工智能像素补偿方法，其特征在于，所述像素补偿的方法包括：
6.一种面向区域调光的人工智能像素补偿系统，所述补偿系统应用权利要求1-5任一项所述的补偿方法，其特征在于...
【专利技术属性】
技术研发人员：牛凯坤，刘烨，黄志祥，李民权，吴先良，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。