本发明专利技术提供一种色调映射方法及色调映射终端，将Raw图像转为灰度图像并降采样后再输入卷积神经网络，需要处理的像素减少，减少运算时间、存储空间和计算资源，降低功耗。卷积神经网络输出缩小尺寸迭代系数矩阵组，缩小尺寸迭代系数矩阵组通过插值上采样得到复原尺寸迭代系数矩阵组。对预处理后灰度图像中的每个像素应用各自对应的复原尺寸第一次迭代系数a<subgt;1</subgt;至复原尺寸第N次迭代系数a<subgt;N</subgt;，通过N次迭代多项式拟合计算得到对应的色调映射输出灰度图像中像素的像素值，让色调映射输出灰度图像逼近色调映射目标图像，从而得到最终卷积神经网络模型。保证原始图像细节保留的同时，降低了卷积神经网络运算量和计算复杂度，可应用于图像传感器端。
【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种色调映射方法及色调映射终端。
技术介绍
1、色调映射的目的是使高动态范围图像能够适应低动态范围显示器，要实现这一目的，就需要将高动态范围图像的色度、亮度以及动态范围等全部映射到低动态范围图像的标准范围内。
2、神经网络算法可以学习到复杂的色调映射函数来得到好的成像质量，这种图像带来更多暗部和亮区细节，满足了车载的高级驾驶辅助系统等应用需求，但同时神经网络的复杂性也带来高功耗，高延迟和高存储空间等问题，导致在实际的图像传感器端无法使用。常见的神经网络模型是端对端的设计，不能满足图像传感器端低功耗要求。
技术实现思路
1、本专利技术的目的在于提供一种色调映射方法，保证原始图像细节保留的同时，降低了卷积神经网络运算量和计算复杂度，降低功耗。本专利技术方法中的色调映射低功耗卷积神经网络结构可应用于图像传感器端。
2、本专利技术提供一种色调映射方法，包括：
3、s1、利用图像传感器拍摄获取多场景下的raw图像和对应的彩色图像；将所述raw图像经预处理得到预处理后灰度图像；所述预处理包括转为灰度图像并降采样和归一化处理；所述彩色图像经所述预处理后作为色调映射目标图像；
4、s2、将所述预处理后灰度图像送到卷积神经网络处理得到缩小尺寸迭代系数矩阵组；所述预处理后灰度图像通过n次迭代计算得到色调映射输出灰度图像；所述缩小尺寸迭代系数矩阵组包括缩小尺寸第一次迭代系数矩阵至缩小尺寸第n次迭代系数矩阵共n个矩阵；
5、s3、将所述缩小尺寸迭代系数矩阵组中的n个矩阵各自线性插值，得到复原尺寸迭代系数矩阵组；所述复原尺寸迭代系数矩阵组包括复原尺寸第一次迭代系数矩阵至复原尺寸第n次迭代系数矩阵共n个矩阵；所述复原尺寸第j次迭代系数矩阵由所述预处理后灰度图像中的每个像素对应的复原尺寸第j次迭代系数构成；1≤j≤n，j为整数；
6、对所述预处理后灰度图像中的每个像素应用各自对应的复原尺寸第一次迭代系数a1至复原尺寸第n次迭代系数an，通过n次迭代多项式拟合计算后得到对应的所述色调映射输出灰度图像中像素的像素值，让所述色调映射输出灰度图像逼近所述色调映射目标图像，经过调整所述卷积神经网络参数值使得所述卷积神经网络收敛，选择损失函数最小的模型参数作为最终卷积神经网络模型；
7、s4、模型应用，通过所述色调映射输出灰度图像与所述预处理后灰度图像求得亮度增益值，将所述亮度增益值应用到所述raw图像对应的rgb三个通道上，得到色调映射输出彩色图像。
8、进一步的，步骤s1中，将所述raw图像预处理具体包括：对所述raw图像进行插值，得到rgb三通道图像；将所述rgb三通道图像通过灰度计算公式转为单通道的灰度图像，将所述灰度图像降采样和归一化处理；所述归一化处理将所述降采样后图像中的每个像素的像素值均除以最大像素值，使得归一化后的每个像素的像素值均在浮点数[0，1]之间。
9、进一步的，所述复原尺寸迭代系数矩阵组中每个矩阵的行数与所述预处理后灰度图像的像素的行数相同；所述复原尺寸迭代系数矩阵组中每个矩阵的列数与所述预处理后灰度图像的像素的列数相同。
10、进一步的，步骤s3中，采用如下迭代计算公式：
11、tmp1＝yin+a1*yin*(yin-1)；
12、tmp2＝tmp1+a2*tmp1*(tmp1-1)；
13、…
14、yout＝tmpn-1+an*tmpn-1*(tmpn-1-1)
15、其中，所述预处理后灰度图像中任意一个像素的像素值为yin，与所述任意一个像素对应的所述色调映射输出灰度图像中像素的像素值为yout；a1为对应的所述复原尺寸第一次迭代系数，a2为对应的所述复原尺寸第二次迭代系数，an为对应的所述复原尺寸第n次迭代系数；tmp1为第一次迭代完成后的输出结果，即第一次迭代完成后所述色调映射输出灰度图像的像素值；tmp2为第二次迭代完成后输出图像的像素值；tmpn-1为第n-1次迭代完成后输出图像的像素值。
16、进一步的，所述预处理后灰度图像通过两次迭代计算得到所述色调映射输出灰度图像，n＝2。
17、进一步的，步骤s3中，采用损失函数计算，让所述色调映射输出灰度图像的每个像素点逼近所述色调映射目标图像中对应的像素点；所述卷积神经网络训练使用均方误差和结构相似性指数作为损失函数。
18、进一步的，步骤s4中，所述raw图像中的像素值乘以所述亮度增益值得到所述色调映射输出彩色图像中对应像素点的像素值。
19、进一步的，步骤s1中，所述图像传感器采集不同时间段不同天气的室内外场景。
20、进一步的，所述预处理后灰度图像的像素的行数为所述缩小尺寸迭代系数矩阵组中每个矩阵的行数的整数倍；
21、所述预处理后灰度图像的像素的列数为所述缩小尺寸迭代系数矩阵组中每个矩阵的列数的整数倍。
22、本专利技术还提供一种色调映射终端，包括：
23、存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述的色调映射方法。
24、与现有技术相比，本专利技术具有如下有益效果：
25、本专利技术提供一种色调映射方法，将raw图像转为灰度图像并降采样预处理后再输入卷积神经网络，卷积神经网络需要处理的像素减少，很大程度减少处理运算时间，减少存储空间和计算资源，降低功耗。卷积神经网络输出缩小尺寸迭代系数矩阵组，缩小尺寸迭代系数矩阵组通过插值上采样得到复原尺寸迭代系数矩阵组。对预处理后灰度图像中的每个像素应用各自对应的复原尺寸第一次迭代系数a1至复原尺寸第n次迭代系数an，通过n次迭代以及多项式拟合计算后得到对应的色调映射输出灰度图像中像素的像素值，让色调映射输出灰度图像逼近色调映射目标图像，从而得到最终卷积神经网络模型，与直接输出复原尺寸大小的迭代系数矩阵组相比，保证原始图像细节保留的同时，降低了卷积神经网络运算量和计算复杂度。本专利技术方法中的色调映射低功耗卷积神经网络结构可应用于图像传感器端。
本文档来自技高网...
【技术保护点】
1.一种色调映射方法，其特征在于，包括：
2.如权利要求1所述的色调映射方法，其特征在于，
3.如权利要求1所述的色调映射方法，其特征在于，
4.如权利要求1所述的色调映射方法，其特征在于，
5.如权利要求4所述的色调映射方法，其特征在于，
6.如权利要求1所述的色调映射方法，其特征在于，
7.如权利要求1所述的色调映射方法，其特征在于，
8.如权利要求1所述的色调映射方法，其特征在于，
9.如权利要求1所述的色调映射方法，其特征在于，
10.一种色调映射终端，其特征在于，包括：
【技术特征摘要】
1.一种色调映射方法，其特征在于，包括：
2.如权利要求1所述的色调映射方法，其特征在于，
3.如权利要求1所述的色调映射方法，其特征在于，
4.如权利要求1所述的色调映射方法，其特征在于，
5.如权利要求4所述的色调映射方法，其特征在于，
...
【专利技术属性】
技术研发人员：仲越，陈剑骏，沈嘉琳，
申请(专利权)人：豪威科技上海有限公司，
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。