[發明專利]基于深度學習的用于圖像處理的動態調光背光擴散方法

有效

• 申請號: 201910895951.2
• 申請日: 2019-09-21
• 公開（公告）號: CN110728637B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張濤;曾琴;王伊飛
• 申請（專利權）人: 天津大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

一種基于深度學習的用于圖像處理的動態調光背光擴散方法，包括：讀取樣本圖像以及獲取與所述樣本圖像對應的補償圖像，采用區域背光提取算法提取樣本圖像的背光亮度；將背光亮度輸入至基于深度學習背光擴散模型進行背光亮度擴散，輸出背光亮度擴散圖像，所述的背光擴散模型是以不同圖像為樣本集，經過深度學習訓練建立；將背光亮度擴散圖像與的補償圖像相乘，得到顯像圖像，確定顯像圖像與樣本圖像間的誤差，用所述的誤差更新背光擴散模型，得到最終的背光擴散模型。本發明解決了背光分區之間的光線串擾問題、深度神經網絡訓練中的梯度消失和爆炸問題，為動態調光算法的理論研究提供了無需實際測量的可靠的擴散模型。

技術領域

本發明涉及一種動態調光背光擴散方法。特別是涉及一種基于深度學習的用于圖像處理的動態調光背光擴散方法。

背景技術

由于生產技術不斷成熟、產業鏈不斷完善，新技術不斷融合，使液晶顯示器在低功耗、高分辨率，良好的色彩表現和性價比等方面優勢明顯，已經成為平板顯示市場最暢銷的設備。隨著國民經濟的不斷發展，人們對于顯示設備的要求也不斷提高。高色域，高對比度，低功耗的顯示設備逐漸受到越來越多人的青睞。此外，移動設備的發展也對于顯示設備提出了更多的需求。由于區域背光動態調光技術具有高對比度、低功耗的特點，因此成為液晶顯示的一大研究熱點。

區域背光動態調光技術主要分為三大部分：背光亮度提取、液晶像素補償、液晶顯像模塊。首先對輸入圖像分區處理，分區大小和背光板分區對應，然后對各個分區進行亮度信息提取，根據提取結果計算各個分區的背光；然后將輸入圖像輸入到像素補償模型中輸出補償圖像；理想情況下，液晶顯像為線性關系，即顯示圖像為背光圖像與補償圖像的線性乘積。該技術可以提高液晶顯示器的顯示對比度、改善畫質及降低能耗。

理論上，背光模組可以做到每一個像素點對應于一個背光分區，即每個像素都對應于一個背光源LED燈，到考慮到成本、散熱性能等多方面的因素，實際應用中都是一個背光分區包含成百上千個像素點，這種情況下就存在背光分區之間的光線串擾問題，即像素點的實際背光亮度來自于當前分區的背光亮度以及其他分區背光亮度的疊加。因此在各分區背光亮度確定后，為保證背光降低后顯示圖像的亮度和效果，需要考慮光線在背光模組中傳播時的擴散作用，然后對液晶像素進行精確補償。

發明內容

本發明所要解決的技術問題是，提供一種能夠解決背光分區之間的光線串擾問題的基于深度學習的用于圖像處理的動態調光背光擴散方法。

本發明所采用的技術方案是：一種基于深度學習的用于圖像處理的動態調光背光擴散方法，包括：讀取樣本圖像以及獲取與所述樣本圖像對應的補償圖像，采用區域背光提取算法提取樣本圖像的背光亮度；將背光亮度輸入至基于深度學習背光擴散模型進行背光亮度擴散，輸出背光亮度擴散圖像，所述的背光擴散模型是以不同圖像為樣本集，經過深度學習訓練建立；將背光亮度擴散圖像與的補償圖像相乘，得到顯像圖像，確定顯像圖像與樣本圖像間的誤差，用所述的誤差更新背光擴散模型，得到最終的背光擴散模型。具體包括如下步驟：

1)確定樣本集，所述樣本集包括各種亮度等級、對比度和各種場景的圖像；

2)對樣本集中樣本圖像進行預處理；

3)對預處理后的樣本集進行數據增強，所述數據增強包括旋轉、剪裁、翻轉變換、縮放變換、平移變換和噪聲擾動；

4)采用像素補償方法分別處理樣本集的所有樣本圖像，得到與樣本圖像對應的補償圖像；

5)采用區域背光提取算法對樣本集的樣本圖像提取背光亮度，得到背光亮度圖像；

6)基于全卷積神經網絡結構，建立背光擴散模型；

7)訓練過程初始化，具體包括背光擴散模型參數初始化、優化器初始化、學習率初始化；

8)將數據增強后的樣本集和與樣本集中的樣本圖像對應的背光亮度圖像共同輸入到背光擴散模型中；