[发明专利]一种视频对比度增强方法及系统

权利要求书

1.一种视频对比度增强方法，其特征在于：包括：

S1:通过深度神经网络学习得到模型权重weights[1024][256]；

S2:获得Map映射矩阵，其进一步包括：通过所述模型权重weights[1024][256]计算得到Map映射矩阵Map[1024]，并将Map映射矩阵Map[1024]从小到大排序，后每四位求平均，得到最终的Map[256]；

histY[k]是在Y分量上计算直方图；

S3:获得待处理图像的当前YCbCr数据，并从中获得Y分量数据，根据步骤S2的Map映射矩阵，得到后视频对比度增强之后的图像的Y分量当前数据y：

y＝Map[x] x∈[0,255]

其中x是输入视频的Y分量数据。

2.如权利要求1所述的方法，其特征在于，还包括：

S4:采用L₁loss和IQAloss有效的监督学习方式；

其中函数F的表达式如下：

N表示图像Y分量像素的个数；T是一个常数；iqa表示无参考图像质量评价模型。

3.如权利要求2所述的方法，其特征在于，在模型训练中T设置为0.0784。

4.如权利要求1所述的方法，其特征在于，还包括：

学习有效性的方式是L₁loss，下面是L₁loss指标的计算公式：

其中N表示图像单个通道像素的个数；U_gt表示fiveK开源数据集中GT的U分量数据；V_gt表示fiveK开源数据集中GT的V分量数据；U′表示模型训练过程输出的预测数据集中的U分量；V′表示模型训练过程输出的预测数据集中的V分量；

这一部分是模型训练的最外层框架，用于判断训练结果是否达到最佳效果，这里使用了模型的预测数据，通过预测数据和源数据进行L1Loss的一个计算，当L1Loss的变化一直稳定在预设变化范围内，认为训练已经达到效果，这里的预测数据是指计算的是Y分量，在Y分量上计算直方图histY[256]，训练的模型也是一个线性模型，通过应用pytorch.nn.linear来进行训练,其工作原理就是输入一个维度为256维度的Y分量直方图数据，经过线性变化，得到Y分量的模型权重weights[1024][256]。

5.如权利要求1或4所述的方法，其特征在于，还包括：

模型训练，机器学习的过程就是所谓的模型训练，这一部分主要包括模型算法逻辑，输入训练数据，输出预测集；

模型训练的输入数据是开源的REDS deblur数据集，训练的模型是一个线性模型，通过应用pytorch.nn.linear来进行训练,其工作原理就是输入一个维度为256维度的Y分量直方图数据histUV[256×256]，经过如下线性变化公式，Y分量的模型权重weights[1024][256]

线性变换公式：y＝xA+b得到了上面的权重数据，就可以在实际运算中再转置,就能和x做矩阵乘法；

这里计算的是Y分量，在Y分量上计算直方图histY[256]，训练的模型也是一个线性模型，通过应用pytorch.nn.linear来进行训练,其工作原理就是输入一个维度为256维度的Y分量直方图数据，经过线性变化，得到Y分量的模型权重weights[1024][256]。