[发明专利]基于深度学习的用于图像处理的动态调光背光扩散方法

说明书

一种基于深度学习的用于图像处理的动态调光背光扩散方法，包括：读取样本图像以及获取与所述样本图像对应的补偿图像，采用区域背光提取算法提取样本图像的背光亮度；将背光亮度输入至基于深度学习背光扩散模型进行背光亮度扩散，输出背光亮度扩散图像，所述的背光扩散模型是以不同图像为样本集，经过深度学习训练建立；将背光亮度扩散图像与的补偿图像相乘，得到显像图像，确定显像图像与样本图像间的误差，用所述的误差更新背光扩散模型，得到最终的背光扩散模型。本发明解决了背光分区之间的光线串扰问题、深度神经网络训练中的梯度消失和爆炸问题，为动态调光算法的理论研究提供了无需实际测量的可靠的扩散模型。

技术领域

本发明涉及一种动态调光背光扩散方法。特别是涉及一种基于深度学习的用于图像处理的动态调光背光扩散方法。

背景技术

由于生产技术不断成熟、产业链不断完善，新技术不断融合，使液晶显示器在低功耗、高分辨率，良好的色彩表现和性价比等方面优势明显，已经成为平板显示市场最畅销的设备。随着国民经济的不断发展，人们对于显示设备的要求也不断提高。高色域，高对比度，低功耗的显示设备逐渐受到越来越多人的青睐。此外，移动设备的发展也对于显示设备提出了更多的需求。由于区域背光动态调光技术具有高对比度、低功耗的特点，因此成为液晶显示的一大研究热点。

区域背光动态调光技术主要分为三大部分：背光亮度提取、液晶像素补偿、液晶显像模块。首先对输入图像分区处理，分区大小和背光板分区对应，然后对各个分区进行亮度信息提取，根据提取结果计算各个分区的背光；然后将输入图像输入到像素补偿模型中输出补偿图像；理想情况下，液晶显像为线性关系，即显示图像为背光图像与补偿图像的线性乘积。该技术可以提高液晶显示器的显示对比度、改善画质及降低能耗。

理论上，背光模组可以做到每一个像素点对应于一个背光分区，即每个像素都对应于一个背光源LED灯，到考虑到成本、散热性能等多方面的因素，实际应用中都是一个背光分区包含成百上千个像素点，这种情况下就存在背光分区之间的光线串扰问题，即像素点的实际背光亮度来自于当前分区的背光亮度以及其他分区背光亮度的叠加。因此在各分区背光亮度确定后，为保证背光降低后显示图像的亮度和效果，需要考虑光线在背光模组中传播时的扩散作用，然后对液晶像素进行精确补偿。

发明内容

本发明所要解决的技术问题是，提供一种能够解决背光分区之间的光线串扰问题的基于深度学习的用于图像处理的动态调光背光扩散方法。

本发明所采用的技术方案是：一种基于深度学习的用于图像处理的动态调光背光扩散方法，包括：读取样本图像以及获取与所述样本图像对应的补偿图像，采用区域背光提取算法提取样本图像的背光亮度；将背光亮度输入至基于深度学习背光扩散模型进行背光亮度扩散，输出背光亮度扩散图像，所述的背光扩散模型是以不同图像为样本集，经过深度学习训练建立；将背光亮度扩散图像与的补偿图像相乘，得到显像图像，确定显像图像与样本图像间的误差，用所述的误差更新背光扩散模型，得到最终的背光扩散模型。具体包括如下步骤：

1)确定样本集，所述样本集包括各种亮度等级、对比度和各种场景的图像；

2)对样本集中样本图像进行预处理；

3)对预处理后的样本集进行数据增强，所述数据增强包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动；

4)采用像素补偿方法分别处理样本集的所有样本图像，得到与样本图像对应的补偿图像；

5)采用区域背光提取算法对样本集的样本图像提取背光亮度，得到背光亮度图像；

6)基于全卷积神经网络结构，建立背光扩散模型；

7)训练过程初始化，具体包括背光扩散模型参数初始化、优化器初始化、学习率初始化；

8)将数据增强后的样本集和与样本集中的样本图像对应的背光亮度图像共同输入到背光扩散模型中；