本申请公开了一种基于光强分析的神经网络图像预处理方法。获取多个学习图像，根据区域划分标准对任意一个学习图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的多个学习图例；识别任意一个学习图例中第一区域、第二区域、……、第N区域的光强，并分别记录为第一光强、第二光强、……、第N光强；根据分类统计标准将多个学习图例分别设置为第一图例、第二图例、……、第N图例；根据区域划分标准对目标图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的目标图例；获取处理目标；根据处理目标将目标图例分别和第一图例、第二图例、……、第N图例进行对比，并对目标区域进行预处理。
1.一种基于光强分析的神经网络图像预处理方法，其特征在于，包括以下步骤：
获取多个学习图像，根据所述区域划分标准对任意一个所述学习图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的多个学习图例；
识别任意一个所述学习图例中第一区域、第二区域、……、第N区域的光强，并分别记录为第一光强、第二光强、……、第N光强；
分类统计标准设置为第一图例包括第一光强的数值在指定范围内的学习图例、第二图例包括第二光强的数值在指定范围内的学习图例、……、第N图例包括第N光强的数值在指定范围内的学习图例；
根据所述分类统计标准将多个所述学习图例分别设置为第一图例、第二图例、……、第N图例；
首先将符合分类统计标准的学习图例进行分类，在第一图例中包括了第一光强符合分类统计标准的学习图例，而其中其他光强的数值则不作要求，相应的，对第二光强、……、第九光强也进行相应的分类统计，则会得到九个分类完成的图例；
为了对初次分类后的图例进行二次分类，设置第一图例内光强的数值相同的数目最多的学习图例为第一选择图例、设置第二图例内光强的数值相同的数目最多的学习图例为第二选择图例、……、设置第N图例内光强的数值相同的数目最多的学习图例为第N选择图例；
第一光强在指定范围外的图例、或者第二光强在指定范围外的图例、……、或者第九光强在指定范围外的图例设置为排除图例，这是为了在上述的图例出现过曝或欠曝的情况下，将图例排除学习范围，避免对神经网络的学习产生误导；
获取目标图像，根据所述区域划分标准对所述目标图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的目标图例；
根据所述处理目标将所述目标图例分别和第一图例、第二图例、……、第N图例进行对比，并对目标区域进行预处理；
在处理目标是处理目标是第三区域和第四区域的情况下，可以知道的，第一区域、第二区域、第五区域、……、第九区域则均为正常，不需要调整，那么，分别对比第一图例、第二图例、第五图例、……、第九图例，得到第三区域和第四区域的动态对比结果，在得到的动态对比结果中，获取第三区域和第四区域的第三选择图例和第四选择图例，并将第三选择图例和第四选择图例的光强数值替换处理目标的光强数值；
在上述对比过程中，也可以选择第一选择图例、第二选择图例、第五选择图例、……、第九选择图例，或者第一次选图例、第二次选图例、第五次选图例、……、第九次选图例；
通过神经网络对大量学习图像的学习过程，完成对学习图像或者目标图像的灵活的区域划分，通过神经网络对学习图像的识别，完成对学习图像内的不同数值的光强的分类。
2.根据权利要求1所述的基于光强分析的神经网络图像预处理方法，其特征在于，所述区域划分标准设置为按照指定的坐标系对任意一个图像建立坐标系，并且按照指定的像素尺寸设置每个区域的尺寸。
3.根据权利要求1所述的基于光强分析的神经网络图像预处理方法，其特征在于，所述区域划分标准设置为识别任意一个图像中的对象，并且根据对象内容确定图像的区域个数、区域位置以及区域尺寸。
4.根据权利要求1所述的基于光强分析的神经网络图像预处理方法，其特征在于，对目标区域的预处理过程设置为将目标图例的第一区域的光强数值设置为第一选择图例的光强数值、将目标图例的第二区域的光强数值设置为第二选择图例的光强数值、……、将目标图例的第N区域的光强数值设置为第N选择图例的光强数值。
5.根据权利要求1所述的基于光强分析的神经网络图像预处理方法，其特征在于，所述处理目标设置为目标图例的第一区域、第二区域、……、第N区域其中的一者或者多者。
一种基于光强分析的神经网络图像预处理方法
技术领域
[0001] 本申请涉及图像预处理技术领域，具体涉及一种基于光强分析的神经网络图像预处理方法。
背景技术
[0002] 在图像处理领域，尤其是图像拍摄后的后期处理领域，一个自动的光线光强设计方法有着十分重要的意义。目前的一些工作使用神经网络的方法对图像的视觉效果进行增强，从而得到特定风格的图像。例如基于神经网络的图像增强和风格迁移方法，这些方法有效的提高了图像的生成质量，能够生成和目标数据集相似的图像。
[0003] 然而，目前的方法并没有针对光线的光强（光线的强度是指被摄体表面的受光程度，即照度，照度是确定曝光的重要依据，它与光源的发光强度成正比，与距离的平方成反比，斜射面上的照度还与光线入射角的余弦函数有关，摄影中光线的强度常用照度计量的EV（Exposure Value）值进行表述）进行设计，需要一个针对光强对图像进行预处理的方法。
[0004] 需要说明的是，本背景技术部分中公开的以上信息仅用于理解本发明构思的背景技术，因此可以包含不构成现有技术的信息。
发明内容
[0005] 针对现有技术的不足，本申请公开一种基于光强分析的神经网络图像预处理方法，能够解决如何针对光强对图像进行预处理的问题。
[0006] 为实现以上目的，本申请通过以下技术方案予以实现：
[0007] 一种基于光强分析的神经网络图像预处理方法，包括以下步骤：
[0008] 获取区域划分标准；获取多个学习图像，根据区域划分标准对任意一个学习图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的多个学习图例；识别任意一个学习图例中第一区域、第二区域、……、第N区域的光强，并分别记录为第一光强、第二光强、……、第N光强；获取分类统计标准；根据分类统计标准将多个学习图例分别设置为第一图例、第二图例、……、第N图例；获取目标图像，根据区域划分标准对目标图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的目标图例；获取处理目标；根据处理目标将目标图例分别和第一图例、第二图例、……、第N图例进行对比，并对目标区域进行预处理。
[0009] 优选的技术方案，区域划分标准设置为按照指定的坐标系对任意一个图像建立坐标系，并且按照指定的像素尺寸设置每个区域的尺寸。
[0010] 优选的技术方案，区域划分标准设置为识别任意一个图像中的对象，并且根据对象内容确定图像的区域个数、区域位置以及区域尺寸。
[0011] 优选的技术方案，分类统计标准设置为第一图例包括第一光强的数值在指定范围内的学习图例、第二图例包括第二光强的数值在指定范围内的学习图例、……、第N图例包括第N光强的数值在指定范围内的学习图例。
[0012] 优选的技术方案，设置第一图例内光强的数值相同的数目最多的学习图例为第一选择图例、设置第二图例内光强的数值相同的数目最多的学习图例为第二选择图例、……、设置第N图例内光强的数值相同的数目最多的学习图例为第N选择图例。
[0013] 优选的技术方案，第一光强在指定范围外的图例、第二光强在指定范围外的图例、……、第N光强在指定范围外的图例设置为排除图例。
[0014] 优选的技术方案，对目标区域的预处理过程设置为将目标图例的第一区域的光强数值设置为第一选择图例的光强数值、将目标图例的第二区域的光强数值设置为第二选择图例的光强数值、……、将目标图例的第N区域的光强数值设置为第N选择图例的光强数值。
[0015] 优选的技术方案，处理目标设置为目标图例的第一区域、第二区域、……、第N区域其中的一者或者多者。
[0016] 本申请公开一种基于光强分析的神经网络图像预处理方法，具有以下优点：
[0017] 通过神经网络对大量学习图像的学习过程，完成对学习图像或者目标图像的灵活的区域划分，采用两种不同的区域划分方式，能够更加细化的针对不同形式的学习图像或者目标图像，完成针对光强的区域优化，并且更加有利于对相同的光强所在的位置、大小进行识别和处理。
[0018] 通过神经网络对学习图像的识别，完成对学习图像内的不同数值的光强的分类，采用多种不同的分类级别，实现对图例的初次分类、再次分类甚至三次分类，以达到不同的数据处理等级，实现对目标图像的进一步细化的提供图例和选择。
[0019] 通过对光强的划分、识别、分析、统计和处理，可以在通过大量的学习图像的学习过程产生对目标图像的自动补充、填满和修复，在满足同类别图像的条件下，借助学习图像的光强属性可以完成对目标图像的光强属性的优化处理和智能处理，有利于降低后期处理的难度。
附图说明
[0020] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0021] 显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022] 图1是本申请实施例的一种区域划分标准；
[0023] 图2是本申请实施例的另一种区域划分标准；
[0024] 图3是本申请实施例的流程示意图。实施方式
[0025] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
[0026] 基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0027] 本申请提出一种基于光强分析的神经网络图像预处理方法。下面对其所包括的步骤分别进行说明。
[0028] 第一步：获取区域划分标准。
[0029] 具体的，在如图1（假设图1为学习图像）所示的一个实施例中，区域划分标准设置为按照和图片对应的X轴和Y轴共同形成的坐标系对图像建立坐标系，并且按照指定的像素尺寸设置每个区域的尺寸，例如图1（假设图1为学习图像）中所示的9个区域。容易理解的，区域的个数也可以是其他数目，仅在本实施例中以9个区域进行举例说明。
[0030] 在如图2（假设图2为学习图像）所示的另一个实施例中，区域划分标准设置为识别任意一个图像中的对象，例如分别识别图中的背景、杯子、水、5个橘子、桌子，并且根据对象内容确定图像的区域个数、区域位置以及区域尺寸，例如图2（假设图2为学习图像）中所示的9个区域以及别图中的背景、杯子、水、5个橘子、桌子的位置和尺寸。
[0031] 第二步：获取多个学习图像，根据区域划分标准对任意一个学习图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的多个学习图例。
[0032] 在上述两个实施例中，需要对图像进行区域划分并且编号，例如，编号为第一区域、第二区域、……、第九区域。
[0033] 容易理解的，在基于神经网络学习的基础上，需要获取大量的学习图像进行学习，并且为了提高关于学习图像的学习能力，相对于指定类型的目标图像，可以学习相应类型的学习图像。例如，目标图像是如图1和图2所示的静物图像，则学习图像也选择相应的静物图像。
[0034] 第三步：识别任意一个学习图例中第一区域、第二区域、……、第N区域的光强，并分别记录为第一光强、第二光强、……、第N光强。
[0035] 显而易见的，在进行区域划分后的学习图像，每一个区域内都有自己的光强，即局部的光线强度，并且在正确的曝光范围之内，光线的强度越高，被摄主体就越明亮，其表面的色彩、纹理等细节就越清晰。
[0036] 但是光线的强度并不是越强越好的，在拍摄过程中，光线过于强烈会造成画面过曝，光线不够又会造成画面欠曝的问题，所以这就要求正确的曝光范围，避免出现过曝或欠曝的情况。
[0037] 在上述两个实施例中，需要对图像的各个区域划的光强的数值进行识别和记录，例如，编号为第一区域的光强的数值记为第一光强并记录数值，第二区域的光强的数值记为第二光强并记录数值，……，第九区域的光强的数值记为第九光强并记录数值。
[0038] 第四步：获取分类统计标准。
[0039] 具体的，分类统计标准设置为第一图例包括第一光强的数值在指定范围内的学习图例、第二图例包括第二光强的数值在指定范围内的学习图例、……、第N图例包括第N光强的数值在指定范围内的学习图例。
[0040] 第五步：根据分类统计标准将多个学习图例分别设置为第一图例、第二图例、……、第N图例。
[0041] 容易理解的，首先将符合分类统计标准的学习图例进行分类，在第一图例中包括了第一光强符合分类统计标准的学习图例，而其中其他光强的数值则不作要求。相应的，对第二光强、……、第九光强也进行相应的分类统计，则在本实施例会得到九个分类完成的图例。
[0042] 为了对初次分类后的图例进行二次分类，设置第一图例内光强的数值相同的数目最多的学习图例为第一选择图例、设置第二图例内光强的数值相同的数目最多的学习图例为第二选择图例、……、设置第N图例内光强的数值相同的数目最多的学习图例为第N选择图例。
[0043] 容易理解的，以第一图例进行举例说明。
[0044] 例如，在第一图例中，第一区域的第一光强有50个A数值的光强数据、有30个B数值的光强数据，以及10个C数值、9个D数值、5个E数值的光强数据。则可以将50个具有A数值的光强数据的学习图例单独的分类至第一选择图例中。
[0045] 如果需要再进行一个分类以提供预处理过程的更多的选择，可以将具有30个B数值的光强数据的学习图例进一步的分类至第一次选图例中。
[0046] 值得注意的是，第一光强在指定范围外的图例、或者第二光强在指定范围外的图例、……、或者第九光强在指定范围外的图例设置为排除图例。这是为了在上述的图例出现过曝或欠曝的情况下，将图例排除学习范围，避免对神经网络的学习产生误导。
[0047] 第六步：获取目标图像，根据区域划分标准对目标图像进行区域划分，得到区域划分设置为第一区域、第二区域、……、第N区域的目标图例。
[0048] 容易理解的，可以参照图1或者图2（这里假设图1或者图2为目标图像）。其划分方式和学习图像的划分方式相同并且对应。例如，学习图像通过建立坐标系的方式进行划分则目标图像也通过建立坐标系的方式进行划分，或者学习图像通过识别对象的方式进行划分则目标图像也通过识别对象的方式进行划分。
[0049] 第七步：获取处理目标。
[0050] 具体的，处理目标设置为目标图例的第一区域、第二区域、……、第九区域其中的一者或者多者。以图2（这里假设图2为目标图像）为例，假设在图2中的第三区域和第四区域出现局部过曝的情况，需要基于光强进行后期的预处理。那么，则处理目标是第三区域和第四区域这两个区域。
[0051] 第八步：根据处理目标将目标图例分别和第一图例、第二图例、……、第N图例进行对比，并对目标区域进行预处理。
[0052] 具体的，在处理目标是处理目标是第三区域和第四区域的情况下，可以知道的，第一区域、第二区域、第五区域、……、第九区域则均为正常，不需要调整。那么，分别对比第一图例、第二图例、第五图例、……、第九图例，得到第三区域和第四区域的动态对比结果，在得到的动态对比结果中，获取第三区域和第四区域的第三选择图例和第四选择图例，并将第三选择图例和第四选择图例的光强数值替换处理目标的光强数值。
[0053] 在上述对比过程中，也可以选择第一选择图例、第二选择图例、第五选择图例、……、第九选择图例，或者第一次选图例、第二次选图例、第五次选图例、……、第九次选图例。
[0054] 需要说明的是，在本文中关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0055] 而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0056] 在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0057] 显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上。
[0058] 可选的，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。
[0059] 本发明不限制于任何特定的硬件和软件结合。
[0060] 以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
