شرایط نورپردازی می تواند به طور قابل توجهی بر عملکرد سیستم های بینایی کامپیوتر تأثیر بگذارد. دستیابی به نور در متغیری تضمین می کند که این سیستم ها می توانند به طور قابل اعتماد در محیط های مختلف و سناریوهای نورپردازی کار کنند. روش های مختلف برای حل این چالش، با تمرکز بر پیش پردازش، استخراج ویژگی و تکنیک های آموزش مدل توسعه یافته است.

تکنیک های پیش پردازش تصویر

روش های پیش پردازش هدف از نرمال کردن تغییرات نور قبل از استخراج ویژگی است. برابر سازی هیستوگرام کنتراست تصاویر را برای کاهش تفاوت های نور تنظیم می کند. گاما نور تصویر را به سطوح روشنایی استاندارد، علاوه بر این، الگوریتم های استحکام رنگ تلاش می کند تا تعصبات رنگی را که توسط منابع مختلف نور ایجاد شده است، حذف کند.

روش های استخراج

استخراج ویژگی هایی که کمتر به تغییرات نور حساس هستند، قوی بودن سیستم را افزایش می دهد. تکنیک هایی مانند الگوهای باینری محلی (LBP) بر بافت تمرکز می کنند نه شدت، و آنها را بیشتر به نور تبدیل می کند. ویژگی های مبتنی بر Gradient مانند لبه ها و خطوط نیز تحت تاثیر تغییرات نور قرار می گیرند، ارائه نشانه های پایدار برای تشخیص وظایف.

استراتژی های آموزش مدل

مدل های آموزشی با شرایط نورپردازی متنوع، استحکام داده های آنها را بهبود می بخشد، شامل ایجاد تغییرات مصنوعی تصاویر آموزشی تحت سناریوهای مختلف نور است.استفاده از نمایندگی های ویژگی های invariant در مدل های یادگیری ماشین، مانند شبکه های عصبی عمیق آموزش دیده در داده های مختلف، می تواند قوی تر بودن در برابر تغییرات نور را افزایش دهد.

تکنیک های اضافی

  • از توصیفات برجسته: استفاده از توصیف کنندگان تخصصی طراحی شده برای حساس بودن به نور.
  • ] تصویربرداری چند چشم انداز: تصاویر را در طیف های مختلف برای کاهش اثرات نور.
  • الگوریتم های سازگار: سیستم هایی که به طور پویا با تغییر شرایط نور سازگار هستند.