Les conditions d'éclairage peuvent avoir une incidence significative sur les performances des systèmes de vision par ordinateur. L'invariance de l'éclairage permet de faire fonctionner ces systèmes de manière fiable dans différents environnements et scénarios d'éclairage.

Techniques de prétraitement d'images

Les méthodes de prétraitement visent à normaliser les variations d'éclairage avant l'extraction des fonctionnalités. L'égalisation histogramme ajuste le contraste des images pour réduire les disparités d'éclairage. La correction de gamma modifie la luminance d'image pour normaliser les niveaux de luminosité.

Méthodes d'extraction des caractéristiques

Les techniques telles que les modèles binaires locaux (LBP) se concentrent sur la texture plutôt que l'intensité, ce qui les rend plus invariables à l'éclairage. Les caractéristiques à base de graduants comme les bords et les contours sont également moins affectées par les variations d'éclairage, fournissant des indices stables pour les tâches de reconnaissance.

Stratégies de formation types

L'augmentation des données implique la création de variations synthétiques des images de formation dans différents scénarios d'éclairage. L'utilisation de représentations de caractéristiques invariantes dans les modèles d'apprentissage automatique, comme les réseaux neuronaux profonds formés sur des ensembles de données variés, peut améliorer encore la robustesse contre les changements d'éclairage.

Techniques supplémentaires

  • Descripteurs invariants pour l'illusion: Utilisation de descripteurs spécialisés conçus pour être insensibles à l'éclairage.
  • Imagerie multispectrale :[ Capturer des images à travers différents spectres pour atténuer les effets de l'éclairage.
  • Algorithmes adaptatifs: Systèmes qui s'adaptent dynamiquement aux conditions d'éclairage changeantes.