照明条件は、コンピュータビジョンシステムのパフォーマンスに著しく影響を及ぼす可能性があります。照明のインヴァランスを達成することで、これらのシステムはさまざまな環境や照明のシナリオで確実に動作できることを確認します。さまざまな方法は、この課題に対処するために開発され、前処理、機能抽出、モデルのトレーニングテクニックに焦点を当てています。

画像処理技術

プレプロセス方式は、機能抽出の前に照明のバリエーションを正規化することを目指しています。 ヒストグラムのイコライゼーションは、照明の分散性を低下させるための画像のコントラストを調整します。 ガンマ補正は、明るさレベルを標準化するための画像の発光を修正しました。 さらに、異なる照明ソースによって引き起こされる色バイアスを削除しようとすると、色一貫性アルゴリズムが変更されます。

特徴の抽出方法

照明変化に敏感な抽出機能は、システムの堅牢性を高めます。 ローカルバイナリパターン(LBP)などの技術は、強度ではなく、テクスチャに焦点を当て、それらをより一層照明に不変させます。 エッジや輪郭などの勾配ベースの機能は、照明のバリエーションの影響も少なく、認識タスクのための安定したキューを提供します。

モデル トレーニング 戦略

多様な照明条件を持つトレーニングモデルは、その変化を改善します。データ集計は、さまざまな照明シナリオの下でのトレーニング画像の合成変化を作成することを含みます。さまざまなデータセットで訓練されたディープニューラルネットワークなどの機械学習モデル内の無差機能表現を使用して、照明変化に対する堅牢性をさらに高めることができます。

追加のテクニック

  • []:照明に感性を持たせるように設計された特殊な記述子の使用。
  • [マルチスペクトルイメージング:[]]] 照明効果を緩和するために、さまざまなスペクトルにわたって画像をキャプチャします。
  • 適応アルゴリズム:[]]照明条件の変更に動的に調整するシステム。