Belysningsbetingelser kan påvirke ytelsen til datasynssystemer. Å oppnå belysningsinvarians sikrer at disse systemene kan fungere på en pålitelig måte på tvers av ulike miljøer og belysningsscenarier. Det er utviklet ulike metoder for å håndtere denne utfordringen, med fokus på forbehandling, utvinning av funksjoner og modelltreningsteknikker.

Forhåndsbehandlingsteknikker

Forbehandlingsmetoder tar sikte på å normalisere belysningsvariasjoner før utvinning av funksjoner. Histogram equalitization justerer kontrasten av bilder for å redusere lysforskjellene. Gammakorreksjon modifiserer bildeluminans til å standardisere lysstyrkenivåene. I tillegg forsøker fargekonstant algoritmer å fjerne fargefordeler forårsaket av ulike belysningskilder.

Funksjonsutvinningsmetoder

Utvinning av funksjoner som er mindre følsomme for belysningsendringer forbedrer systemets robusthet. Teknikker som lokale binære mønster (LBP) fokuserer på tekstur i stedet for intensitet, noe som gjør dem mer invariant til belysning. Gradientbaserte funksjoner som kanter og konturer er også mindre påvirket av belysningsvariasjoner, noe som gir stabile cues for gjenkjennelsesoppgaver.

Modelltrening Strategier

Trening modeller med ulike belysningsforhold forbedrer deres invarians. Dataforsterkning innebærer å skape syntetiske variasjoner av trening bilder under ulike belysningsscenarier. Ved å bruke invariante funksjonsrepresentasjoner innen maskinlæring modeller, som dype nevrale nettverk trent på varierte datasett, kan ytterligere forbedre robustheten mot belysningsendringer.

Ytterligere teknikker

  • Illuminasjonsinvariante deskriptorer: Bruk av spesialiserte deskriptorer som er utformet for å være ufølsomme for belysning.
  • Multi-spektral avbildning: Kapting bilder over ulike spektra for å redusere lyseffekter.
  • Adaptive algoritmer: Systemer som justerer seg dynamisk til skiftende belysningsforhold.