Умови освітлення можуть істотно вплинути на продуктивність систем комп'ютерного зору. Досягнення освітлення забезпечує, що ці системи можуть працювати надійно по різних середовищах і сценаріях освітлення. Різні методи розроблені для вирішення цього завдання, спрямованого на преобробку, використання методів видобутку та моделювання.

Методи попередньої обробки зображень

Методи обробки, спрямовані на нормалізації варіацій освітлення до екстракції функції. Йоготограма рівності регулює контрастність зображень для зменшення розпадів освітлення. Комутація Gamma змінює образ блиску для стандартизування рівня яскравості. Крім того, алгоритми затримання кольору намагаються видалити кольорові з'єднання, викликані різними джерелами освітлення.

Методи визначення характеристик

Вилучення функцій, які менш чутливі до зміни освітлення, посилює надійність системи. Методики, такі як локальні бінарні візерунки (LBP) зосереджені на фактурі, а не інтенсивності, що робить їх більш варіабельним для освітлення. Градієнтні функції, такі як краї та контури, також менш впливають на варіанти освітлення, забезпечують стабільні кулі для виконання завдань.

Стратегії навчання моделі

Удосконалює їх варіабельність. Аугментація даних передбачає створення синтетичних варіацій навчальних зображень в різних сценаріях освітлення. Використання варіантних функцій, що представляє в машинних моделях, таких як глибокі нейромережі, що навчаються на різних замітках, може додатково підвищити надійність від зміни освітлення.

Додаткові техніки

  • Ілюмінація-інваріантні дескриптори: Використання спеціалізованих декрипторів, призначених для того, щоб бути нечутливим для освітлення.
  • Multi-spectral зображення: Захоплення зображень по різних спектрах для пом'якшення впливу освітлення.
  • Адаптивний алгоритм: Системи, які динамічно пристосовуються до змінних умов освітлення.