照明条件可以显著影响计算机视觉系统的性能. 实现照明的偏移可以确保这些系统能够可靠地在不同环境和照明情景中运行,已经开发出各种方法来应对这一挑战,侧重于预处理,特征提取,以及模型培训技术.

图像预处理技术

预处理方法旨在在特性提取前使照明变异正常化. 直方图平方调整图像的对比度以减少照明差异. Gamma 校正修改图像亮度, 使亮度水平标准化. 此外, 色彩恒定算法试图消除不同照明源造成的色彩偏差.

采掘方法

提取对照明变化不太敏感的特性会增强系统稳健性. 本地二进制图案(LBP)等技术注重纹理而非强度,使其更不易发生照明. 渐变的特性如边缘和轮廓也较少受到照明变化的影响,为识别任务提供稳定的提示.

示范培训战略

具有不同照明条件的培训模型可以改善它们的不常态性. 数据增强涉及在不同照明情景下对培训图像进行合成变异. 利用机器学习模型中不常态特征表现,如在各种数据集上训练的深神经网络,可以进一步提高抗照明变化的强度.

附加技术

  • 照明-变种描述符:[] 使用设计对照明不敏感的专用描述符.
  • 多光谱成像: 捕捉不同光谱的图像以减轻照明效果.
  • 动态调整以适应不断变化的照明条件的系统 动态算法:.