專利名稱：產(chǎn)生高動態(tài)范圍圖像的方法及電子裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明是關(guān)于一種圖像的方法及電子裝置，特別是一種產(chǎn)生高動態(tài)范圍圖像的方 法及電子裝置。
背景技術(shù)：
人類的視覺系統(tǒng)在感應(yīng)光線時，是經(jīng)由周遭的光線分布來調(diào)整感光程度，所以人 類在過量或過暗的環(huán)境時，經(jīng)過一段時間的適應(yīng)，即可看到周遭事物?，F(xiàn)今的攝影器材， 如攝影機、照相機、單眼相機、網(wǎng)絡(luò)攝影機...等基礎(chǔ)原理其實大同小異。以針孔成像的原 理，將截取的圖像，經(jīng)由鏡頭投影到感應(yīng)組件上。但由于感光組件如底片(film)、電荷耦合 組件傳感器(Charge Coupled Device sensor, CCD sensor)、互補金屬氧化半導(dǎo)體傳感器 (Complementary Metal-Oxide Semiconductor sensor, CMOS sensor)的感光范圍與人目艮 不同，且無法隨著圖像做動態(tài)調(diào)整。所以造成拍攝出來的圖像常常會有某一部分亮度過亮 或過暗。請參考“圖1”所示，其為動態(tài)范圍不足的圖像的示意圖。圖像10為一般數(shù)字相機 所拍攝而得的動態(tài)范圍不足的圖像，其中左下角圖像區(qū)塊12為亮度過暗的區(qū)域，右上角圖 像區(qū)塊14為亮度過亮的區(qū)域。此種狀況使得左下角圖像區(qū)塊12中的樹木與房屋的細節(jié)都 因太暗而無法看清楚。公知為了克服這種問題可采用高動態(tài)范圍圖像(High Dynamic Range Images, HDR)。高動態(tài)范圍圖像的做法是以不同曝光設(shè)定，拍攝出相同區(qū)域圖像的不同感光程度，再 經(jīng)由圖像合成技術(shù)，合成出符合人類視覺感受的圖像。請參考“圖2”所示，其為多張圖像合 成高動態(tài)范圍圖像的示意圖。高動態(tài)范圍圖像20由多張不同感光程度的圖像21、23、25、 27、29透過圖像合成方式，而合成一張高動態(tài)范圍圖像20。這種做法效果很好，但缺點也非 常明顯。首先所拍攝的圖像位置不能有誤差，若有誤差即會造成合成上的困難。圖像在拍 攝時，所需的儲存空間也從單張變?yōu)槎鄰垼偌由咸幚砗铣蓵r所需耗費的時間成本。所以這 是一種耗費時間、儲存空間、又易于出錯的做

發(fā)明內(nèi)容
鑒于以上的問題，本發(fā)明提供一種產(chǎn)生高動態(tài)范圍圖像的方法，藉以將一張原始 圖像，透過類神經(jīng)網(wǎng)絡(luò)算法所訓(xùn)練而得的亮度調(diào)整模型產(chǎn)生高動態(tài)范圍圖像。因此，本發(fā)明所揭露的產(chǎn)生高動態(tài)范圍圖像的方法，包括加載亮度調(diào)整模型，亮 度調(diào)整模型應(yīng)用類神經(jīng)網(wǎng)絡(luò)算法所構(gòu)成；取得原始圖像(original image)；擷取原始圖像 的像素特征值、第一方向上的第一特征值與第二方向上的第二特征值；以及依據(jù)原始圖像 的像素特征值、第一特征值與第二特征值，透過亮度調(diào)整模型產(chǎn)生高動態(tài)范圍圖像。其中，上述第一方向的方向與第二方向的方向相異，第一方向的方向為水平方向， 第二方向的方向為垂直方向。另外，原始圖像的像素特征值是利用下式計算
。其中，Cl為原始圖像的像素特征值、N為原始圖像的水平
方向的像素總數(shù)、M為原始圖像的垂直方向的像素總數(shù)、Yij為原始圖像中第一方向第i個 及第二方向第j個像素的亮度值、且N、Μ、i與j為正整數(shù)。 此外，原始圖像的第一特征值利用下式計算G?！渲?，
Cf2jc為原始圖像的第一特征值、X為原始圖像中第一方向的像素的個數(shù)、Yij為原始圖像中
第一方向第i個及第二方向第j個像素的亮度值、Y(i+X)j為原始圖像中第一方向第i+χ個及 第二方向第j個像素的亮度值、且i、j與χ為正整數(shù)。 于此，原始圖像的第二特征值利用下式計算G2 =———其中，
少 。
C2為原始圖像的第二特征值、y為原始圖像中第二方向的像素的個數(shù)、Yij為原始圖像中 yJ
第一方向第i個及第二方向第j個像素的亮度值、Yi(j+y)為原始圖像中第一方向第X個及第 二方向第j+y個像素的亮度值、且i、j與y為正整數(shù)。此外，上述亮度調(diào)整模型于外部裝置中所產(chǎn)生，包括加載多個幀訓(xùn)練圖像；以及 擷取每一幀訓(xùn)練圖像的像素特征值、第一方向上的第一特征值與第二方向上的第二特征 值，并透過類神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生亮度調(diào)整模型。其中，上述第一方向的方向與第二方向的方向相異，第一方向的方向為水平方向， 第二方向的方向為垂直方向。此外，每一幀訓(xùn)練圖像的像素特征值利用下式計算
。其中，C1為每一幀訓(xùn)練圖像的像素特征值、N為每一幀訓(xùn)
練圖像的水平方向的像素總數(shù)、M為每一幀訓(xùn)練圖像的垂直方向的像素總數(shù)、Yij為每一幀 訓(xùn)練圖像中第一方向第i個及第二方向第j個像素的亮度值、且N、M、i與j為正整數(shù)。于此，上述每一幀訓(xùn)練圖像的第一特征值利用下式計算 Y - Y
其中，r為每一幀訓(xùn)練圖像的第一特征值、X為每一幀訓(xùn)練圖
像中第一方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像 素的亮度值、Y(i+x)J為每一幀訓(xùn)練圖像中第一方向第i+x個及第二方向第j個像素的亮度 值、且i、j與X為正整數(shù)。另外，上述每一幀訓(xùn)練圖像的第二特征值利用下式計算
其中，"為每一幀訓(xùn)練圖像的第二特征值、y為每一幀訓(xùn)練圖
像中第二方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像 素的亮度值、Yi(j+y)為每一幀訓(xùn)練圖像中第一方向第X個及第二方向第j+y個像素的亮度 值、且i、j與y為正整數(shù)。這里，上述類神經(jīng)網(wǎng)絡(luò)算法為倒傳遞神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network，BNN)算法、徑向基函數(shù)(Radial Basis Function，RBF)或自主特征映像網(wǎng)絡(luò) (Self-Organizing Map, S0M)算法其中之一。因此，本發(fā)明所揭露的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其依據(jù)亮度調(diào)整模型，用 以對一原始圖像進行亮度的調(diào)整，電子裝置包括亮度調(diào)整模型、特征值擷取單元與亮度調(diào) 整程序。其中，亮度調(diào)整模型為應(yīng)用類神經(jīng)網(wǎng)絡(luò)算法所構(gòu)成；特征值擷取單元擷取原始圖像 的像素特征值、第一方向上的第一特征值與第二方向上的第二特征值；以及亮度調(diào)整程序， 連接亮度調(diào)整模型與特征值擷取單元，亮度調(diào)整程序依據(jù)原始圖像的像素特征值、第一特 征值與第二特征值，透過亮度調(diào)整模型產(chǎn)生高動態(tài)范圍圖像。于此，上述第一方向的方向與第二方向的方向相異，第一方向的方向為水平方向， 第二方向的方向為垂直方向。 此外，原始圖像的像素特征值利用下式計算
其中，C1為原始圖像的像素特征值、N為原始圖像的水平方向的像素總數(shù)、M為原始圖像的 垂直方向的像素總數(shù)、Yij為原始圖像中第一方向第i個及第二方向第j個像素的亮度值、 且N、M、i與j為正整數(shù)。另外，原始圖像的第一特征值利用下式計算G，=———其中，
Cf2x為原始圖像的第一特征值、χ為原始圖像中第一方向的像素的個數(shù)、Yij為原始圖像中
第一方向第i個及第二方向第j個像素的亮度值、Y(i+X)j為原始圖像中第一方向第i+x個及 第二方向第j個像素的亮度值、且i、j與χ為正整數(shù)。
γ. - Y..其中，原始圖像的第二特征值利用下式計算=G2 二——其中，
‘ y °
C2為原始圖像的第二特征值、y為原始圖像中第二方向的像素的個數(shù)、Yij為原始圖像中 yJ
第一方向第i個及第二方向第j個像素的亮度值、Yi(J+y)為原始圖像中第一方向第X個及 第二方向第j+y個像素的亮度值、且i、j與y為正整數(shù)。于此，上述亮度調(diào)整模型于外部裝置中所產(chǎn)生，包括加載多個幀訓(xùn)練圖像；以及 擷取每一幀訓(xùn)練圖像的一像素特征值、第一方向上的第一特征值與第二方向上的第二特征值，并透過類神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生亮度調(diào)整模型。其中，上述第一方向的方向與第二方向的方向相異，第一方向的方向為水平方向， 第二方向的方向為垂直方向。于此，每一幀訓(xùn)練圖像的像素特征值利用下式計算
。其中，C1為每一幀訓(xùn)練圖像的像素特征值、N為每一幀訓(xùn)
練圖像的水平方向的像素總數(shù)、M為每一幀訓(xùn)練圖像的垂直方向的像素總數(shù)、Yij為每一幀 訓(xùn)練圖像中第一方向第i個及第二方向第j個像素的亮度值、且N、M、i與j為正整數(shù)。此外，每一幀訓(xùn)練圖像的第一特征值利用下式計算
其 中，Cf2為每一幀訓(xùn)練圖像的第一特征值、χ為每一幀訓(xùn)練圖像中第一方向的像素的個數(shù)、
Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像素的亮度值、Y(i+x)J為每一幀 訓(xùn)練圖像中第一方向第i+x個及第二方向第j個像素的亮度值、且i、j與X為正整數(shù)。于此，每一幀訓(xùn)練圖像的第二特征值利用下式計算
其中，廣為每一幀訓(xùn)練圖像的第二特征值、y為每一
幀訓(xùn)練圖像中第二方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向 第j個像素的亮度值、Yi(j+y)為每一幀訓(xùn)練圖像中第一方向第χ個及第二方向第j+y個像素 的亮度值、且i、j與y為正整數(shù)。其中，上述類神經(jīng)網(wǎng)絡(luò)算法為倒傳遞神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network，BNN)算法、徑向基函數(shù)(Radial Basis Function，RBF)或自主特征映像網(wǎng)絡(luò) (Self-Organizing, S0M)算法其中之一。根據(jù)本發(fā)明所提供的的產(chǎn)生高動態(tài)范圍圖像的方法及電子裝置，可透過類神經(jīng)網(wǎng) 絡(luò)算法訓(xùn)練產(chǎn)生亮度調(diào)整模型，并利用亮度調(diào)整模型對單張圖像進行處理而產(chǎn)生高動態(tài)范 圍圖像。進而可改善需拍攝多張圖像的時間與儲存空間，降低多張圖像合成單張圖像的處 理時間。有關(guān)本發(fā)明的特征與實際應(yīng)用，茲配合附圖作最佳實施例詳細說明如下。


圖1為動態(tài)范圍不足的圖像的示意圖。圖2為多張圖像合成高動態(tài)范圍圖像的示意圖。圖3為依據(jù)本發(fā)明的一實施例的產(chǎn)生高動態(tài)范圍圖像的方法的流程圖。圖4為依據(jù)本發(fā)明的一實施例的產(chǎn)生亮度調(diào)整模型的流程圖。圖5為依據(jù)本發(fā)明的另一實施例的產(chǎn)生高動態(tài)范圍圖像的電子裝置的架構(gòu)示意 圖。
圖6為依據(jù)本發(fā)明的另一實施例的產(chǎn)生亮度調(diào)整模型的流程圖。圖7為依據(jù)本發(fā)明的實施例的倒傳遞神經(jīng)網(wǎng)絡(luò)算法的示意圖。主要組件符號說明
10圖像12左下角圖像區(qū)塊14右上角圖像區(qū)塊20高動態(tài)范圍圖像21圖像23圖像25圖像27圖像29圖像30電子裝置32儲存單元322原始圖像34處理單元344亮度調(diào)整模型342特征值擷取單元346亮度調(diào)整程序36輸出單元
具體實施例方式根據(jù)本發(fā)明的產(chǎn)生高動態(tài)范圍圖像的方法，應(yīng)用于具有圖像擷取功能的電子裝 置。本方法可透過軟件或固件程序內(nèi)建于電子裝置的儲存裝置中，再由電子裝置的處理器 執(zhí)行內(nèi)建的軟件或固件程序搭配圖像擷取功能來實現(xiàn)根據(jù)本發(fā)明的產(chǎn)生高動態(tài)范圍圖像 的方法。于此，電子裝置可為具圖像擷取功能的數(shù)字相機(DIGITAL CAMERA)、具圖像擷取功 能的計算機、具圖像擷取功能的移動電話(Mobile Phone)、或具圖像擷取功能的個人數(shù)字 助理(Personal Digital Assistant, PDA)等，但不僅局限于上述的電子裝置。請參考圖3所示，其為依據(jù)本發(fā)明的一實施例的產(chǎn)生高動態(tài)范圍圖像的方法的流 程圖。本發(fā)明的流程包括以下步驟S100、加載亮度調(diào)整模型，亮度調(diào)整模型是應(yīng)用類神經(jīng)網(wǎng)絡(luò)算法所構(gòu)成；S110、取得原始圖像(original image)；S120、擷取原始圖像的像素特征值、第一方向上的第一特征值與第二方向上的第 二特征值；以及S130、依據(jù)原始圖像的像素特征值、第一特征值與第二特征值，透過亮度調(diào)整模型 產(chǎn)生高動態(tài)范圍圖像。其中，步驟S120中的第一方向的方向與第二方向的方向相異，第一方向的方向為 水平方向，第二方向的方向為垂直方向。于此雖描述第一方向的方向為水平方向，第二方向 的方向為垂直方向，但應(yīng)用依實際需求調(diào)整方向，如X軸向相交正45度的方向及X軸向相交正135度的方向，如X軸向相交正30度的方向及X軸向相交正150度的方向等等。唯原始 圖像的特征值的擷取的方向須與訓(xùn)練圖像的特征值的擷取的方向一致(即為相同方向)。另外，步驟S120中的原始圖像的像素特征值利用下式計算
。其中，C1為原始圖像的像素特征值、N為原始圖像的水平 hj:lNxM
方向的像素總數(shù)、M為原始圖像的垂直方向的像素總數(shù)、Yij為原始圖像中第一方向第i個 及第二方向第j個像素的亮度值、且N、Μ、i與j為正整數(shù)。此外，步驟S120中的原始圖像的第一特征值利用下式計算
其中，f為原始圖像的第一特征值、X為原始圖像中第一方向
的像素的個數(shù)、Yij為原始圖像中第一方向第i個及第二方向第j個像素的亮度值、Y(i+X)j為 原始圖像中第一方向第i+x個及第二方向第j個像素的亮度值、且i、j與X為正整數(shù)。于此，步驟S120中的原始圖像的第二特征值是利用下式計算
其中，f 為原始圖像的第二特征值、y為原始圖像中第二方向
的像素的個數(shù)、Yij為原始圖像中第一方向第i個及第二方向第j個像素的亮度值、Yi(j+y)為 原始圖像中第一方向第X個及第二方向第j+y個像素的亮度值、且i、j與y為正整數(shù)。此外，步驟SlOO中的所述的亮度調(diào)整模型于外部裝置中所產(chǎn)生。外部裝置可以是 但不限于制造廠商的計算機裝置或?qū)嶒炇业挠嬎銠C裝置等等。請參考圖4所示，其為依據(jù) 本發(fā)明的一實施例的產(chǎn)生亮度調(diào)整模型的流程圖。產(chǎn)生亮度調(diào)整模型的流程包括以下步 驟S200、加載多個幀訓(xùn)練圖像；以及S210、擷取每一幀訓(xùn)練圖像的像素特征值、第一方向上的第一特征值與第二方向 上的第二特征值，并透過類神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生亮度調(diào)整模型。其中，步驟S210中所述的第一方向的方向與第二方向的方向相異，第一方向的方 向為水平方向，第二方向的方向為垂直方向。于此雖描述第一方向的方向為水平方向，第二 方向的方向為垂直方向，但應(yīng)用依實際需求調(diào)整方向，如X軸向相交正45度的方向及X軸 向相交正135度的方向，如X軸向相交正30度的方向及X軸向相交正150度的方向等等。 唯原始圖像的特征值的擷取的方向須與訓(xùn)練圖像的特征值的擷取的方向一致(即為相同 方向)。此外，步驟S210中所述的每一幀訓(xùn)練圖像的像素特征值利用下式計算
。其中，C1為每一幀訓(xùn)練圖像的像素特征值、N為每一幀訓(xùn)練圖像的水平方向的像素總數(shù)、M為每一幀訓(xùn)練圖像的垂直方向的像素總數(shù)、Yij為每一幀 訓(xùn)練圖像中第一方向第i個及第二方向第j個像素的亮度值、且N、M、i與j為正整數(shù)。于此，步驟S210中所述的每一幀訓(xùn)練圖像的第一特征值利用下式計算
C9——其中，y為每一幀訓(xùn)練圖像的第一特征值、X為每一幀訓(xùn)練圖
像中第一方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像 素的亮度值、Y(i+x)J為每一幀訓(xùn)練圖像中第一方向第i+x個及第二方向第j個像素的亮度 值、且i、j與χ為正整數(shù)。另外，步驟S210中所述的每一幀訓(xùn)練圖像的第二特征值是利用下式計算
C2y——其中，“為每一幀訓(xùn)練圖像的第二特征值、y為每一幀訓(xùn)練圖
像中第二方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像 素的亮度值、Yi(j+y)為每一幀訓(xùn)練圖像中第一方向第X個及第二方向第j+y個像素的亮度 值、且i、j與y為正整數(shù)。于此，上述類神經(jīng)網(wǎng)絡(luò)算法可為倒傳遞神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network，BNN)算法、徑向基函數(shù)(Radial Basis Function，RBF)或自主特征映像網(wǎng)絡(luò) (Self-Organizing Map, S0M)算法其中之一。另外，請參考圖5所示，其為依據(jù)本發(fā)明的另一實施例的產(chǎn)生高動態(tài)范圍圖像的 電子裝置的架構(gòu)示意圖。電子裝置30包括儲存單元32、處理單元34與輸出單元36。其 中，儲存單元32儲存有原始圖像322，儲存單元32可以是但不限于隨機存取存儲器(Random Access Memory, RAM)、云力態(tài)隨機存取存儲器(Dynamic Random Access Memory, DRAM)或同 步動態(tài)隨機存取存儲器(Synchronous Dynamic Random Access Memory, SDRAM)其中的任
ο處理單元34連接儲存單元32，處理單元34可包括亮度調(diào)整模型344、特征值擷 取單元342與亮度調(diào)整程序346。特征值擷取單元342擷取原始圖像322的像素特征值、第 一方向上的第一特征值與第二方向上的第二特征值。亮度調(diào)整模型344是應(yīng)用類神經(jīng)網(wǎng)絡(luò) 算法所構(gòu)成。亮度調(diào)整程序346依據(jù)原始圖像322的像素特征值、第一特征值與第二特征 值，透過亮度調(diào)整模型344產(chǎn)生高動態(tài)范圍圖像。處理單元34可以是但不限于中央處理器 (CPU)、微處理器(Micro Control Unit、MCU)。輸出單元36連接處理單元34，輸出單元36 可將產(chǎn)生的高動態(tài)范圍圖像顯示于電子裝置30的屏幕上。于此，上述第一方向的方向與第二方向的方向相異，第一方向的方向為水平方向， 第二方向的方向為垂直方向。于此雖描述第一方向的方向為水平方向，第二方向的方向為 垂直方向，但應(yīng)用依實際需求調(diào)整方向，如X軸向相交正45度的方向及X軸向相交正135 度的方向，如X軸向相交正30度的方向及X軸向相交正150度的方向等等。唯原始圖像的 特征值的擷取的方向須與訓(xùn)練圖像的特征值的擷取的方向一致(即為相同方向)。此外，原始圖像322的像素特征值利用下式計算
其中,C1為原始圖像322的像素特征值、N為原始圖像322
的水平方向的像素總數(shù)、M為原始圖像322的垂直方向的像素總數(shù)、Yij為原始圖像322中 第一方向第i個及第二方向第j個像素的亮度值、且N、M、i與j為正整數(shù)。另外，原始圖像322的第一特征值是利用下式計算
其
中，C7、為原始圖像322的第一特征值、χ為原始圖像322中第一方向的像素的個數(shù)、Yij為
原始圖像322中第一方向第i個及第二方向第j個像素的亮度值、Y(i+X)j為原始圖像322中 第一方向第i+x個及第二方向第j個像素的亮度值、且i、j與χ為正整數(shù)。 其中，原始圖像322的第二特征值是利用下式計算
其
中，為原始圖像322的第二特征值、y為原始圖像322中第二方向的像素的個數(shù)、Yij為
原始圖像322中第一方向第i個及第二方向第j個像素的亮度值、Yi(j+y)為原始圖像322中 第一方向第χ個及第二方向第j+y個像素的亮度值、且i、j與y為正整數(shù)。于此，上述亮度調(diào)整模型于外部裝置中所產(chǎn)生。外部裝置可以是但不限于制造廠 商的計算機裝置或?qū)嶒炇业挠嬎銠C裝置等等。請參考圖6所示，其為依據(jù)本發(fā)明的另一實 施例的產(chǎn)生亮度調(diào)整模型的流程圖。產(chǎn)生亮度調(diào)整模型的流程包括以下步驟S300、加載多個幀訓(xùn)練圖像；以及S310、擷取每一幀訓(xùn)練圖像的像素特征值、第一方向上的第一特征值與第二方向 上的第二特征值，并透過類神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生亮度調(diào)整模型。其中，步驟S310中所述的第一方向的方向與第二方向的方向相異，第一方向的方 向為水平方向，第二方向的方向為垂直方向。于此雖描述第一方向的方向為水平方向，第二 方向的方向為垂直方向，但應(yīng)用依實際需求調(diào)整方向，如X軸向相交正45度的方向及X軸 向相交正135度的方向，如X軸向相交正30度的方向及X軸向相交正150度的方向等等。 唯原始圖像的特征值的擷取的方向須與訓(xùn)練圖像的特征值的擷取的方向一致(即為相同 方向)。此外，步驟S310中所述的每一幀訓(xùn)練圖像的像素特征值利用下式計算
其中，C1為每一幀訓(xùn)練圖像的像素特征值、N為
每一幀訓(xùn)練圖像的水平方向的像素總數(shù)、M為每一幀訓(xùn)練圖像的垂直方向的像素總數(shù)、Yij 為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像素的亮度值、且N、M、i與j為正 整數(shù)。
于此，步驟S310中所述的每一幀訓(xùn)練圖像的第一特征值是利用下式計算
其中，r為每一幀訓(xùn)練圖像的第一特征值、X為每一幀訓(xùn)練圖 像中第一方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像 素的亮度值、Y(i+x)J為每一幀訓(xùn)練圖像中第一方向第i+x個及第二方向第j個像素的亮度 值、且i、j與χ為正整數(shù)。另外，步驟S310中所述的每一幀訓(xùn)練圖像的第二特征值利用下式計算
其中，ρ為每一幀訓(xùn)練圖像的第二特征值、y為每一幀訓(xùn)練圖
像中第二方向的像素的個數(shù)、Yij為每一幀訓(xùn)練圖像中第一方向第i個及第二方向第j個像 素的亮度值、Yi(j+y)為每一幀訓(xùn)練圖像中第一方向第X個及第二方向第j+y個像素的亮度 值、且i、j與y為正整數(shù)。于此，上述類神經(jīng)網(wǎng)絡(luò)算法可為倒傳遞神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network，BNN)算法、徑向基函數(shù)(Radial Basis Function，RBF)或自主特征映像網(wǎng)絡(luò) (Self-Organizing Map, S0M)算法其中之一。另外，請參考圖7所示，其為依據(jù)本發(fā)明的實施例的倒傳遞神經(jīng)網(wǎng)絡(luò)算法的示意 圖。倒傳遞神經(jīng)網(wǎng)絡(luò)40包含輸入層42、隱藏層44與輸出層46。其中每一幀訓(xùn)練圖像共 有M*N個像素，每個像素都具有三個特征值(像素特征值、第一特征值與第二特征值)。輸
入層分別傳入訓(xùn)練圖像的像素的特征值，因此輸入層42的節(jié)點(XpX2、X3.....XJ的個數(shù)
總和為α = 3*Μ*Ν個。隱藏層44的節(jié)點(&、P2, P3.....P0)之個數(shù)為β個，輸出層46
的節(jié)點(Υ1、Υ2、Υ3.....Yy)的個數(shù)為Y個，且α≥β≥Υ。于所有訓(xùn)練圖像經(jīng)過倒傳
遞神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練及判斷收斂后，即可得到亮度調(diào)整模型。其中在亮度調(diào)整模型的輸入 層42與隱藏層44之間得到第一組權(quán)重值Wa 0，隱藏層44與輸出層46之間得到第二組權(quán) 重值W0y。其中，隱藏層44的各節(jié)點的值利用下式計算而得
。其
中，Pj為隱藏層44的第j個節(jié)點的值、Xi為輸入層42的第i個節(jié)點的值、Wij為輸入層42 的第i個節(jié)點與隱藏層44的第j個節(jié)點之間的權(quán)重值、bj為隱藏層44的第j個節(jié)點的偏 移量、且a、i與j為正整數(shù)。此外，輸出層46的各節(jié)點的值是利用下式計算而得
其中，Yk為輸出層46的第k個節(jié)點的值、P」為隱藏層44的第
j個節(jié)點的值、Wjk為隱藏層44的第j個節(jié)點與輸出層46的第k個節(jié)點之間的權(quán)重值、Ck為 輸出層46的第k個節(jié)點的偏移量、且β、j與k為正整數(shù)。此外，判斷收斂是利用平均平方誤差值(Mean Squared Error, MSE)計算而得
其中，λ為訓(xùn)練圖像的數(shù)量總和、Υ為輸
出層的節(jié)點數(shù)量總和、Tks為第S個訓(xùn)練圖像的第k個輸出節(jié)點的目標輸出值、Yks為第s個 訓(xùn)練圖像的第k個輸出節(jié)點的推論輸出值、且λ、Y、S與k為正整數(shù)。
雖然本發(fā)明以前述的較佳實施例揭露如上，然其并非用以限定本發(fā)明，任何本領(lǐng) 域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，當可作些許的更動與潤飾，因此本發(fā)明的專 利保護范圍須視本說明書所附的權(quán)利要求書范圍所界定者為準。
權(quán)利要求
一種產(chǎn)生高動態(tài)范圍圖像(High Dynamic Range Image，HDR)的方法，該方法包括加載一亮度調(diào)整模型，該亮度調(diào)整模型是應(yīng)用一類神經(jīng)網(wǎng)絡(luò)算法所構(gòu)成；取得一原始圖像；擷取該原始圖像的一像素特征值、一第一方向上的一第一特征值與一第二方向上的一第二特征值；以及依據(jù)該原始圖像的該像素特征值、該第一特征值與該第二特征值，透過該亮度調(diào)整模型產(chǎn)生一高動態(tài)范圍圖像。
2.如權(quán)利要求1所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該第一方向的方向與該第二 方向的方向相異，該第一方向的方向為水平方向，該第二方向的方向為垂直方向。
3.如權(quán)利要求1所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該原始圖像的該像素特征值 利用下式計算其中，Ci為該原始圖像的該像素特征值、N為該原始圖像的水平方向的像素總數(shù)、M為 該原始圖像的垂直方向的像素總數(shù)、為該原始圖像中該第一方向第i個及該第二方向第 j個像素的亮度值、且N、M、i與j為正整數(shù)。
4.如權(quán)利要求1所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該原始圖像的該第一特征值 利用下式計算 其中，為該原始圖像的該第一特征值、X為該原始圖像中該第一方向的像素的個數(shù)、為該原始圖像中該第一方向第i個及該第二方向第j個像素的亮度值、Y(i+X)j為該原 始圖像中該第一方向第i+x個及該第二方向第j個像素的亮度值、且i、j與x為正整數(shù)。
5.如權(quán)利要求1所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該原始圖像的該第二特征值 利用下式計算 其中，〔2,為該原始圖像的該第二特征值、y為該原始圖像中該第二方向的像素的個數(shù)、為該原始圖像中該第一方向第i個及該第二方向第j個像素的亮度值、Yi(j+y)為該原 始圖像中該第一方向第X個及該第二方向第j+y個像素的亮度值、且i、j與y為正整數(shù)。
6.如權(quán)利要求1所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該亮度調(diào)整模型系于一外部 裝置中所產(chǎn)生，包括加載多個幀訓(xùn)練圖像；以及 擷取每一該訓(xùn)練圖像的一像素特征值、一第一方向上的一第一特征值與一第二方向上的一第二特征值，并透過該類神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生該亮度調(diào)整模型。
7.如權(quán)利要求6所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該第一方向的方向與該第二 方向的方向相異，該第一方向的方向為水平方向，該第二方向的方向為垂直方向。
8.如權(quán)利要求6所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中每一該訓(xùn)練圖像的該像素特 征值利用下式計算 其中，(^為每一該訓(xùn)練圖像的該像素特征值、N為每一該訓(xùn)練圖像的水平方向的像素總 數(shù)、M為每一該訓(xùn)練圖像的垂直方向的像素總數(shù)、為每一該訓(xùn)練圖像中該第一方向第i個 及該第二方向第j個像素的亮度值、且N、M、i與j為正整數(shù)。
9.如權(quán)利要求6所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中每一該訓(xùn)練圖像的該第一特 征值利用下式計算 其中，為每一該訓(xùn)練圖像的該第一特征值、x為每一該訓(xùn)練圖像中該第一方向的像素的個數(shù)、Y.j為每一該訓(xùn)練圖像中該第一方向第i個及該第二方向第j個像素的亮度值、 Y(i+x)J為每一該訓(xùn)練圖像中該第一方向第i+x個及該第二方向第j個像素的亮度值、且i、j 與x為正整數(shù)。
10.如權(quán)利要求6所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中每一該訓(xùn)練圖像的該第二 特征值利用下式計算 其中，^^丨為每一該訓(xùn)練圖像的該第二特征值、y為每一該訓(xùn)練圖像中該第二方向的像素的個數(shù)、y.j為每一該訓(xùn)練圖像中該第一方向第i個及該第二方向第j個像素的亮度值、 Yi(J+y)為每一該訓(xùn)練圖像中該第一方向第x個及該第二方向第j+y個像素的亮度值、且i、j 與y為正整數(shù)。
11.如權(quán)利要求1所述的產(chǎn)生高動態(tài)范圍圖像的方法，其中該類神經(jīng)網(wǎng)絡(luò)算法為倒傳 遞神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network, BNN)算法、徑向基函數(shù)(Radial Basis Function, RBF)或自主特征映像網(wǎng)絡(luò)(Self-Organizing Map, SOM)算法其中之一。
12.—種產(chǎn)生高動態(tài)范圍圖像的電子裝置，其依據(jù)亮度調(diào)整模型，用以對一原始圖像進 行亮度的調(diào)整，該電子裝置包括一亮度調(diào)整模型，該亮度調(diào)整模型是應(yīng)用一類神經(jīng)網(wǎng)絡(luò)算法所構(gòu)成； 一特征值擷取單元，擷取該原始圖像的一像素特征值、一第一方向上的一第一特征值 與一第二方向上的一第二特征值；以及一亮度調(diào)整程序，連接該亮度調(diào)整模型與該特征值擷取單元，該亮度調(diào)整程序依據(jù)該 原始圖像的該像素特征值、該第一特征值與該第二特征值，透過該亮度調(diào)整模型產(chǎn)生一高 動態(tài)范圍圖像。
13.如權(quán)利要求12所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該第一方向的方向與 該第二方向的方向相異，該第一方向的方向為水平方向，該第二方向的方向為垂直方向。
14.如權(quán)利要求12所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該原始圖像的該像素 特征值利用下式計算 其中，Q為該原始圖像的該像素特征值、N為該原始圖像的水平方向的像素總數(shù)、M為 該原始圖像的垂直方向的像素總數(shù)、為該原始圖像中該第一方向第i個及該第二方向第 j個像素的亮度值、且N、M、i與j為正整數(shù)。
15.如權(quán)利要求12所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該原始圖像的該第一 特征值利用下式計算 其中，為該原始圖像的該第一特征值、X為該原始圖像中該第一方向的像素的個“ X數(shù)、為該原始圖像中該第一方向第i個及該第二方向第j個像素的亮度值、Y(i+X)j為該原 始圖像中該第一方向第i+x個及該第二方向第j個像素的亮度值、且i、j與x為正整數(shù)。
16.如權(quán)利要求12所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該原始圖像的該第二 特征值利用下式計算 其中，Gy為該原始圖像的該第二特征值、y為該原始圖像中該第二方向的像素的個數(shù)、為該原始圖像中該第一方向第i個及該第二方向第j個像素的亮度值、Yi(j+y)為該原 始圖像中該第一方向第X個及該第二方向第j+y個像素的亮度值、且i、j與y為正整數(shù)。
17.如權(quán)利要求12所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該亮度調(diào)整模型于一 外部裝置中所產(chǎn)生，包括加載多個幀訓(xùn)練圖像；以及擷取每一該訓(xùn)練圖像的一像素特征值、一第一方向上的一第一特征值與一第二方向上 的一第二特征值，并透過該類神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生該亮度調(diào)整模型。
18.如權(quán)利要求17所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該第一方向的方向與 該第二方向的方向相異，該第一方向的方向為水平方向，該第二方向的方向為垂直方向。
19.如權(quán)利要求17所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中每一該訓(xùn)練圖像的該像素特征值利用下式計算 其中，(^為每一該訓(xùn)練圖像的該像素特征值、N為每一該訓(xùn)練圖像的水平方向的像素總 數(shù)、M為每一該訓(xùn)練圖像的垂直方向的像素總數(shù)、為每一該訓(xùn)練圖像中該第一方向第i個 及該第二方向第j個像素的亮度值、且N、M、i與j為正整數(shù)。
20.如權(quán)利要求17所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中每一該訓(xùn)練圖像的該 第一特征值利用下式計算 其中，為每一該訓(xùn)練圖像的該第一特征值、X為每一該訓(xùn)練圖像中該第一方向的像素的個數(shù)、Y.J為每一該訓(xùn)練圖像中該第一方向第i個及該第二方向第j個像素的亮度值、 Y(i+x)J為每一該訓(xùn)練圖像中該第一方向第i+x個及該第二方向第j個像素的亮度值、且i、j 與x為正整數(shù)。
21.如權(quán)利要求17所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中每一該訓(xùn)練圖像的該 第二特征值利用下式計算 其中，為每一該訓(xùn)練圖像的該第二特征值、y為每一該訓(xùn)練圖像中該第二方向的像素的個數(shù)、Y.j為每一該訓(xùn)練圖像中該第一方向第i個及該第二方向第j個像素的亮度值、 Yi(J+y)為每一該訓(xùn)練圖像中該第一方向第x個及該第二方向第j+y個像素的亮度值、且i、j 與y為正整數(shù)。
22.如權(quán)利要求17所述的產(chǎn)生高動態(tài)范圍圖像的電子裝置，其中該類神經(jīng)網(wǎng)絡(luò)算法 為倒傳遞神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network, BNN)算法、徑向基函數(shù)(Radial Basis Function, RBF)或自主特征映像網(wǎng)絡(luò)(Self-Organizing Map, SOM)算法其中之一。
全文摘要
一種產(chǎn)生高動態(tài)范圍圖像(HDR)的方法及電子裝置，該方法包括加載亮度調(diào)整模型，亮度調(diào)整模型應(yīng)用類神經(jīng)網(wǎng)絡(luò)算法所構(gòu)成；取得原始圖像；擷取原始圖像的像素特征值、第一方向上的第一特征值與第二方向上的第二特征值；及依據(jù)原始圖像的像素特征值、第一特征值與第二特征值，透過亮度調(diào)整模型產(chǎn)生高動態(tài)范圍圖像。電子裝置包括亮度調(diào)整模型、特征值擷取單元與亮度調(diào)整程序。電子裝置透過特征值擷取單元擷取原始圖像像素特征值、第一特征值與第二特征值，并透過亮度調(diào)整模型對原始圖像產(chǎn)生高動態(tài)范圍圖像。
文檔編號G06N3/08GK101859430SQ200910134240
公開日2010年10月13日 申請日期2009年4月9日 優(yōu)先權(quán)日2009年4月9日
發(fā)明者林照鈞 申請人:微星科技股份有限公司