高动态成像及神经网络学习笔记

最新推荐文章于 2023-04-19 10:30:04 发布

夏季梦幻想

最新推荐文章于 2023-04-19 10:30:04 发布

阅读量1.1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：人工智能文章标签：神经网络

本文链接：https://blog.csdn.net/qq_41832686/article/details/84667517

本文探讨高动态成像技术，包括基于响应函数与色调映射的融合方法，如伽马校正、对比度和饱和度调整。同时，介绍了神经网络在曝光融合中的应用，涉及前向传导、反向传播算法和优化技巧。文章还讨论了高斯金字塔和拉普拉斯金字塔在图像融合中的作用，并提供了Python和MATLAB的实现示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前向与反向传导算法
神经网络的前向传导算法：

定义神经网络的损失函数：

反向传导算法：第二项为正则化项，也称权重衰减项，减小权重的幅度，防止过度拟合。

梯度下降的单次迭代过程：
梯度检验与高级优化
就是要使得计算结果的梯度与其真是结果相近，对于每一个i检查下式是否相近

高动态成像：

基于响应函数与色调映射的方法

捕获不同曝光度的多张图像
以下代码基于python：

import cv2
import numpy as np

def readImagesAndTimes():  # 曝光时间列表
  times = np.array([ 1/30.0, 0.25, 2.5, 15.0 ], dtype=np.float32)  # 图像文件名称列表
  filenames = ["img_0.033.jpg", "img_0.25.jpg", "img_2.5.jpg", "img_15.jpg"]
  images = []
  for filename in filenames:
    im = cv2.imread(filename)
    images.append(im)
    return images, times
</