這段時間，因為接觸了紅外攝像頭影像除錯相關的作業，對演算法與影像質量之間的關系與彼此約束有許多困惑和不解。
因為不太了解演算法實作，所以對演算法對影像的要求存在口口相傳的一點了解。比如銳度啦…
對影像質量除錯，與演算法之間的關系也做了如下思考：
假如演算法是基于以前別的專案不同的sensor進行trainning的，是否有必要對新的sensor調出來的影像進行重新trainning？是不是分深度學習和傳統演算法兩種情況？
這里有一個想法，假設影像質量存在一組最佳引數，這個最佳引數可以滿足大部分人看起來滿意。但是這組引數需要除錯出來的一組引數來逼近，也就是我們事先是不知道這組最佳引數的。這時候，不同人或者同一個人的不同影像質量優化結果，所對應的引數，應該是在這個最佳引數周邊分布，可以用正態分布來建模，最佳引數應該是認可概率最高的那組引數。
這時候，如果基于其他sensor的訓練模型，理想結果，該模型可以和這個sensor影像質量的正太分布相匹配。
但是，往往有很大可能，非對應sensor訓練出來的演算法，所匹配的影像質量模型往往有偏差。這時候，可能導致一種后果，也就是，影像質量越好，演算法識別效果越差。
那么又引出一個問題：什么時候應該繼續優化影像效果？什么時候應該鎖定影像效果，需要演算法來適配最好的影像效果？
這里就需要建立一個除錯的共識：機器演算法識別較好的效果，至少是和人眼識別的效果正相關的。而不是人眼識別越好，機器識別越差，朝相反的方向背道而行。我想，最終應該識別的影像，人眼看起來也應該是滿意的。
所以，這里就存在一個問題，每次先將影像質量調到人眼可見的最高，然后讓機器來適配，這是否可行？
理論上，演算法和人眼對影像效果的要求應該同時符合正態分布模型。
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/120940.html
標籤：智能硬件
上一篇：stm32