[发明专利]基于阈值分区加权亮度分量的夜间道路图像增强方法

说明书

本发明提供了一种基于阈值分区加权亮度分量的夜间道路图像增强方法，包括如下步骤：根据最大熵法得到的阈值将HSV颜色空间的V分量划分为暗区和亮区；针对暗区，运用改进的双曲正割分布的累积分布函数提高其亮度，针对亮区，运用改进的双曲正切S型函数增强其亮度；将增强后的V_new(i,j)分量与原始输入图像的H、S分量融合后转换回RGB颜色空间，用非线性变换函数LC进行光照补偿；采用双尺度均值滤波增强图像细节，获得最终夜间增强图像。本发明既能提高夜间图像暗区域的亮度，同时还能避免亮区过增强，且还能够实现自适应增强，无需手动调参，能够满足智能驾驶的实时性能。

技术领域

本发明涉及夜间图像增强技术领域，特别是一种基于阈值分区加权亮度分量的夜间道路图像增强方法。

背景技术

计算机视觉技术是智能驾驶系统中的关键一环，尤其在傍晚或夜间等低照度条件下，拍摄到的图像往往缺失了目标的形状和高维纹理信息，存在亮度和对比度低、细节模糊、噪声大等问题，导致图像检测、识别系统无法准确清晰地识别出图像中的有用信息。要解决这一系列问题，需要对获取到的夜间道路图像进行质量增强处理。夜间图像增强的最终目的是提高图像的亮度和对比度，并抑制噪声的放大，恢复更多的图像细节。

传统方法包括直方图均衡化、基于Retinex理论、基于数学模型等。近些年，国内外学者围绕夜间环境下视觉图像处理技术进行了相关研究。论文《基于光照图估计的Retinex低照度图像增强算法》中，基于Retinex理论提出用L2范数初始化光照图，改进RTV模型细化光照图，增强了图像的对比度，但该模型鲁棒性差，算法耗时长。论文《基于光照分量校正和补偿的低照度图像增强算法》中，使用多尺度梯度域引导滤波和二维自适应伽马校正对亮度分量处理得到光照图，该算法提高了图像整体亮度，但阴影区域增强不明显。

此外，深度学习也逐渐应用于计算机视觉领域，并取得了一些成果。现已存在现有技术利用神经网络来训练权重参数、学习图像特征，达到增强图像的效果。

但是，使用直方图均衡化方法处理夜间低照度图像时，将一副图像的直方图分布变成近似均匀分布，由于夜间图像普遍偏暗，低像素值偏多。直方图均衡化以后，像素值动态范围被扩大，导致变换后图像的灰度级减少，不能保证图像的细节信息。由于夜间道路图像常有人造光源(如车灯、路灯、建筑反光材料等)的干扰，导致获取图像存在伪影现象，致使直方图有高峰，经处理后会出现过增强或曝光现象。

Retinex理论在对光照图像进行估计时，都会假设初始光照图像是缓慢变化的，即光照图像是平滑的，但在亮度相差很大的边缘处，光照变化是非平滑的。在这种情况下，Retinex增强算法在亮度差异大的边缘处易产生光晕现象。而且，无论是单尺度还是多尺度的 Retinex算法，都是分通道单独进行，对于RGB彩色图像，由于没有考虑到不同颜色通道之间的关系，导致有些图像处理完后发生色偏、失真等现象，对彩色图像具有局限性。

基于数学模型的方法，更多的是基于各种先验条件基础上的，其模型的实用条件有限，鲁棒性差。

基于深度学习的图像增强方法虽然效果较好，但是训练模型对实验设备要求高，数据集的采集和建立也是一个难题。

总之，现有夜间图像增强技术存在主要存在如下缺陷：

(1)现有方法大多是使用全局无差别的方式增强夜间图像，但由于夜间道路上常有路灯、车灯、建筑反光等光源的存在，易导致图像暗区亮度增强的同时，在光源区域过增强，发生曝光现象；

(2)智能驾驶系统是动态路径、图像识别和系统操作实时进行的，然而现有技术中还存在一些方法在运行时需手动调整参数，这对于智能驾驶的实时性能来说得不到满足。

发明内容

为了克服现有技术的不足，本发明提供了一种基于阈值分区加权亮度分量的夜间道路图像增强方法，既能提高夜间图像暗区域的亮度，同时还能避免亮区(如灯光、建筑物反光等)过增强，且还能够实现自适应增强，无需手动调参，能够满足智能驾驶的实时性能。