[发明专利]一种基于不同照度的图像分类及处理方法

摘要

本发明公开了一种基于不同照度的图像分类及处理方法，其实现步骤主要有：采集不同照度的视频图像作为训练样本图像；提取样本图像的特征作为实验数据；对特征数据进行学习训练，形成分类器；根据已构建分类器实现对未知的不同照度图像分类；未知图像分类结果输出；根据未知图像的分类结果自动判断是否需要进行照度处理；对需要进行照度处理的未知图像进行处理；输出最终结果图像。本发明实现了对不同照度的图像分类，改善了阈值判断误差较大的问题，大大提高了分类精度，提高了针对监控视频图像处理技术的工作效率。

主权项

1.一种基于不同照度的图像分类及处理方法，其特征在于：该方法包括以下步骤：步骤1，视频图像采集；利用视频图像采集设备采集不同照度条件下的视频图像，不同照度条件分为晴天、雾霾天、雨雪恶劣天候及夜晚条件下的视频图像；所采集视频图像为黑白或彩色，并以此作为实验样本数据；根据上述视频图像采集中的数据采集方式，能够得到两种不同格式的样本数据：即单幅图像和视频；若采集的数据为单幅图像样本，则直接执行步骤2；若采集的为视频样本，则需要对视频进行分帧处理，使其成为单幅图像样本后再执行步骤2；步骤2，根据步骤1视频图像采集得到的单幅图像样本进行图像特征数据提取；通过对不同照度图像特点的分析，实现对能反映图像照度差异的图像特征进行图像特征数据提取，图像特征数据为图像对比度值、图像边缘强度值、图像的灰度均值；1)图像对比度值的计算图像对比度，即图像亮暗的对比程度；对于所采集的图像来说，不同照度的图像具有不同的图像对比度值，因此，图像对比度作为区别不同类型图像的评判标准；图像对比度值c的计算公式如下：其中，i和j分别为像素点的横、纵坐标，δ(i,j)＝|i‑j|，|i‑j|为图像像素间的灰度差，P_δ(i,j)为相邻像素间的灰度差为δ的像素分布概率；图像对比度值的具体计算方式如下：首先，将实验样本图像由彩色图像转换为灰度图像；其次，对得到的灰度图像的矩阵进行数据格式转换；最后，根据公式(1)计算图像对比度，获得图像对比度值c；2)图像边缘强度值的计算图像的边缘是图像局部强度变化最显著的部分，亦从另一个角度反映了图像的清晰化程度，同一场景、不同照度的图像的边缘强度是有差别的，所以，图像的边缘强度值能够作为分辨不同照度图像的标准；图像边缘强度值的具体计算方式如下：首先，将实验样本图像由彩色图像转换为灰度图像；其次，sobel算子模板与实验样本灰度图像进行平面卷积运算，获得横向及纵向边缘检测的图像灰度值G_x和G_y；然后，利用G_x和G_y计算该像素点的灰度大小G，其计算公式如下：最后，计算边缘特征图像的像素灰度均值，即为图像的边缘强度值e；3)图像灰度均值图像灰度均值是指灰度图像所有像素点灰度值的平均值，是图像最基本的特征；同样的，不同的图像具有不同的灰度均值，而针对不同照度的图像，其灰度均值相差更大，因此，灰度均值亦可作为判断不同照度图像的标准；图像灰度均值a计算公式如下：其中，δ(i,j)为灰度图像像素点，i和j分别为像素点的横、纵坐标，w和h分别是图像矩阵的宽和高；灰度均值的具体计算方式如下：首先，将不同照度的图像由彩色图像转换为灰度图像；其次，获取灰度图像每个像素点的灰度值；最后，计算每个像素点灰度值得平均值，即为图像的灰度均值a；步骤3，图像特征分类训练；根据已提取的图像特征，构造图像分类器，实现对多种照度类型的图像分类；分类器构造方法采用支持向量机SVM方法；支持向量机的分类器构造方法具体实现步骤如下：步骤3.1，图像特征数据归一化；对多种照度图像的所有特征进行数据归一化，分别得到数据特征集图像对比度值c、图像的边缘强度值e和图像灰度均值a；步骤3.2，构造分类器，实现多种图像类型的分类；支持向量机的方法实现步骤如下：步骤3.2.1，基于步骤3.1得到的多种照度图像特征集，设定特征集标签，将其中一类图像的特征设定标签为1，作为分类的第一种图像类型；剩余图像类型的特征设定标签为‑1；步骤3.2.2，引入SVM分类器原理的径向基RBF核函数，构建基于RBF核函数的SVM学习训练，RBF核函数如下所示：其中，x为输入特征向量，即图像对比度c或图像边缘强度e或图像灰度均值a，特征z为核函数中心，σ为核函数宽度；构建基于RBF核函数的SVM学习模型进行训练，其分类训练模型如下：其中，x_j为输入图像特征，即图像对比度或图像的边缘强度或图像灰度均值，α_j为拉格朗日算子，0＜α_j＜C，C为对错分样本的惩罚系数，n为训练样本数，b为分类阈值，y_j为分类标记‑1或1，即1表示已设定的某类图像，‑1表示剩余类型图像；步骤3.2.3，通过交叉验证的方法对上述训练模型中的惩罚系数C和RBF核函数宽度σ进行优化选择，取最优惩罚系数值为最优拉格朗日算子α^*，由此获得如下所示的第一个SVM分类预测模型：步骤3.2.4，针对所有图像类型特征集，重新设定标签，分离出要分类的第二种图像类型，并设定标签为1，剩余图像类型标签为‑1；重复步骤3.2.2和步骤3.2.3，得到第二个SVM分类预测模型；步骤3.2.5，重复步骤3.2.4，遍历所有图像类型特征，并形成多个SVM分类预测模型；步骤4，根据步骤3.2得到的预测模型对待分类图像进行分类；具体实现步骤如下：步骤4.1，提取待分类图像的对比度特征、边缘强度特征和均值特征，并数据归一化；步骤4.2，将待分类图像的特征分别导入已构建的分类预测训练模型，进行数据匹配；步骤4.3，获得待分类图像特征的匹配结果及所属图像类型；步骤5，输出待分类图像所属图像类型；步骤6，根据步骤5的结果自动判断待分类图像是否进行照度处理；若待分类图像为晴天图像，则直接执行步骤8；若待分类图像为雾霾图像或夜晚图像，则执行步骤7，进行照度处理；步骤7，对雾霾图像或夜晚图像进行照度处理；针对雾霾图像和夜晚图像低照度图像的清晰化算法有多种，本方法利用图像全局化增强和细节调整相结合的方法，实现对雾霾图像和夜晚图像的清晰化处理；具体的实现步骤如下：步骤7.1，实现图像全局化增强；Retinex算法包括单尺度算法SSR和多尺度算法JMSR两种；在RGB颜色空间中，SSR计算公式如下：R_l(x,y)＝logI_l(x,y)‑log[F(x,y)*I_l(x,y)],l＝1,2,...,n'        (9)其中，R_l(x,y)相应于图像第l通道的输出，I_l(x,y)是图像I第l通道像素的亮度值，*表示卷积运算，n'表示颜色通道数，F(x,y)表示中心/包围函数，表示为高斯函数形式：其中，σ₁为控制中心/包围函数的范围，σ₁越小，中心/包围函数越尖锐，K由归一化条件来确定，公式如下：其中，(x,y)表示像素点的坐标，w'表示图像的宽度即横坐标长度，h'表示图像的高度纵坐标长度；显然，SSR的性能很大程度上取决于变量σ₁；采用JMSR算法得到第l通道的输出，公式如下：其中，R_l(x,y)相应于图像第l通道的输出，W_n则表示尺度的权重因子，N表示使用尺度的个数；根据实际需要调整算法参数使其适应于各不同照度的雾霾图像、夜晚图像；步骤7.2，对全局化增强后的图像进行细节调整处理；图像中的纹理和边缘都属于图像的高频部分，平滑部分对应低频部分；加强图像高频信息能够突出图像中对象物的边界信息，使图像细节更加清晰化；本方法利用增强图像的高频信息对图像中人物、车辆的细节信息进行加强；分离图像中的高频和低频部分的处理方法有傅里叶变换算法、小波变换算法；进行图像细节调整的步骤如下：步骤7.2.1，对步骤7.1的结果图像进行分层处理；采用小波变换算法对图像进行分层处理；其中，小波变换算法的处理过程如下；采用小波变换算法对所述图像在不同的尺度上使用高通滤波器和低通滤波器在水平和垂直两个方向上分别进行两次滤波，得到的分解结果为：近似分量A、水平细节分量H、垂直细节分量V和对角细节分量D；小波变换算法中的滤波次数根据需要进行调整；步骤7.2.2，调整高低频系数；雾天图像的云雾信息分布在低频，景物信息占据相对高频；图像经多层小波变换得到最高层的近似系数和每一层的细节系数；近似系数代表图像背景，频率最低；细节系数代表图像的高频信息，层数大的细节系数频率较低；通过降低近似分量A的系数，增大水平细节分量H、垂直细节分量V和对角细节分量D的系数，实现减弱低频的云雾信息、增强相对高频的景物信息的目的；步骤7.2.3，根据所述步骤7.2.1小波变换算法进行小波系数重构，得到重构图像；步骤8，输出结果清晰图像。