CN101916431A - 一种低照度图像数据处理方法及系统 - Google Patents

Abstract

本发明公开了低照度图像数据处理方法及系统，包括：读取一帧待处理图像数据；在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；按照灰度值递减的顺序，查找出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值，并将不大于白色响应估计值的像素值确定为该颜色分量的有效像素；利用白平衡算法依据有效像素估计光照值，并依据光照值校正图像数据；在白色响应估计值范围内选择上下限，利用直方图裁剪处理校正后的图像数据。本发明公开的方法，通过估算实际场景中的白色响应值，确定了图像有效像素，避免了由于人造光源或高光像素值造成的光照估计偏差较大，影响处理效果的问题，有效地提高了低照度图像的增强效果。

Description

一种低照度图像数据处理方法及系统

技术领域

本发明涉及图像处理领域，尤其涉及一种低照度图像数据处理方法及系统。

背景技术

计算机视觉系统的很多应用，如视频监视、智能交通、自动导航，都要求图像特征检测具备鲁棒性。然而，低照度(如夜晚、室内、曝光不足)往往会导致捕获的图像亮度不足、细节损失，以及颜色失真，甚至几乎不包含可见的场景信息。因此，为了更好地展现场景信息和提高视觉系统的可靠性，校正图像的亮度、对比度和偏色是很有必要的。

HVS(Human Visual System，人类视觉系统)具有自适应特性，能够在大范围不同颜色的光照条件下识别物体的真实颜色。也就是说，在外界光照条件变化的时候，人眼对物体颜色的感知在一定程度上仍能保持相对不变，表现出颜色恒常性。

在彩色图像增强方面，基于颜色恒常性，最广泛应用的是Retinex算法。Retinex算法是局部对比度增强的一类重要方法，能够同时实现图像的全局和局部对比度增强，以及基于灰度假设的颜色校正，达到增强雾、烟、水下和夜晚图像的视见度的目的。包含多种改进算法，最为普遍应用的为中心/邻域Retinex算法，其中包括由NASA提出的，MSRCR(MultiScale Retinex with Color Restoration，颜色复原多尺度Retinex算法)。但是，由于中心/邻域Retinex算法的本质是基于灰度假设，而均匀颜色区域违背了灰度假设，使得处理后的颜色去饱和而变为灰色调，产生了灰化效应，存在严重的颜色失真问题。而MSRCR算法的颜色复原过程实际上是引入原图像色度的非线性函数，来补偿中心/邻域Retinex算法处理过程中损失的颜色信息，并不是恢复场景的真实颜色，违背了颜色恒常性的原理。影响了对低照度图像的增强效果，使得现有技术中对低照度图像的处理效果较差。

发明内容

有鉴于此，本发明提供一种低照度图像数据处理方法及系统，以解决现有技术的算法处理低照度图像增强效果差的问题。其具体方案为：

一种低照度图像数据处理方法，包括：

读取一帧待处理图像数据；

在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

按照灰度值递减的顺序，查找所述出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值，并将不大于所述白色响应估计值的像素值确定为该颜色分量的有效像素；

利用白平衡算法依据所述有效像素估计光照值，并依据所述光照值校正图像数据；

在白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据。

优选的，还包括：当所述待处理图像数据中存在未处理数据时，返回执行读取下一帧待处理图像数据的操作。

优选的，按照以下步骤，利用白平衡算法依据所述有效像素估计光照值，并依据所述光照值校正图像数据：

分别计算不同颜色分量的有效像素值的p次方，并求和，获得第一和值；

分别计算不同颜色分量的有效像素值的和，获得第二和值；

分别计算不同颜色分量的第一和值和第二和值比值的p次根，获得不同颜色分量的光照值；

利用对角变换对所述不同颜色分量的光照值进行校正。

优选的，在白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据步骤后还包括：

对所述处理后图像数据进行伽马校正。

优选的，查找所述最大灰度值后出现概率最小的灰度值：

计算当前灰度值出现概率与其上一个灰度值出现概率的差值；

判断所述差值是否大于第一阈值，或所述差值的绝对值是否小于第二阈值，若是，则当前灰度值为所述出现概率最小的灰度值，若否，则选取下一灰度值作为当前灰度值，返回执行计算当前灰度值出现概率与其上一个灰度值出现概率的差值的步骤。

一种低照度图像数据处理系统，包括：

数据读取单元，用于读取一帧待处理图像数据；

灰度值查找单元，用于在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

白色响应估计值确定单元，用于按照灰度值递减的顺序，查找所述出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值；

图像有效像素集确定单元，用于将不大于所述估计白色响应值的像素确定为有效像素；

校正单元，利用白平衡算法依据所述有效像素估计光照值，依据所述光照值校正图像数据；

直方图裁剪单元，在白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据。

优选的，还包括：

返回单元，用于当所述待处理图像数据中存在未处理数据时，返回执行读取下一帧待处理图像数据的操作。

优选的，还包括：伽马校正单元，用于对所述处理后的图像数据进行伽马校正。

优选的，所述校正单元包括：

第一和值计算单元，用于分别计算不同颜色分量的有效像素值的p次方，并求和，获得第一和值；

第二和值计算单元，用于分别计算不同颜色分量的有效像素值的和，获得第二和值；

光照值获得单元，用于分别计算不同颜色分量的第一和值和第二和值比值的p次根，获得不同颜色分量的光照值；

对角变换单元，用于利用对角变换对所述光照值进行校正。

优选的，所述白色响应估计值确定单元包括：

差值计算单元，用于计算当前灰度值出现概率与其上一个灰度值出现概率的差值；

判断单元，用于判断所述差值是否大于第一阈值，或所述差值的绝对值是否小于第二阈值，若是，则当前灰度值为所述出现概率最小的灰度值，若否，则选取下一灰度值作为当前灰度值，返回执行计算当前灰度值与其上一个灰度值的差值的步骤。

本发明公开的低照度图像数据处理方法，通过估算实际场景中的白色响应值，确定了低于白色响应值的像素为图像有效像素集，利用白色响应估计值对图像数据进行白平衡及直方图裁剪处理，避免了由于人造光源或高光像素值造成的光照估计偏差较大，影响处理效果的问题，使得图像的亮度和对比度有了明显的提高，并且去除了偏色现象，有效地提高了低照度图像的增强效果，避免了Retinex算法中的颜色失真对图像增强效果的影响，图像处理效果差的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1公开的低照度图像数据处理方法流程图；

图2为蓝色颜色分量直方图；

图3为处理过程中的蓝色分量的直方图；

图4为本发明实施例2公开的低照度图像数据处理方法流程图；

图5为本发明实施例3公开的低照度图像数据处理方法流程图；

图6为本发明实施例4公开的低照度图像数据处理方法流程图；

图7为处理后的蓝色分量的直方图；

图8为本发明增强结果和NASA增强结果的评价指数对比表；

图9为本发明和现有技术处理后色调均值对比表；

图10为本发明公开的低照度图像数据处理系统结构示意图；

图11为本发明公开的校正单元结构示意图；

图12为本发明公开的白色响应估计值确定单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种基于颜色恒常性的低照度图像数据处理方法，以解决现有技术中的算法处理低照度图像增强效果差的问题。其具体实施方式如下所述：

实施例一

本实施例公开的低照度图像数据处理方法的流程如图1所示，包括：

步骤S11、读取一帧待处理图像数据；

从彩色降质的视频序列中读取一帧待处理的视频图像I(x，y)，宽为W个像素，高为H个像素，(x，y)为该视频图像上点的坐标；0≤x≤W-1，0≤y≤H-1，H、W、x，y为非负整数。

步骤S12、在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

低照度场景中通常存在人造光源，人造光源或高光的影响导致成像传感器对白色的响应值偏离了像素值(255，255，255)^T。显然，场景中的人造光源或高光相比白色目标有更强的响应值，因此，在成像中有更大的像素值。通过观察大量低照度图像的直方图发现，若场景中存在人造光源或高光，则直方图的最亮端形成一个峰，而谷值处灰度值对应白色响应值。如图2所示，为蓝色颜色分量的直方图，图中可以明显的看出具有一个明显的峰，而其已经远远高出实际的白色响应值。根据光源的经验值，粗略地估计光源的亮度范围在[225，255]，然后在此范围内，分别查找出不同颜色分量直方图上出现概率最大的灰度值。

步骤S13、按照灰度值递减的顺序，查找所述出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值，并将不大于所述白色响应估计值的像素值确定为该颜色分量的有效像素；

向灰度值减小的方向扫描每个灰度级l∈[0，P_c]，p(l)表示对应每一灰度值的概率，找到出现概率最小的灰度值，将其在图2中用*号标示。将不大于该白色响应估计值的像素确定为有效像素，并将全部有效像素值构建成图像的有效集，也就是，不大于白色响应估计值的像素的集合。

步骤S14、利用白平衡算法依据所述有效像素估计光照值，依据所述光照值校正图像数据；

本发明中采用白平衡算法对像素进行去除偏色处理，根据有效像素获得光照值，利用获得的光照值对数据进行校正。由图3处理过程中蓝色分量的直方图可以看出，图中用*号标识的位置为利用白平衡算法校正偏色后的白色响应估计值，直方图根据其变换，发生了相应的伸缩调整，白色响应估计值也发生了变化。

步骤S15、在所述白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据；

对处理后的像素值进行调整，在所述白色响应估计值范围内选定最亮像素的界限，例如，将有效像素按照像素值从大到小的顺序排列，也就是，以白色响应估计值为基准点，向小于该值的方向，选取全部像素值中的1％，作为最亮像素，将此范围中的最小值，作为上限进行标记，如图3中+号标识的位置，将大于此值的像素进行裁剪，设定为所述最小值。此处同时需要设定下限值，可以为0，也可以为其他根据实际情况设定的值，去除拖尾数值对数据处理的影响。

本实施例公开的低照度图像数据处理方法，根据实际的场景估计出白色响应值，利用白色响应估计值选取裁剪范围，对图像数据进行处理，有效的提高了图像的亮度和对比度，并有效的去除偏色现象，提高了图像处理的效果。

实施例二

本实施例对低照度图像处理方法的流程进行了详细的描述，其流程如图4所示，

步骤S41、读取一帧待处理图像数据；

步骤S42、在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

步骤S43、按照灰度值递减的顺序，计算当前灰度值出现概率与其上一个灰度值出现概率的差值；

步骤S44、判断所述差值是否大于第一阈值，若是则执行步骤S46，若否，执行步骤S45；

即判断p(l-1)-p(l)＞α是否成立，本实施例中，α＝10^-3，可以根据情况设定其他值。

步骤S45、判断所述差值的绝对值是否小于第二阈值，若是则执行步骤S46，若否，则选取下一灰度值作为当前灰度值，返回执行步骤S43；

当上述判别式不成立时，判断|p(l-1)-p(l)|＜β是否成立，本实施例中，β＝10^-6，同样可以根据情况设定其他值。

步骤S46、将其确定为白色响应估计值，并将不大于所述白色响应估计值的像素值确定为该颜色分量的有效像素；

确定满足上述两个判别式之一的灰度级所对应的灰度值为白色响应估计值，并将不大于该灰度值的数值作为图像的有效像素。

步骤S47、利用白平衡算法依据所述有效像素估计光照值，依据所述光照值校正图像数据；

本实施例中采用基于图像低阶统计特征的白平衡算法校正像素值。

步骤S48、在所述图像有效像素集内选择上下限，利用直方图裁剪处理所述校正后的图像数据；

步骤S49、判断所述待处理图像数据中是否存在未处理数据，若是，则执行步骤S41，若否，则结束。

本实施例中对根据差值判断白色响应值的过程作了具体的描述，通过判断相邻灰度等级的灰度值差是否满足预设的阈值条件，来找到估计的白色响应值，利用图像有效像素估计光照值，再进行颜色校正，避免了由于人造光源或高光像素值造成的光照估计偏差较大，影响处理效果的问题，提高了图像数据处理效果。同时在处理过程结束之后加了循环执行的步骤，使得该方法可以自动实现对进行处理的图像的全部数据的处理，简化了操作流程。本实施例并不限定采用基于图像低阶统计特征的白平衡算法，也可以采用其他白平衡算法，例如色域映射方法、概率统计方法和机器学习方法等基于学习的白平衡算法，只是，基于学习的白平衡算法需要利用大量的特定图像，限定了处理方法的应用场景，并且会在一定程度上增加整个处理过程的复杂度。同样本实施例也并不限定找到白色响应估计值的方法，只要最终能够得到出现概率最大的像素值后的出现概率最小的像素值，都是本发明保护的范围。

实施例三

本实施例公开的低照度图像处理方法的流程的步骤如图5所示，包括：

步骤S51、读取一帧待处理图像数据；

步骤S52、在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

步骤S53、按照灰度值递减的顺序，计算当前灰度值出现概率与其上一个灰度值出现概率的差值；

步骤S54、判断所述差值是否大于第一阈值，若是，则执行步骤S56，若否，执行步骤S55；

步骤S55、判断所述差值的绝对值是否小于第二阈值，若是则执行步骤S56，若否，则选取下一灰度值作为当前灰度值，返回执行步骤S53；

步骤S56、将其确定为白色响应估计值，并将不大于所述白色响应估计值的像素值确定为该颜色分量的有效像素；

步骤S57、分别计算不同颜色分量的有效像素值的p次方，并求和，获得第一和值；

步骤S58、分别计算不同颜色分量的有效像素值的和，获得第二和值；

步骤S59、分别计算不同颜色分量的第一和值和第二和值比值的p次根，获得不同颜色分量的光照值；

利用对角变换对所述光照值进行校正；

步骤S57-步骤S59可以利用公式1来描述：

$L_c\left(p\right)={\left(\frac{\∫f_c^p\left(x\right)\mathrm{dx}}{\∫\mathrm{dx}}\right)}^{\frac{1}{p}}={\mathrm{ke}}_c---\left(1\right)$

对于朗伯表面(Lambert surface)，彩色图像f(x)＝(f_R(x)，f_G(x)，f_B(x))^T的生成可以表示为3个分量的乘积，即公式2所示：

$f\left(x\right)={\∫}_{\mathrm{\ω}}e\left(\mathrm{\λ}\right)r(x,\mathrm{\λ})\mathrm{\ρ}\left(\mathrm{\λ}\right)\mathrm{d\λ}---\left(2\right)$

在可见光ω范围内，光照光谱能量分布函数e(λ)、空间坐标x处的表面光谱反射函数r(x，λ)、传感器光谱敏感度函数p(λ)，均是关于波长λ的函数。假设场景是单光照，因此光照的颜色e取决于可见光ω范围内光照e(λ)和传感器p(λ)，则有公式3：

$e={(e_R,e_G,e_B)}^T={\∫}_{\mathrm{\ω}}e\left(\mathrm{\λ}\right)\mathrm{\ρ}\left(\mathrm{\λ}\right)\mathrm{d\λ}---\left(3\right)$

颜色恒常性通过特定的假设来估计光照的颜色。GW(Gray World，灰度假设)算法是基于灰度假设，即场景的平均反射分量是单色的，可表示为公式4：

$\frac{\∫r(x,\mathrm{\λ})\mathrm{dx}}{\∫\mathrm{dx}}=k---\left(4\right)$

式中，k为0(全吸收)和1(全反射)之间的常量。在这种假设条件下，平均反射分量与光照的色度相同，则有公式5：

$\frac{\∫f\left(x\right)\mathrm{dx}}{\∫\mathrm{dx}}=\mathrm{ke}---\left(5\right)$

WP(White-Point)算法，也称为Max-RGB算法，假设场景最大反射分量是单色的，可表示为公式6：

$\underset{x}{\max }{f}_c\left(x\right)={\mathrm{ke}}_c---\left(6\right)$

式中，c＝{R，G，B}分别表示R、G、B颜色通道。

Finlayson等指出GW算法和WP算法是闵可夫斯基范数的两个不同特例。灰色调算法假设彩色图像f(x)3个颜色分量的p阶闵可夫斯基范数相等，即不同颜色分量的补偿公式可描述为公式1，其中，当p＝1时，L(1)为灰度假设；当p＝∞时，L(∞)计算R、G、B颜色分量的最大值，本实施例中，p＝2。

步骤S510中，对角变换可表示为公式7，

$\left(\begin{array}{c}{f}_R^{\′}\\ f_G^{\′}\\ f_B^{\′}\end{array}\right)=\left(\begin{array}{ccc}{s}_R& 0& 0\\ 0& s_G& 0\\ 0& 0& s_B\end{array}\right)\left(\begin{array}{c}{f}_R\\ f_G\\ f_B\end{array}\right)---\left(7\right)$

式中，f_R，f_G，f_B和f′_R，f′_G，f′_B分别表示变换前后的RGB值。增益系数s_R，s_G，s_B将未知光照下的图像颜色映射到正则光照下的相应颜色。GW算法和WP算法分别对应将R、G、B分量的平均值和最大值映射到灰度轴上。由于人眼对绿色更加敏感，因此，本实施例中保持G分量不变(即s_G＝1)。R分量和B分量的增益系数s_R和s_B分别为：

s_R＝L_G(p)/L_R(p)    (8)

s_B＝L_G(p)/L_B(p)    (9)

式中，参数p为闵可夫斯基范数的阶。根据特征场景，适当地调整参数p可达到最优白平衡，本实施例中，选取p为2。然后，利用式7的对角变换校正R分量和B分量的像素值，以及白色响应值W_R和W_B。变换后的各个颜色分量的直方图也发生了相应的变化，以蓝色为例，如图3所示，与图2相比，发生相应的伸长调整，星号*标记变换后的白色响应值，记为W′_c。变换后的估计白色响应值发生了相应的变化。

步骤S511、在所述图像有效像素集内选择上下限，利用直方图裁剪处理所述校正后的图像数据；

在低照度图像中，直方图的概率值集中分布在灰度级的暗端，通常在亮端产生较长的拖尾，降低了图像的全局对比度。因此，为了增强图像的全局对比度，截断一定比例的拖尾像素。十字号+分别标记R、G、B通道中[0，W′_c]区间之内的最亮像素的界限。

若分别对R、G、B通道的像素进行剪裁，则将导致颜色失真。因此，对3个分量选取一致的上限M为

M＝max{T_R，T_G，T_B}    (10)

式中，T_R、T_G、T_B分别为R、G、B分量截断的上限，将三者中的最大值定为图像裁剪的上限。同理，截断最暗像素。通常情况下，由于图像偏暗，下限接近0。

将f′(x)的像素线性映射到[0，1]区间内

r(x)＝k[f′(x)-m]    (11)

式中，m为下限，M为上限，k为线段[(m，0)，(M，1)]的斜率。按照计算得出的上下限分别截断高于上限和低于下限的像素值。

步骤S512、判断所述待处理图像数据中是否存在未处理的图像数据，若是，则执行步骤S51，若否，则结束。

本实施例公开的低照度图像数据处理方法中，对利用白平衡算法对偏色进行校正的步骤以及选取预设范围的像素值作为有效像素值的步骤做了详细的说明，对图像中的偏色数据进行了校正，有效的解决了偏色问题，同时对过高和过低的像素值进行了直方图裁剪，进一步从整体上提高了图像的亮度和对比度。

实施例四

本实施例公开的低照度图像数据处理方法如图6所示，其整体流程与图5所示的实施例3相同，只是在步骤S611在所述图像有效像素集内选择上下限，利用直方图裁剪处理所述校正后的图像数据后，和步骤S6123所述待处理图像数据中是否存在未处理数据前加入了步骤S612，

步骤S612、对所述处理后的图像数据进行伽马校正。

利用伽玛校正公式12：

o(x)＝[r(x)]^α    (12)

当α＜1时，增强图像中暗区域的对比度，同时降低亮区域的对比度。校正后的图像的像素值整体移向直方图的亮端，如图7输出后的直方图所示，也就是说，进一步提高了整体图像中较暗部分的对比度。

上述各个实施例从理论方面对本发明公开的低照度图像数据处理方法进行了详细的描述，同时从理论方面对其有益效果进行了描述，下面，本发明将从实际的处理过程出发，将本发明与现有技术对同一组图像数据进行处理的数据进行对比，以实现从实际应用中支持本发明的目的。

由于没有真实图像做参考，仅能使用无参考客观质量评测指数来进行算法评价。色调极坐标直方图(hue polar histogram)用于度量图像的偏色和色调的多样性。色调用色度盘上关于红色轴的夹角来度量，以角度表示范围为[0，360)。色调极坐标直方图在单位圆中表示图像所有色调出现的概率。在色调极坐标直方图的基础上，定义了两个评价指数，它们是集中性(concentration)和离散度(scatter)。集中性定义为在极坐标表示下周期均值(circular mean)对应的半径。若色调在圆中均匀分布，则周期均值不存在，半径为0。集中性度量越大，图像色调分布越集中；反之，图像色调分布越分散。离散度定义为数据偏离周期均值的统计方差。离散度表示以周期均值为中心，色调的分布宽度。离散度越小，以周期均值为中心色调分布越紧簇；反之，色调分布越宽泛。高集中性度量和低离散度，表明图像色调单一、偏色。

图8中所示的表格，比较了本发明增强结果和NASA提出的MSRCR增强结果的2个评价指数。从表中可以看到，与NASA的结果相比，本发明增强的图像有更高的离散度和更低的集中性。因此可以看出，本发明较现有技术的处理方法，在提高图像亮度和对比度，以及校正图像偏色的问题上有更好的效果。

再有，从原图像的树木区域截取一个图像块，根据经验值，树木的色调值应该在绿色0.3333的邻域内。图9的表中分别对原图像块、NASA提出的MSRCR的结果和本发明的结果的进行了对比，由于图像中的像素值有很多个，所以表中只表示了每个通道的均值，由表可以看出，NASA的方法明显放大了噪声，树木区域存在多种色调，且色调均值为0.5780，偏向蓝色0.6667的邻域。而本发明结果中的色调总体上集中在绿色0.3333周围。

本发明同时公开了一种低照度图像数据处理系统，其结构如图10所示，包括：数据读取单元101、灰度值查找单元102、白色响应估计值确定单元103、图像有效像素集确定单元104、校正单元105和直方图裁剪单元106。

数据读取单元101用于读取一帧待处理图像数据；灰度值查找单元102于在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；白色响应估计值确定单元103于按照灰度值递减的顺序，查找所述出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值；图像有效像素集确定单元104用于将不大于所述估计白色响应值的像素确定为有效像素；校正单元105用于利用白平衡算法依据所述有效像素估计光照值，依据所述光照值校正图像数据；直方图裁剪单元106用于在所述白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据。

其中，本系统还包括伽马校正单元107，用于对所述处理后的图像数据进行伽马校正；返回单元108，用于当所述待处理图像数据中存在未处理数据时，返回执行读取下一帧待处理图像数据的操作。

其中，所述校正单元105结构如图11所示，包括：第一和值计算单元1051，用于分别计算不同颜色分量的有效像素值的p次方，并求和，获得第一和值；第二和值计算单元1052，用于分别计算不同颜色分量的有效像素值的和，获得第二和值；光照值获得单元1053，用于分别计算不同颜色分量的第一和值和第二和值比值的p次根，获得不同颜色分量的光照值；对角变换单元1054，用于利用对角变换对所述光照值进行校正。

所述白色响应估计值确定单元103结构如图12所示，包括：差值计算单元1031，用于计算当前灰度值出现概率与其上一个灰度值出现概率的差值；判断单元1032，用于判断所述差值是否大于第一阈值，或所述差值的绝对值是否小于第二阈值，若是，则当前灰度值为所述出现概率最小的灰度值，若否，则选取下一灰度值作为当前灰度值，返回执行计算当前灰度值与其上一个灰度值的差值的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种低照度图像数据处理方法，其特征在于，包括：

读取一帧待处理图像数据；

在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

按照灰度值递减的顺序，查找所述出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值，并将不大于所述白色响应估计值的像素值确定为该颜色分量的有效像素；

利用白平衡算法依据所述有效像素估计光照值，并依据所述光照值校正图像数据；

在白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据。

2.根据权利要求1所述的方法，其特征在于，还包括：

当所述待处理图像数据中存在未处理数据时，返回执行读取下一帧待处理图像数据的操作。

3.根据权利要求2所述的方法，其特征在于，按照以下步骤，利用白平衡算法依据所述有效像素估计光照值，并依据所述光照值校正图像数据：

分别计算不同颜色分量的有效像素值的p次方，并求和，获得第一和值；

分别计算不同颜色分量的有效像素值的和，获得第二和值；

分别计算不同颜色分量的第一和值和第二和值比值的p次根，获得不同颜色分量的光照值；

利用对角变换对所述不同颜色分量的光照值进行校正。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，在白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据步骤后还包括：

对所述处理后图像数据进行伽马校正。

5.根据权利要求4所述的方法，其特征在于，按照以下步骤，查找所述最大灰度值后出现概率最小的灰度值：

计算当前灰度值出现概率与其上一个灰度值出现概率的差值；

判断所述差值是否大于第一阈值，或所述差值的绝对值是否小于第二阈值，若是，则当前灰度值为所述出现概率最小的灰度值，若否，则选取下一灰度值作为当前灰度值，返回执行计算当前灰度值出现概率与其上一个灰度值出现概率的差值的步骤。

6.一种低照度图像数据处理系统，其特征在于，包括：

数据读取单元，用于读取一帧待处理图像数据；

灰度值查找单元，用于在亮度范围内，分别查找不同颜色分量对应的出现概率最大的灰度值；

白色响应估计值确定单元，用于按照灰度值递减的顺序，查找所述出现概率最大灰度值后出现概率最小的灰度值，将其确定为白色响应估计值；

图像有效像素集确定单元，用于将不大于所述估计白色响应值的像素确定为有效像素；

校正单元，利用白平衡算法依据所述有效像素估计光照值，依据所述光照值校正图像数据；

直方图裁剪单元，在白色响应估计值范围内选择上下限，利用直方图裁剪处理所述校正后的图像数据。

7.根据权利要求6所述的系统，其特征在于，还包括：

返回单元，用于当所述待处理图像数据中存在未处理数据时，返回执行读取下一帧待处理图像数据的操作。

8.根据权利要求7所述的系统，其特征在于，还包括：伽马校正单元，用于对所述处理后的图像数据进行伽马校正。

9.根据权利要求8所述的系统，其特征在于，所述校正单元包括：

第一和值计算单元，用于分别计算不同颜色分量的有效像素值的p次方，并求和，获得第一和值；

第二和值计算单元，用于分别计算不同颜色分量的有效像素值的和，获得第二和值；

光照值获得单元，用于分别计算不同颜色分量的第一和值和第二和值比值的p次根，获得不同颜色分量的光照值；

对角变换单元，用于利用对角变换对所述光照值进行校正。

10.根据权利要求9所述的系统，其特征在于，所述白色响应估计值确定单元包括：

差值计算单元，用于计算当前灰度值出现概率与其上一个灰度值出现概率的差值；

判断单元，用于判断所述差值是否大于第一阈值，或所述差值的绝对值是否小于第二阈值，若是，则当前灰度值为所述出现概率最小的灰度值，若否，则选取下一灰度值作为当前灰度值，返回执行计算当前灰度值与其上一个灰度值的差值的步骤。

Images