CN102999890A - 基于环境因素的图像光线强度动态校正方法 - Google Patents

Abstract

本发明设计基于环境因素的图像光线强度动态校正方法，将图像进行反转处理，通过图像反转突出显示关键区域；将图像分割成NN的子图块进行处理，N取9；对子图块进行幂次变换；对子图块进行灰度映射变换；对子图块进行直方图处理；对子图块进行直方图动态模糊均衡化；使用混合空间处理法分别对子图块进行掩模滤波处理；使用Lucy_Richardson滤波器对每一个NN的子图块进行迭代处理；使用动态模糊逻辑理论对上述子图块进行幂次变换和对上述子图块进行直方图动态模糊均衡化分别计算优化，优化标准是根据子图块所携带的信息熵为最大时判断为最优，将图像再进行反转处理输出最终图像。本发明有效提高图像的信息熵，达到良好的光线校正效果。

Description

基于环境因素的图像光线强度动态校正方法

技术领域

本发明涉及一种固定场景图像的自适应动态校正方法，具体涉及基于环境因素的图像光线强度动态校正方法，属于图像处理技术中光线强度校正领域。

背景技术

随着经济的快速发展和城市规模的不断扩大，机动车辆的数目也在急速增长，然而交通建设和人们的交通法制意识却相对滞后，交通违章肇事频频发生，给交通监管部门提出了更高的要求。交通视频中机动车辆检索系统的应用，不仅能够为城市的交通规划提供第一手的数据，也能够为交管部门和公安部门追查肇事违章车辆提供极大的便利。

计算机视觉和模式识别技术的不断发展，为以图像理解为基础的智能交通系统进入实际应用提供了良好发展契机。基于图像理解的车辆检测、跟踪及分类技术的研究与发展为交通信息的采集与分析提供了一条良好途径，这些技术可广泛地应用于车辆收费、道路监控、大型停车场以及提高公路利用效率等领域，是基于计算机视觉的智能交通系统中的关键技术，也是目前智能交通系统研究的热点。

由于交通图像的采集设备固定，而环境因素复杂多变，特别是光照因素对图像的分割、检测影响极大，最终导致识别效果与实际情况不一致。不同时间段光照对交通图像的影响极大。例如白天、傍晚、夜晚、强烈日光、汽车车灯、路面反光等。因此将一幅图像的光线根据其环境和时间段进行光线校正，使之包含特征清晰，不乏细节表述，对交通图像的识别与理解具有重要意义。

传统的图像校正技术只要集中于去噪，使用统一的阈值对整幅图像进行处理。首先选用一定尺寸的模板，要处理的象素点位于模板的中心，随着模板的移动，完成对所有像素的滤波。第一种线性平滑空间滤波器实际是对模板所包含的像素的简单平均，即均值滤波器；第二种线性平滑空间滤波器实际是对模板所包含的像素的加权平均，即加权均值滤波器，这两种滤波器的缺点是造成图像边缘模糊。最常用的非线性排序统计滤波器是中值滤波器，它是用像素邻域内灰度的中值来代替该像素的值，中值滤波器对处理椒盐噪声非常有效。中值滤波器的缺点是对所有象素点采用一致的处理，在滤除噪声的同时有可能改变真正象素点的值，引入误差，损坏图像的边缘和细节，不能满足识别的要求。

由于交通图像的特殊性和复杂性，这些传统的技术在图像的去噪过程中都不能发挥很好的作用。首先，由于同一图像采集点在不同时间段采集的图像质量相差很大，如中午的阳光，傍晚路灯与日光的混合光，夜晚车辆车灯的光所照射的角度与强度大不一样，若遇上雨天，路面的反光照片的识别影响极大。将所图像不分其所处环境就直接用一个平均数值调整图像的光线强度，其效果相当差，还会带来重要物体特征信息的丢失。因此针对不同环境光线强度不同，同一图像内部，不同位置的光线强度也不同，校正时的方法和反馈信息的获取至关重要。

因而，需要一种新的方法对交通图像的光线强度进行校正，在此基础上对图像中的关键特征进行提取，以构建交通图像识别系统，对智能交通系统的构建起到推进作用。

近年来， 图像处理在频率域和空间域都有许多发展。但由于图像的非结构化信息的划分标准是一个模糊概念，传统的单一阈值处理已不能很好的处理包含复杂信息的图像。而具有处理过程的同步动态性的动态模糊理论的创立对解决此类非结构化数据的处理问题提供了有力的理论支持。

1965年，模糊集理论由美籍数学家 Zadeh先生提出，该理论对解决静态数据问题提供了有效途径，但现实中许多问题是动态发展的，因而Fanzhang Li教授在此基础上提出动态模糊逻辑理论对解决动态模糊问题提供了理论支持。

发明内容

本发明的目的是克服现有技术存在的不足，提供一种基于环境因素的图像光线强度动态校正方法。

本发明的目的通过以下技术方案来实现：

基于环境因素的图像光线强度动态校正方法，特点是：包括下列步骤：

步骤（1）：将图像进行反转处理，通过图像反转突出显示关键区域，即原先光线较亮偏白的区域转化为光线较深偏黑的区域；

步骤（2）：将图像分割成N*N的子图块进行处理，N取9；

步骤（3）：对子图块进行幂次变换；

步骤（4）：对子图块进行灰度映射变换；

步骤（5）：对子图块进行直方图处理；

步骤（6）：对子图块进行直方图动态模糊均衡化；

步骤（7）：使用混合空间处理法分别对子图块进行掩模滤波处理；

步骤（8）：使用Lucy_Richardson滤波器对每一个N*N子图块进行迭代处理；

步骤（9）：使用动态模糊逻辑理论对步骤（3）和步骤（6）分别计算优化，优化标准是根据子图块所携带的信息熵为最大时判断为最优；

步骤（10）：将图像再进行反转处理输出最终图像。

进一步地，上述的基于环境因素的图像光线强度动态校正方法，包括下列步骤：

步骤（1）：读入图片，并且对其进行图像反转变换，步骤为：

读入图片，图片大小重新设置为1024像素长×1024像素宽，灰度级范围为[0,L-1]的图像反转表达式为：s=L-1-r；

其中L代表最大灰度值，r表示处理前的像素值，s表示处理后的像素值；

步骤（2）：将图像分割成NN的子图块进行处理；

步骤（3）：对子图块进行幂次变换，其基本形式为：                                                

其中c和为正常数，幂次曲线中的部分值把输入窄带暗值映射到宽带输出值，>1的值和<1的值产生的曲线效果相反；

当值从0.7-0.4时，图像细节更为明显，当值进一步降低到0.3时 背景中细节进一步增强，但对比度开始降低，即背景不明显；比较结果，看到对比度和肉眼可辨别细节的最好效果在=0.5；

根据环境因素的不同的设置有所不同；

(a)光线较弱时取0.2至0.4之间的某一个数；

(b)光线正常时取0.4至0.6之间的某一个数；

(c)光线较强时取0.6至0.8之间的某一个数；

步骤（4）：对子图块进行灰度映射变换，将图像中0-127间的所有灰度映射到一个灰度级；将129-255间的灰度映射为另一个灰度级，对关键光线区域产生切割效果；

步骤（5）：对灰度级[0,L-1]范围的子图块进行直方图处理；

在暗色图像中，直方图的组成成分集中在灰度级低的一侧，而明亮的直方图则倾向于灰度级较高的一侧，低对比度图像的直方图集中于灰度级的中部，高对比度的图像，直方图的成分覆盖灰度级的宽范围；

步骤（6）：对子图块进行直方图动态模糊均衡化；

式(a)、式(b)分别针对强光线与弱光线的掩模处理.

步骤（8）：使用Lucy_Richardson滤波器对子图块进行迭代处理；

Lucy_Richardson迭代式：

步骤（9）：使用动态模糊逻辑理论对上述子图块进行幂次变换的值和对上述子图块进行直方图动态模糊均衡化的灰度级数值值分别计算优化，优化标准是根据子图块所携带的信息熵为最大时判断为最优；

建立动态模糊逻辑 DFL优化模型步骤为：

对NN的子图块进行处理，对每一子图块每次处理的熵作比较，直到变化率小于0.001时停止计算，即作为最大值输出；

信息熵计算公式如下：

步骤（10）：将图像再进行反转处理输出最终图像。

本发明技术方案突出的实质性特点和显著的进步主要体现在：

①本发明是特定图像光线动态校正技术中的一种全新图像光线自适应、智能校正方法，用于提高图像的信息熵，是图像光线给图像识别带来的不利影响最小化；

②本发明使用各个子图块所携带的信息熵作为图像所携带信息量的判断标准，不但符合图像领域的科学原理，而且容易实现，适合交通图像和医学图像系列，此类图像一般为序列排列，场景特定，前后关联性大，且光线在子图块中分布较为集中，且光线对物体分割识别干扰性较大；

③动态模糊技术在处理图像等非结构化数据的时候，比传统的（静态）模糊技术具有更强的计算优势，能判断数据变化的趋势，减少不必要的计算量，提高了算法效率；

④基于环境因素的图像光线强度动态校正方法是可行的，通过与其他多种光线强度校正方法比较，验证了该方法性能优于其他方法，提高了图像的信息熵，极大的突出了图像的细节，为交通图像（医学图像）的识别与理解提供了可靠的光线强度动态校正方法；

⑤本发明方法应用于智能交通图像理解系统及医学图像的辅助诊断中，算法的时间复杂度低，具有良好的鲁棒性。

附图说明

下面结合附图对本发明技术方案作进一步说明：

图1：实施例一种基于环境因素的图像光线强度动态校正方法总体流程图；

图2：数值结合动态模糊逻辑和信息熵确定的流程示意图；

图3：灰度级数值结合动态模糊逻辑和信息熵确定的流程示意图。

具体实施方式

本发明提供了基于环境因素的图像光线强度动态校正方法，用以解决现有图像无法根据环境因素的不同实现自适光线强度动态校正的缺点，具有良好的鲁棒性。

本发明首先针对图像序列的光线的布局特性进行了研究，发现许多序列图像大多是比较模糊，高强度光线分布较为集中，若将所有序列图像不分其所携带信息权重高低就直接使用均一阈值对光线进行校正，其效果相对较差。其次，由于序列图像高、低强度光线分布很不均匀，经常集中在相同或相似位置，不能使用单一函数或滤波器对全局图像进行处理。

基于上述特定环境因素的图像的光线分布特点，本发明采用将空间域、频率域处理方法与动态模糊理论相结合进行光线强度的动态校正。首先使用空间域处理方法确定需重点处理的区域，且尽可能保持非关键区域图像的不变性。其次使用频率域处理方法强化图像所包含的关键信息，然后，根据动态模糊技术调节这些关键信息的权重，再使用一系列反变换对图像进行还原处理。使得图像的光线强度可以根据环境因素动态校正。

本发明基于环境因素的图像光线强度动态校正方法，包括下列步骤：

步骤（1）：将图像进行反转处理。通过图像反转突出显示关键区域，即原先光线较亮（偏白）的区域转化为光线较深（偏黑）的区域，更适合计算；

步骤（2）：将图像分割成NN的子图块进行处理。这里N一般取9即可，（N越大，计算越精确，但计算量也会随之增加）；

步骤（3）：对子图块进行幂次变换；

步骤（4）：对子图块进行灰度映射变换；

步骤（5）：对子图块进行直方图处理；

步骤（6）：对子图块进行直方图动态模糊均衡化；

步骤（7）：使用混合空间处理法分别对子图块进行掩模滤波处理；

步骤（8）：使用Lucy_Richardson滤波器对特定子图块进行迭代处理；

步骤（9）：使用动态模糊逻辑理论对上述子图块进行幂次变换的值和对上述子图块进行直方图动态模糊均衡化的灰度级数值值分别计算优化，优化标准是根据子图块所携带的信息熵为最大时判断为最优，即对每一子图块每次处理的熵作比较，直到变化率小于0.001时取最大值，停止计算；

步骤（10）：将图像再进行反转处理输出最终图像。

图像光线强度动态校正的目标是根据环境因素及图像关键区域的分布规律将图像进行一系列频率域和空间域的处理，之间使用动态模糊逻辑优化计算，得到富含信息熵最大的图像。

实施例：

图1为基于环境因素的图像光线强度动态校正方法流程图，数据文件（图片文件）是200万像素的交通序列图片：

步骤（1）：读入图片，并且对其进行图像反转变换。具体步骤如下：

读入图片，图片大小重新设置为1024像素（长）×1024像素（宽），灰度级范围为[0,L-1]的图像反转表达式为：s=L-1-r。

其中L代表最大灰度值，r表示处理前的像素值，s表示处理后的像素值。

步骤（2）：将图像分割成NN的子图块进行处理。这里N一般取9即可。（N越大，计算越精确，但计算量也会随之增加）

具体数值结合动态模糊逻辑和信息熵确定，如附图2所示。

步骤（4）：对子图块进行灰度映射变换，将图像中0-127间的所有灰度映射到一个灰度级，如63；将129-255间的灰度映射为另一个灰度级如255，这样对关键光线区域产生一种切割效果。

步骤（5）：对灰度级[0,L-1]范围的子图块进行直方图处理。

在暗色（光线较弱）图像中，直方图的组成成分集中在灰度级低（暗）的一侧。而明亮（光线较强）的直方图则倾向于灰度级较高的一侧。低对比度图像的直方图集中于灰度级的中部。高对比度的图像，直方图的成分覆盖了灰度级的很宽的范围。

当一副图像其像素占有全部的可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调。

步骤（6）：对子图块进行直方图动态模糊均衡化。

将输入图像中灰度级为的各像素映射到输出图像中灰度级为的对应像素，这样即可将图像直方图均衡化。此处L取值256。

直方图均衡化后的图像灰度级能跨越更大的范围。

具体灰度级数值结合动态模糊逻辑和信息熵确定，如附图3所示。

步骤（7）：使用混合空间处理法分别对子图块进行掩模滤波处理。

(a)、(b)分别针对强光线与弱光线的掩模处理.

步骤（8）：使用Lucy_Richardson滤波器对特定子图块进行迭代处理。

Lucy_Richardson迭代式：

步骤（9）：使用动态模糊逻辑理论对步骤（3）和步骤（6）分别计算优化，优化标准是根据子图块所携带的信息熵为最大时判断为最优。

建立动态模糊逻辑 (DFL)优化模型具体步骤：

本发明针对NN的子图块进行处理。对每一子图块每次处理的熵作比较，直到变化率小于0.001时停止计算，即作为最大值输出。

信息熵计算公式如下：

通过构建动态模糊成员函数，我们可以充分利用[0,1]区间数值的动态模糊特性。结合图像信息熵这一指标。不断反馈计算，将动态模糊逻辑理论处理此类非结构化数据时所具有不可比拟的优越性充分发挥出来，本发明将图像的频率域和空间域的处理方法与动态模糊逻辑优化计算相结合，得到富含信息熵最大的图像，达到光线动态校正的效果。

本发明是特定图像光线动态校正技术中的一种全新图像光线自适应、智能校正方法，用于提高图像的信息熵，是图像光线给图像识别带来的不利影响最小化；

本发明使用各个子图块所携带的信息熵作为图像所携带信息量的判断标准，不但符合图像领域的科学原理，而且容易实现，适合交通图像和医学图像系列，此类图像一般为序列排列，场景特定，前后关联性大，且光线在子图块中分布较为集中，且光线对物体分割识别干扰性较大；

动态模糊技术在处理图像等非结构化数据的时候，比传统的（静态）模糊技术具有更强的计算优势，能判断数据变化的趋势，减少不必要的计算量，提高了算法效率；

基于环境因素的图像光线强度动态校正方法是可行的，通过与其他多种光线强度校正方法比较，验证了该方法性能优于其他方法，提高了图像的信息熵，极大的突出了图像的细节，为交通图像（医学图像）的识别与理解提供了可靠的光线强度动态校正方法；

本发明方法应用于智能交通图像理解系统及医学图像的辅助诊断中，算法的时间复杂度低，具有良好的鲁棒性。

需要理解到的是：以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.基于环境因素的图像光线强度动态校正方法，其特征在于包括下列步骤：

步骤（1）：将图像进行反转处理，通过图像反转突出显示关键区域，即原先光线较亮偏白的区域转化为光线较深偏黑的区域；

步骤（2）：将图像分割成N*N的子图块进行处理，N取9；

步骤（3）：对子图块进行幂次变换；

步骤（4）：对子图块进行灰度映射变换；

步骤（5）：对子图块进行直方图处理；

步骤（6）：对子图块进行直方图动态模糊均衡化；

步骤（7）：使用混合空间处理法分别对子图块进行掩模滤波处理；

步骤（8）：使用Lucy_Richardson滤波器对每一个N*N子图块进行迭代处理；

步骤（9）：使用动态模糊逻辑理论对步骤（3）和步骤（6）分别计算优化，优化标准是根据子图块所携带的信息熵为最大时判断为最优；

步骤（10）：将图像再进行反转处理输出最终图像。

2.根据权利要求1所述的基于环境因素的图像光线强度动态校正方法，其特征在于包括下列步骤：

步骤（1）：读入图片，并且对其进行图像反转变换，步骤为：

读入图片，图片大小重新设置为1024像素长×1024像素宽，灰度级范围为[0,L-1]的图像反转表达式为：s=L-1-r；

其中L代表最大灰度值，r表示处理前的像素值，s表示处理后的像素值；

步骤（2）：将图像分割成NN的子图块进行处理；

步骤（4）：对子图块进行灰度映射变换，将图像中0-127间的所有灰度映射到一个灰度级；将129-255间的灰度映射为另一个灰度级，对关键光线区域产生切割效果；

步骤（5）：对灰度级[0,L-1]范围的子图块进行直方图处理；

在暗色图像中，直方图的组成成分集中在灰度级低的一侧，而明亮的直方图则倾向于灰度级较高的一侧，低对比度图像的直方图集中于灰度级的中部，高对比度的图像，直方图的成分覆盖灰度级的宽范围；

步骤（6）：对子图块进行直方图动态模糊均衡化；

对灰度级[0,L-1]范围的图像进行直方图动态模糊均衡化；设代表待处理的图像灰度级，且被归一化到[0,1]，且=0表示黑色，=1表示白色，在像素区间[0,L-1]内

步骤（8）：使用Lucy_Richardson滤波器对子图块进行迭代处理；

Lucy_Richardson迭代式：

。

Images