CN108122210A - 一种基于Retinex和增强梯度的低照度车牌视频图像增强方法 - Google Patents
一种基于Retinex和增强梯度的低照度车牌视频图像增强方法 Download PDFInfo
- Publication number
- CN108122210A CN108122210A CN201711372874.XA CN201711372874A CN108122210A CN 108122210 A CN108122210 A CN 108122210A CN 201711372874 A CN201711372874 A CN 201711372874A CN 108122210 A CN108122210 A CN 108122210A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- represent
- enhancing
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000014509 gene expression Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005286 illumination Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- KBPHJBAIARWVSC-RGZFRNHPSA-N lutein Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\[C@H]1C(C)=C[C@H](O)CC1(C)C KBPHJBAIARWVSC-RGZFRNHPSA-N 0.000 description 1
- 229960005375 lutein Drugs 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 description 1
- FJHBOVDFOQMZRV-XQIHNALSSA-N xanthophyll Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C=C(C)C(O)CC2(C)C FJHBOVDFOQMZRV-XQIHNALSSA-N 0.000 description 1
- 235000008210 xanthophylls Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于Retinex和增强梯度的低照度车牌视频图像增强方法，属于图像处理领域。首先利用Retinex原理对输入的低照度视频图像进行预处理，然后构造增强函数，计算预处理图像的增强梯度，并推导图像梯度散度的边界条件，最后根据最小二乘重建目标函数，将目标函数的求解方程进行矩阵变换，快速求得增强图像。本发明的方法首先对光源区域亮度进行调整，能够有效抑制低照度车牌区域的强光部分，在此基础上进一步提高对比度局部增强的效果，而且算法处理速度较快，便于在实际中应用。
Description
技术领域
本发明涉及图像处理技术，具体指一种基于Retinex和增强梯度的低照度车牌视频图像增强方法。
背景技术
在低照度环境下采集车牌视频图像时，如果视频图像中车灯强度较强或较弱，都会降低车牌图像的对比度，从而影响后续车牌识别的精确度，因此需要对低照度环境下采集的车牌视频图像进行图像增强。
但是现有的低照度视频图像增强方法不能很好地处理图像中光源强度不确定的情况，比如Retinex方法和增强梯度是两种传统方法，Retinex方法的强光抑制效果明显，但局部对比度增强效果有限，使用增强梯度方法时，视频图像中存在的强光区域会增加对比度局部增强的难度，而且，传统视频图像增强方法的处理速度较慢，不利于实际应用。因此，针对光源强度不确定的低照度视频图像，提出更加快速有效的视频图像增强方法是急需解决的问题。
发明内容
本发明为克服上述情况不足，旨在提供一种基于Retinex和增强梯度的低照度车牌视频图像增强方法，首先利用Retinex对低照度视频图像进行预处理，调整光源区域亮度，再利用增强梯度方法对视频图像进行快速增强，以解决现有低照度视频图像增强方法中增强效果差、速度慢的技术问题。
为解决上述技术问题，本发明提出的技术方案是：
一种基于基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于，包括以下步骤：
步骤一：对于输入的低照度车牌视频图像S(x,y)，利用Retinex原理进行预处理，对光源光照区域的亮度进行调整，得到预处理之后的图像R(x,y)。
所述利用Retinex原理进行预处理的公式为：
R(x,y)＝logS(x,y)-log[F(x,y)*S(x,y)] (1)
其中，R(x,y)表示预处理之后的图像，x和y表示图像的像素坐标，log表示自然对数，S(x,y)表示输入的车牌低照度视频图像，F(x,y)表示高斯卷积核，*表示卷积操作。
步骤二：求出预处理图像R(x,y)的相对梯度G'(x,y)，构建增强函数得到预处理之后的图像R(x,y)的增强梯度G(x,y)。
所述相对梯度的公式为：
其中，G'(x,y)表示图像R(x,y)的相对梯度，R(x,y)表示预处理之后的图像，G0(x,y)表示图像R(x,y)的绝对梯度，x和y表示图像的像素坐标。
增强函数的公式为：
其中，表示构建的增强函数，G'(x,y)表示图像R(x,y)的相对梯度，表示G'(x,y)在所有像素坐标上的均值，α和β表示权重参数，x和y表示图像的像素坐标，log表示自然对数。
由增强函数得到增强梯度的公式为：
其中，G(x,y)表示图像R(x,y)的增强梯度场，G0(x,y)表示图像R(x,y)的绝对梯度，表示增强函数，x和y表示图像的像素坐标。
步骤三：推导图像梯度散度的边界条件。
所述图像梯度散度的边界条件为：
(1)边界散度：
其中，D1j表示坐标(1,j)处的散度，i、j、h和w表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
(2)顶点散度
其中，D11表示坐标(1,1)处的散度，h和w表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
(3)内部点散度
Dij＝Gx(1,j)-Gx(1,j-1)+Gy(1,j)-Gy(1,j-1) (7)
其中，Dij表示坐标(i,j)处的散度，i和j表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
步骤四：根据最小二乘重建目标函数，将目标函数的求解方程进行矩阵变换，利用Kronecker积变换形式进行快速求解，得到增强的低照度视频图像。
所述利用最小二乘重建目标函数如下：
其中，E(·)表示能量函数，u表示待求的增强图像，∫·dxdy表示积分操作，x和y表示图像中像素坐标，表示导数，G表示增强梯度，||·||2表示L2范数的平方。
目标函数的求解方程为：
Δu＝div(G) (9)
其中，Δ表示Laplacian算子，u表示待求的增强图像，div(·)表示求散度操作，G表示增强梯度。
目标函数求解方程的矩阵变换形式为：
其中，P1和P2表示正弦矩阵，P1 -1和P2 -1表示正弦矩阵P1和P2的逆，A1和A2表示对角阵，U表示增强图像u的矩阵形式，D表示增强梯度G的散度，λ1 (1),λ2 (1),…,λm (1)表示对角阵A1的特征值，λ1 (2),λ2 (2),…,λn (2)表示对角阵A2的特征值，m和n表示图像维度。
Kronecker积变换形式为：
(Inn×A1+A2×Imm)v(P1UP2 -1)＝v(P1DP2 -1) (11)
求解Kronecker积解析表达式并带入方程，得到：
公式(11)和公式(12)中，Imm和Inn表示维度为m×m和n×n的单位矩阵，A1和A2表示对角阵，P1和P2表示正弦矩阵，P1 -1和P2 -1表示正弦矩阵P1和P2的逆，U表示增强图像的矩阵形式，D表示增强梯度G的散度，v表示矩阵向量化算子，m和n表示图像维度，λ1 (1),λ2 (1),…,λm (1)表示对角阵A1的特征值，λ1 (2),λ2 (2),…,λn (2)表示对角阵A2的特征值。
直接对公式(12)进行求解，即可快速得到最终的增强图像U。
本发明有益效果：与现有技术中的低照度视频图像增强方法相比，针对低照度车牌视频图像中光源强度不确定的情况，本发明的方法首先对光源区域亮度进行调整，能够有效抑制低照度车牌区域的强光部分，在此基础上进一步提高对比度局部增强的效果，能有效解决低照度视频图像中车牌对比度低的问题，为后续的低照度车牌识别提供更高质量的车牌增强图像。
附图说明
图1是本发明方法的流程图；
图2是低照度车牌视频图像；
其中，(a)表示光源强度较弱的视频图像，(b)表示光源强度较强的视频图像。
图3为预处理之后光源光照区域的局部图像；
其中，(a)表示对弱光源光照区域的预处理图像，(b)表示对强光源光照区域的预处理图像。
图4为视频图像增强结果。
其中，(a)表示包含弱光源的视频图像增强结果，(b)表示包含强光源的视频图像增强结果。
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。
如图1所示，本实施例提供的一种基于Retinex和增强梯度的低照度车牌视频图像增强方法，包括如下步骤：
步骤一：输入低照度车牌视频图像S(x,y)，如图2所示，图2(a)为光源强度较弱的视频图像，图2(b)为光源强度较强的视频图像，利用Retinex原理进行预处理，对光源光照区域的亮度进行调整，得到预处理之后的图像R(x,y)。
利用Retinex原理进行预处理的公式为：
R(x,y)＝logS(x,y)-log[F(x,y)*S(x,y)] (1)
其中，R(x,y)表示预处理之后的图像，x和y表示图像的像素坐标，log表示自然对数，S(x,y)表示输入的车牌低照度视频图像，F(x,y)表示高斯卷积核，*表示卷积操作。
通过Retinex方法对输入图像进行预处理，可以有效调整视频图像中光源区域的亮度，便于后续图像增强处理，Retinex方法可以去除入射光的影响，尽量保留物体本质的反射属性图像。为取得较好的预处理效果，可以将公式(1)的预处理过程重复2-3遍。图3为预处理之后光源光照区域的局部图像。
步骤二：求出预处理图像R(x,y)的相对梯度G'(x,y)，构建增强函数得到预处理之后的图像R(x,y)的增强梯度G(x,y)。
相对梯度的公式为：
其中，G'(x,y)表示图像R(x,y)的相对梯度，R(x,y)表示预处理之后的图像，G0(x,y)表示图像R(x,y)的绝对梯度，x和y表示图像的像素坐标。
增强函数的公式为：
其中，表示构建的增强函数，G'(x,y)表示图像R(x,y)的相对梯度，表示G'(x,y)在所有像素坐标上的均值，α和β表示权重参数，x和y表示图像的像素坐标，log表示自然对数。在具体实施过程中，取α＝0.7，β＝0.35。
由增强函数得到增强梯度的公式为：
其中，G(x,y)表示图像R(x,y)的增强梯度场，G0(x,y)表示图像R(x,y)的绝对梯度，表示增强函数，x和y表示图像的像素坐标。
步骤三：推导图像梯度散度的边界条件。
图像梯度散度的边界条件为：
(1)边界散度：
其中，D1j表示坐标(1,j)处的散度，i、j、h和w表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
(2)顶点散度
其中，D11表示坐标(1,1)处的散度，h和w表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
(3)内部点散度
Dij＝Gx(1,j)-Gx(1,j-1)+Gy(1,j)-Gy(1,j-1) (7)
其中，Dij表示坐标(i,j)处的散度，i和j表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
图像梯度散度的边界条件旨在克服散度条件不一致时出现的增强效果不稳定问题。
步骤四：根据最小二乘重建目标函数，将目标函数的求解方程进行矩阵变换，利用Kronecker积变换形式进行快速求解，得到增强的低照度视频图像。
利用最小二乘重建目标函数如下：
其中，E(·)表示能量函数，u表示待求的增强图像，∫·dxdy表示积分操作，x和y表示图像中像素坐标，表示导数，G表示增强梯度，||·||2表示L2范数的平方。
目标函数的求解方程为：
Δu＝div(G) (9)
其中，Δ表示Laplacian算子，u表示待求的增强图像，div(·)表示求散度操作，G表示增强梯度。
目标函数求解方程的矩阵变换形式为：
其中，P1和P2表示正弦矩阵，P1 -1和P2 -1表示正弦矩阵P1和P2的逆，A1和A2表示对角阵，U表示增强图像u的矩阵形式，D表示增强梯度G的散度，λ1 (1),λ2 (1),…,λm (1)表示对角阵A1的特征值，λ1 (2),λ2 (2),…,λn (2)表示对角阵A2的特征值，m和n表示图像维度。
Kronecker积变换形式为：
(Inn×A1+A2×Imm)v(P1UP2 -1)＝v(P1DP2 -1) (11)
求解Kronecker积解析表达式并带入方程，得到：
公式(11)和公式(12)中，Imm和Inn表示维度为m×m和n×n的单位矩阵，A1和A2表示对角阵，P1和P2表示正弦矩阵，P1 -1和P2 -1表示正弦矩阵P1和P2的逆，U表示增强图像的矩阵形式，D表示增强梯度G的散度，v表示矩阵向量化算子，m和n表示图像维度，λ1 (1),λ2 (1),…,λm (1)表示对角阵A1的特征值，λ1 (2),λ2 (2),…,λn (2)表示对角阵A2的特征值。
直接对公式(12)进行求解，即可快速得到最终的增强图像U，如图4所示。经过矩阵变换后，对公式(12)可直接通过求逆运算快速求增强图像，对于640×480的视频图像，传统方法的处理速度超过2s，本发明的处理速度仅为0.08s。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (5)
1.一种基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于，包括以下步骤：
步骤一：对于输入的低照度车牌视频图像S(x,y)，利用Retinex原理进行预处理，对光源光照区域的亮度进行调整，得到预处理之后的图像R(x,y)；
步骤二：求出预处理图像R(x,y)的相对梯度G'(x,y)，构建增强函数得到预处理之后的图像R(x,y)的增强梯度G(x,y)；
步骤三：推导图像梯度散度的边界条件；
步骤四：根据最小二乘重建目标函数，将目标函数的求解方程进行矩阵变换，利用Kronecker积变换形式进行快速求解，得到增强的低照度视频图像。
2.根据权利要求1所述的基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于：所述步骤一中利用Retinex原理进行预处理的公式为：
R(x,y)＝logS(x,y)-log[F(x,y)*S(x,y)] (1)
其中，R(x,y)表示预处理之后的图像，x和y表示图像的像素坐标，log表示自然对数，S(x,y)表示输入的车牌低照度视频图像，F(x,y)表示高斯卷积核，*表示卷积操作。
3.根据权利要求1所述的基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于：所述步骤二中相对梯度的公式为：
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，G'(x,y)表示图像R(x,y)的相对梯度，R(x,y)表示预处理之后的图像，G0(x,y)表示图像R(x,y)的绝对梯度，x和y表示图像的像素坐标。
所述增强函数的公式为：
其中，表示构建的增强函数，G'(x,y)表示图像R(x,y)的相对梯度，表示G'(x,y)在所有像素坐标上的均值，α和β表示权重参数，x和y表示图像的像素坐标，log表示自然对数。
由增强函数得到增强梯度的公式为：
其中，G(x,y)表示图像R(x,y)的增强梯度场，G0(x,y)表示图像R(x,y)的绝对梯度，表示增强函数，x和y表示图像的像素坐标。
4.根据权利要求1所述的基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于：所述步骤三中图像梯度散度的边界条件为：
(1)边界散度：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>h</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>w</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，D1j表示坐标(1,j)处的散度，i、j、h和w表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
(2)顶点散度
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>11</mn>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mn>1</mn>
<mi>w</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>w</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>h</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>h</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>,</mo>
<mi>w</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，D11表示坐标(1,1)处的散度，h和w表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
(3)内部点散度
Dij＝Gx(1,j)-Gx(1,j-1)+Gy(1,j)-Gy(1,j-1) (7)
其中，Dij表示坐标(i,j)处的散度，i和j表示像素坐标，Gx和Gy分别表示x轴方向和y轴方向的梯度。
5.根据权利要求1所述的基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于：所述步骤四中利用最小二乘重建目标函数如下：
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&Integral;</mo>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>u</mi>
<mo>-</mo>
<mi>G</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mi>dxdy</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，E(·)表示能量函数，u表示待求的增强图像，∫·dxdy表示积分操作，x和y表示图像中像素坐标，表示导数，G表示增强梯度，||·||2表示L2范数的平方。
目标函数的求解方程为：
Δu＝div(G) (9)
其中，Δ表示Laplacian算子，u表示待求的增强图像，div(·)表示求散度操作，G表示增强梯度。
目标函数求解方程的矩阵变换形式为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>P</mi>
<mn>1</mn>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mi>U</mi>
<mo>+</mo>
<msup>
<msub>
<mi>UP</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，P1和P2表示正弦矩阵，P1 -1和P2 -1表示正弦矩阵P1和P2的逆，A1和A2表示对角阵，U表示增强图像u的矩阵形式，D表示增强梯度G的散度，λ1 (1),λ2 (1),…,λm (1)表示对角阵A1的特征值，λ1 (2),λ2 (2),…,λn (2)表示对角阵A2的特征值，m和n表示图像维度。
Kronecker积变换形式为：
(Inn×A1+A2×Imm)v(P1UP2 -1)＝v(P1DP2 -1) (11)
求解Kronecker积解析表达式并带入方程，得到：
公式(11)和公式(12)中，Imm和Inn表示维度为m×m和n×n的单位矩阵，A1和表A2示对角阵，P1和P2表示正弦矩阵，P1 -1和P2 -1表示正弦矩阵P1和P2的逆，U表示增强图像的矩阵形式，D表示增强梯度G的散度，v表示矩阵向量化算子，m和n表示图像维度，
λ1 (1),λ2 (1),…,λm (1)表示对角阵A1的特征值，λ1 (2),λ2 (2),…,λn (2)表示对角阵A2的特征值。
直接对公式(12)进行求解，即可快速得到最终的增强图像U。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711372874.XA CN108122210A (zh) | 2017-12-19 | 2017-12-19 | 一种基于Retinex和增强梯度的低照度车牌视频图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711372874.XA CN108122210A (zh) | 2017-12-19 | 2017-12-19 | 一种基于Retinex和增强梯度的低照度车牌视频图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108122210A true CN108122210A (zh) | 2018-06-05 |
Family
ID=62230264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711372874.XA Pending CN108122210A (zh) | 2017-12-19 | 2017-12-19 | 一种基于Retinex和增强梯度的低照度车牌视频图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122210A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932706A (zh) * | 2018-08-14 | 2018-12-04 | 长沙全度影像科技有限公司 | 一种彩色图像的对比度和饱和度增强方法 |
| CN109101968A (zh) * | 2018-08-09 | 2018-12-28 | 四川理工学院 | 一种车牌识别系统及识别方法 |
| CN111127377A (zh) * | 2019-12-20 | 2020-05-08 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102176243A (zh) * | 2010-12-30 | 2011-09-07 | 浙江理工大学 | 一种基于可见光和红外摄像机的目标测距方法 |
| CN102289792A (zh) * | 2011-05-03 | 2011-12-21 | 北京云加速信息技术有限公司 | 一种低照度视频图像增强方法及系统 |
| CN104915933A (zh) * | 2015-06-01 | 2015-09-16 | 长安大学 | 一种基于apso-bp耦合算法的雾天图像增强方法 |
| CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
| CN107146209A (zh) * | 2017-05-02 | 2017-09-08 | 四川大学 | 一种基于梯度域的单幅图像去雾方法 |
-
2017
- 2017-12-19 CN CN201711372874.XA patent/CN108122210A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102176243A (zh) * | 2010-12-30 | 2011-09-07 | 浙江理工大学 | 一种基于可见光和红外摄像机的目标测距方法 |
| CN102289792A (zh) * | 2011-05-03 | 2011-12-21 | 北京云加速信息技术有限公司 | 一种低照度视频图像增强方法及系统 |
| CN104915933A (zh) * | 2015-06-01 | 2015-09-16 | 长安大学 | 一种基于apso-bp耦合算法的雾天图像增强方法 |
| CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
| CN107146209A (zh) * | 2017-05-02 | 2017-09-08 | 四川大学 | 一种基于梯度域的单幅图像去雾方法 |
Non-Patent Citations (3)
| Title |
|---|
| 席志红 等: ""基于格林函数的图像增强算法"", 《计算机工程与应用》 * |
| 董丽丽 等: ""基于局部梯度场均衡化的图像增强方法"", 《光电子 激光》 * |
| 许欣 等: ""结合视觉感知特性的梯度域图像增强方法"", 《计算机辅助设计与图形学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101968A (zh) * | 2018-08-09 | 2018-12-28 | 四川理工学院 | 一种车牌识别系统及识别方法 |
| CN108932706A (zh) * | 2018-08-14 | 2018-12-04 | 长沙全度影像科技有限公司 | 一种彩色图像的对比度和饱和度增强方法 |
| CN111127377A (zh) * | 2019-12-20 | 2020-05-08 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
| CN111127377B (zh) * | 2019-12-20 | 2023-04-25 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062880B (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN107680158A (zh) | 一种基于卷积神经网络模型的三维人脸重建方法 | |
| CN108876737B (zh) | 一种联合残差学习和结构相似度的图像去噪方法 | |
| Hu et al. | Singular value decomposition and local near neighbors for face recognition under varying illumination | |
| CN108122210A (zh) | 一种基于Retinex和增强梯度的低照度车牌视频图像增强方法 | |
| CN103530853A (zh) | 红外光强图像和红外偏振图像增强融合方法 | |
| CN113052814B (zh) | 基于Retinex和注意力机制的暗光图像增强方法 | |
| CN101299267A (zh) | 一种人脸图像处理方法及装置 | |
| CN110033416B (zh) | 一种结合多粒度的车联网图像复原方法 | |
| CN115063329A (zh) | 低光照环境下的可见光和红外图像融合增强方法及系统 | |
| Sathesh et al. | Hybrid parallel image processing algorithm for binary images with image thinning technique | |
| CN104574328A (zh) | 一种基于直方图分割的彩色图像增强方法 | |
| CN108986185A (zh) | 基于深度学习的图像数据扩增方法 | |
| CN108961188A (zh) | 一种图像画质增强方法、系统及装置 | |
| CN110570381A (zh) | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 | |
| CN109345609A (zh) | 基于卷积神经网络进行壁画图像去噪和线描画生成的方法 | |
| Li et al. | Data augmentation and layered deformable mask R-CNN-based detection of wood defects | |
| Guo et al. | Multifeature extracting CNN with concatenation for image denoising | |
| CN107067386B (zh) | 一种基于相对全局直方图拉伸的浅海水下图像增强方法 | |
| CN111815550A (zh) | 一种基于灰度共生矩阵的红外与可见光图像融合方法 | |
| CN107492082A (zh) | 一种利用边缘统计特征的mrf样本块图像修复方法 | |
| CN115965844B (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
| Xiang et al. | A deep network architecture for image inpainting | |
| Wang et al. | Hand vein image enhancement based on multi-scale top-hat transform | |
| Zhang et al. | Face deblurring based on separable normalization and adaptive denormalization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180605 |