CN110610463A - 一种图像增强方法及装置 - Google Patents
一种图像增强方法及装置 Download PDFInfo
- Publication number
- CN110610463A CN110610463A CN201910724964.3A CN201910724964A CN110610463A CN 110610463 A CN110610463 A CN 110610463A CN 201910724964 A CN201910724964 A CN 201910724964A CN 110610463 A CN110610463 A CN 110610463A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- value
- illumination
- image enhancement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005286 illumination Methods 0.000 claims abstract description 176
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002598 diffusion tensor imaging Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 241000854350 Enicospilus group Species 0.000 description 1
- 208000007014 Retinitis pigmentosa Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请适用于计算机应用技术领域,提供了图像增强方法及装置,包括:通过获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;在所述车辆上预设的显示器上显示所述目标图像。通过根据预先训练得到的图像增强模型,将在低照度环境下得到的待处理图像进行图像增强,得到对比度和亮度较高的目标图像,并在显示器上显示,以辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
Description
技术领域
本申请属于计算机应用技术领域,尤其涉及一种图像增强方法及装置。
背景技术
近年来,随着深度学习方法的迅速发展,计算机视觉在高级驾驶员辅助系统和互联自主车辆设计中的应用越来越多,这些应用主要集中在目标检测和分类、语义分割、实例分割、运动估计和监视系统。然而,现有的计算机视觉应用大多是基于相机的,因此只能在正常光线和晴朗的天气条件下使用,这使得大多数最先进的模型不适应用于夜间图像。
现有技术中通过图像增强方法使亮度更好的分布在直方图上,可以在不影响整体对比度的情况下增强局部对比度,或者通过伽马校正,来压缩亮像素来增加黑暗区域的亮度,但是这些方法只是单一的对待处理的图像来确定不同亮度对应的区域,且只关注有附加光源的夜间情况,例如有路灯的城市道路,而没有考虑农村地区普遍存在的没有光源的黑暗情况。因此,现有技术中的处理方式容易造成图像增强结果不准确的问题。
发明内容
本申请实施例提供了图像增强方法及装置,可以解决现有技术中的处理方式容易造成图像增强结果不准确的问题。
第一方面,本申请实施例提供了一种图像增强方法,包括:
获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
其中,所述将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像之前,还包括:
获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象;
对所述样本图像进行预处理,得到预处理图像;
将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。
其中,所述获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像,包括:
获取第二照度值下的基准图像;
根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像。
其中,所述根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像,包括:
对所述基准图像进行预设的伽马变换,得到亮度变暗的第一图像;
调整所述第一图像的对比度,得到第二图像;
根据预设的直方图匹配法,对所述第二图像进行调整,得到所述样本图像。
其中,所述将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型,包括:
将所述预处理图像输入所述图像增强网络中进行训练,得到所述训练结果;
根据预设的损失函数对应的计算方法,计算所述训练结果和所述基准图像之间的损失值;所述损失函数包括均方误差、峰值信噪比或结构相似度;
根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型。
其中,所述根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型,包括:
根据预设的梯度下降法优化所述图像增强网络中的参数,得到所述图像增强模型。
其中,所述对所述样本图像进行预处理,得到预处理图像,包括:
在所述样本图像中随机添加不同强度的高斯噪声,得到所述预处理图像。
第二方面,本申请实施例提供了一种图像增强装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
第三方面,本申请实施例提供了一种图像增强装置,包括:
获取单元,用于获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
增强单元,用于将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
显示单元,用于在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的图像增强方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:通过获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;在所述车辆上预设的显示器上显示所述目标图像。通过根据预先训练得到的图像增强模型,将在低照度环境下得到的待处理图像进行图像增强,得到对比度和亮度较高的目标图像,并在显示器上显示,以辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的图像增强方法的流程图;
图2是本申请实施例一提供的图像增强模型的结构图;
图3是本申请实施例二提供的图像增强方法的流程图;
图4是本申请实施例二提供的Gamma变换后的图像;
图5是本申请实施例二提供的Gamma变换和对比度调整之后的图像示例;
图6是本申请实施例二提供的样本图像生成结果示例;
图7是本申请实施例二提供的图像增强模型的训练和应用示意图;
图8是本申请实施例二提供的标准化技术示意图;
图9是本申请实施例二提供的黑暗照度下待增强图像的处理结果对比图;
图10是本申请实施例二提供的图像增强模型对抗噪声的效果图;
图11是本申请实施例二提供的真实夜景下待增强图像的处理结果对比图;
图12是本申请实施例二提供的不同算法修复黑夜真实夜景图像的示意图;
图13是本申请实施例三提供的图像增强装置的示意图;
图14是本申请实施例四提供的图像增强装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
参见图1,图1是本申请实施例一提供的一种图像增强方法的流程图。本实施例中图像增强方法的执行主体为具有图像增强功能的装置,包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的图像增强方法可以包括以下步骤:
S101:获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度。
近年来,随着深度学习方法的迅速发展,计算机视觉在高级驾驶员辅助系统和互联自主车辆设计中的应用越来越多,这些应用主要集中在目标检测和分类、语义分割、实例分割、运动估计和监视系统。然而,现有的计算机视觉应用大多是基于相机的,因此只能在正常光线和晴朗的天气条件下使用,这使得大多数最先进的模型不适应用于夜间图像。据交通安全数据显示,美国51.1%的致命撞车事故发生在夜间,例如下午6点到早上6点,尤其是在照明设施不全的农村地区。因此,有效地增强夜间图像的方法对交通安全具有重要意义。
然而,在夜晚条件下,交通参与者的轮廓和外观等图像细节都是模糊的,很难从黑夜背景中分辨出感兴趣的细节信息,因此恢复低照度图像的细节是一项具有挑战性的任务,尤其是对于照度极低的图像。针对这一问题,不同的研究者提出了多种图像增强方法。直方图均衡化(Histogram Equalization,HE)是一种经典的方法,它使亮度更好的分布在直方图上,可以在不影响整体对比度的情况下增强局部对比度。另一种广泛使用的方法是伽马gamma校正,它通过压缩亮像素来增加黑暗区域的亮度。除了HE和gamma校正外,针对图像增强问题还提出了基于暗通道先验方法,基于视网膜色素retinex理论的方法和基于光照地图估计的方法,其中基于retinex理论的方法最为流行。近年来,在大数据集和计算能力提高的推动下,基于深度学习的方法,如卷积神经网络(Convolutional NeuralNetwork,CNN)在图像增强应用中取得了巨大的成功。然而,所有这些方法都只关注有附加光源的夜间情况,例如有路灯的城市道路,而没有考虑农村地区普遍存在的没有光源的黑暗情况。
本实施例中通过第一照度值来表示低照度环境下的照度,即通过预设较低的照度阈值,将低于该照度阈值的照度环境下得到的图像作为待处理图像。
S102:将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度。
本实施例提出了一种新的低光图像生成方法,并提出了一种基于CNN的高效端到端管道来增强不同光照水平的图像。本实施例的主要贡献包括:
(1)提出了一种更加复杂和精确的方法来生成微光图像。通过在不同光照条件下提供更真实、更自然的图像进行训练,提高了算法的鲁棒性。
(2)提出了一个高效的基于CNN的图像增强模型来增强弱光图像。提出的网络具有较强的非线性映射能力,能够综合模拟不同光照条件下生成的图像对之间的关系,具有较好的泛化性能。本实施例中的图像增强模型如图2所示,其中,数字×数字×数字代表特征图的高、宽和通道数。对应的网络参数配置如表1所示,表1中,c表示卷积核的个数,n表示重复次数,s表示步长,Concat表示上下采样过程中相同大小的特征通过拼接操作或element-wise相加操作进行融合。
表1.网络详细配置
本实施例中根据预设的照度阈值,将高度该照度阈值的照度作为第二照度值,该照度环境下得到的图像在图像亮度、对比度等方面相比于待处理图像都表现较好。
S103:在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
本实施例的车辆中预先设置有显示器,用于实时显示增强之后的图像。在将实时拍摄得到的待处理图像通过预先训练得到的图像增强模型,得到高照度下的目标图像之后,在显示器上显示目标图像,以辅助车辆的驾驶员查看待处理图像对应的路面状态。
上述方案,通过获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。通过根据预先训练得到的图像增强模型,将在低照度环境下得到的待处理图像进行图像增强,得到对比度和亮度较高的目标图像,并在显示器上显示,以辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
参见图3,图3是本申请实施例二提供的一种图像增强方法的流程图。本实施例中图像增强方法的执行主体为具有图像增强功能的装置,包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的图像增强方法可以包括以下步骤:
S301:获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象。
进一步的,步骤S301包括S3011~S3012:
S3011:获取第二照度值下的基准图像。
本实施例中将第一照度值,即较低照度下得到的图像作为样本图像,将第二照度值,即较高照度或者正常照度下得到的图像作为基准图像,本实施例中的样本图像和基准图像中包括了相同的拍摄对象,用于通过基准图像来检测样本图像的训练结果。
S3012:根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像。
为了能利用监督学习的方法训练网络,需要用低照度图像和正常照度图像构成训练对来让网络学习低照度图像到正常照度图像的映射关系,正常情况下,我们没有低照度图像所对应的正常照度图像作为真值标签,所以本实施例提出一种新的低照度图像生成方法,然后用生成的低照度图像和正常照度图像构成网络的训练对。
进一步的,步骤S3012包括:
S30121:对所述基准图像进行预设的伽马变换,得到亮度变暗的第一图像。
本实施例中使用gamma变换来使图像变暗,公式如下:
其中A为图像中各个像素点像素值中的最大像素强度。直观的,当γ>1时,大部分像素强度将会得到降低,以此来产生黑化后图像。在我们的方法中,γ是从均匀分布uniform(1,6)中随机采样得到的。Iin表示输入图像。图4显示了不同的γ值所产生的黑化后的图像。
S30122:调整所述第一图像的对比度,得到第二图像。
使用如下公式对gamma变换后的图像进行对比度调整:
Iout=α·Iin (2)
其中,α是0.1和1之间的一个随机数,控制的对比度的变化范围。图5展示了一些经过gamma变换和对比度调整之后的图像示例。
S30123:根据预设的直方图匹配法,对所述第二图像进行调整,得到所述样本图像。
使用直方图匹配对上述图像进行调整,公式如下:
Iout(x,y)=HM(Iin(x,y),β·Itemplate(x,y)) (3)
HM(r,z)=G-1[T(r)] (4)
其中,HM为直方图匹配函数,x,y为图像的像素坐标,L为8位通道的最大像素值,pr和pz分别为输入图像和模板图像的直方图分布。Itemplate为模板图像,是100幅夜间道路真实图像像素的统计平均值。β是一个0.1到1之间的比例常数,控制模板图像的强度。Iin表示输入图像,Iout表示输出图像,积分上限中的r,z分别表示pr和pz的直方图分布上限值。HM函数中的r,z表示待改变图像和模板图像,G-1表示函数G的反函数,函数T,G为待修复图像直方图的累积分布和模板图像的累积分布。生成的图像如图6所示。
综上所述,完整的数据生成方法可以描述为:
γ~uniform(1,6) (7)
α~uniform(0.1,1) (8)
β~uniform(0.1,1) (9)
ILL=DG(IDT,γ,α,β) (10)
其中,DG是我们提出的黑暗图像生成方法,即步骤(1)(2)(3)的综合,γ,α,β是从不同均匀分布中采样得到的超参数,用来生成图像的照度。ILL为生成的低照度图像,IDT为正常照度图像。我们使用ILL和IDT构成训练对,其中ILL为网络的输入,IDT为真值标签。uniform为均匀分布函数。
S302:对所述样本图像进行预处理,得到预处理图像。
步骤S302包括:在所述样本图像中随机添加不同强度的高斯噪声,得到所述预处理图像。
本实施例中在样本图像中添加不同强度的高斯噪声,目的是为了迫使网络习得修复噪声的能力,然后网络根据低照度图像生成一幅照度提升后的图像。
S303:将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。
请一并参阅图7,图7为本实施例提供的图像增强模型的训练和应用示意图。在训练阶段,首先通过正常手段获取正常光照下的图像,然后通过我们的方法生成对应的低照度图像,即较黑暗的图像,接着随机添加不同强度的高斯噪声,目的是为了迫使网络习得修复噪声的能力,然后网络根据低照度图像生成一幅照度提升后的图像,将该图像与正常光照下的图像进行对比,通过步骤S3032中的公式(11)、(12)或(13)计算损失,并使用梯度下降进行网络权重的更新,通过不断的更新权重,网络最终会习得如何修复低照度的图像。应用阶段,将训练阶段习得的权重进行冻结,然后通过在夜晚条件下通过车载摄像头实时获取低照度图像,然后送入我们提出的网络,网络的输出便是照度提升后的图像,然后可以通过一些可视化的方法,如在车辆LCD屏幕上显示照度提升后的图像,使驾驶员更清楚的看清前方。
进一步的,步骤S303包括:
S3031:将所述预处理图像输入所述图像增强网络中进行训练,得到所述训练结果。
网络整体结构图如图2、详细配置如表1所示,除此之外,为了减少数据批量对网络性能的影响,我们采用了一种标准化技术——组归一化。图8展示了几种主流的标准化技术对比,图8中,H,W,C,N分别代表特征图的高,宽,通道数及批量大小,可以看到,组归一化其实是层标准化和实例标准化的折中,即对某个特征图在部分通道处进行标准化,然后采用和批量标准化相同的方法(即将标准化后的数据乘以某个可以学习的参数并加上偏置)使数据不至于丢失原有的信息结构。具体实施时,我们在每一层卷积的激活函数前添加了组归一化。
在训练过程中,我们使用小批量数据更新网络,批量大小为10,对网络进行训练。训练总步数为80k,初始学习率为1e-2。每20k步学习速度降低10倍。此外,我们在低照度图像中随机添加高斯噪声,迫使网络具备一定的消除噪声的能力。
S3032:根据预设的损失函数对应的计算方法,计算所述训练结果和所述基准图像之间的损失值;所述损失函数包括均方误差、峰值信噪比或结构相似度。
在训练过程中,我们使用不同的损失函数来训练网络,包括均方误差(MSE)、峰值信噪比(PSNR)和结构相似度(SSIM)。这些损失函数定义如下:
其中,(i,j)是图像的坐标,(x,y)是样本x以及样本y(即两幅图像的某一局部位置),ux,uy是样本x,y的均值,σx,σy是样本x,y的标准差,σxy是样本x,y的协方差。
S3033:根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,步骤S3033包括:根据预设的梯度下降法优化所述图像增强网络中的参数,得到所述图像增强模型。
通过步骤S3032中的公式(11)、(12)或(13)计算损失,并使用梯度下降进行网络权重的更新,通过不断的更新权重,网络最终会习得如何修复低照度的图像。
将本实施例的方法分别应用于由我们提出的方法生成的黑暗图像和正常黑夜图像,并与其他一些经典算法进行了对比,其中参与对比的算法包括4种,分别为:
1)对比度受限直方图均衡化(CLAHE),其通过限制局部直方图的高度来限制局部对比度的增强幅度,从而限制噪声的放大及局部对比度的过增强;
2)带色彩恢复的多尺度视网膜增强算法(MSRCR和MSRCP),这些方法基于Retinex理论,前者同时考虑图像RGB通道的内在关联,对多尺度MSR结果做了色彩平衡,归一化,增益和偏差线性加权,减少了色差等问题,后者更考虑图像强度,提升后的图像往往具高的对比度和亮度;
3)基于曝光融合框架的对比度提升方法(CEEF)。具体来说,首先通过预先设计的加权矩阵与图像进行融合。然后,通过相机响应模型合成多重曝光图像。接下来,找到最佳的曝光率使合成图像是暴露在该区域下曝光不足的图像。最后,输入图像和合成图像进行融合,根据权重矩阵得到增强的结果;
4)基于卷积神经网络的快速图像处理算法(Fast-IP net),这种方法通过卷积神经网络去模拟不同的图像处理方法,用于黑夜图像的提升。
在处理照度几乎完全黑暗的待增强图像时,图9展示了一些方法的增强结果,其中第四行为直方图统计,图10展示了我们方法对抗噪声的能力。
表2为量化结果,其中MSE为均方误差,NRMSE为归一化均方误差,PSNR为峰值信噪比,SSIM为结构相似性,FPS为帧/秒。
表4.生成的低照度图像增强效果的定量比较
在真实夜景的环境下,本实施例中的方法相比于其他方法在图像增强方便的表现如图11所示,图11展示了不同算法修复黑夜真实夜景图像的细节,图11中,第三行为图像的直方图统计,第四行为图像的色相、强度和明度空间。图12展示了不同算法修复黑夜真实夜景图像的细节。表3为不同算法修复真实夜景图像的量化比较,其中CEIQ为对比度提升图像质量指标。
表3 不同算法修复图像的量化比较
需要说明的,本实施例中的步骤S304~S305的执行过程与实施例一中步骤S101~S103中的执行过程相同,此处不做详细说明。
S304:获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
S305:将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
S306:在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
上述方案,通过获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象;对所述样本图像进行预处理,得到预处理图像;将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。通过根据正常光照下的基准图像来生成对应的低照度图像构成图像对,并根据图像对训练得到图像增强模型,通过图像增强模型将驾驶员实时获取到的低照度图像增强为较高照度的图像,并发送至车载终端,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
参见图13,图13是本申请实施例三提供的一种图像增强装置的示意图。图像增强装置1300可以为智能手机、平板电脑等移动终端。本实施例的图像增强装置1300包括的各单元用于执行图1对应的实施例中的各步骤,具体请参阅图1及图1对应的实施例中的相关描述,此处不赘述。本实施例的图像增强装置1300包括:
获取单元1301,用于获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
增强单元1302,用于将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
显示单元1303,用于在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
进一步的,所述图像增强装置1300还包括:
第一获取单元,用于获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象;
预处理单元,用于对所述样本图像进行预处理,得到预处理图像;
训练单元,用于将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,所述第一获取单元包括:
第二获取单元,用于获取第二照度值下的基准图像;
图像调整单元,用于根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像。
进一步的,所述图像调整单元包括:
第一调整单元,用于对所述基准图像进行预设的伽马变换,得到亮度变暗的第一图像;
第二调整单元,用于调整所述第一图像的对比度,得到第二图像;
第三调整单元,用于根据预设的直方图匹配法,对所述第二图像进行调整,得到所述样本图像。
进一步的,所述训练单元包括:
输入单元,用于将所述预处理图像输入所述图像增强网络中进行训练,得到所述训练结果;
损失单元,用于根据预设的损失函数对应的计算方法,计算所述训练结果和所述基准图像之间的损失值;所述损失函数包括均方误差、峰值信噪比或结构相似度;
调参单元,用于根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,所述调参单元包括:
梯度调参单元,用于根据预设的梯度下降法优化所述图像增强网络中的参数,得到所述图像增强模型。
进一步的,所述预处理单元包括:
加噪单元,用于所述样本图像中随机添加不同强度的高斯噪声,得到所述预处理图像。
上述方案,通过获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。通过根据预先训练得到的图像增强模型,将在低照度环境下得到的待处理图像进行图像增强,得到对比度和亮度较高的目标图像,并在显示器上显示,以辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
参见图14,图14是本申请实施例四提供的一种图像增强装置的示意图。如图14所示的本实施例中的图像增强装置1400可以包括:处理器1401、存储器1402以及存储在存储器1402中并可在处理器1401上运行的计算机程序1403。处理器1401执行计算机程序1403时实现上述各个图像增强方法实施例中的步骤。存储器1402用于存储计算机程序,所述计算机程序包括程序指令。处理器1401用于执行存储器1402存储的程序指令。其中,处理器1401被配置用于调用所述程序指令执行以下操作:
处理器1401用于:
获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
进一步的,处理器1401具体用于:
获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象;
对所述样本图像进行预处理,得到预处理图像;
将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,处理器1401具体用于:
获取第二照度值下的基准图像;
根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像。
进一步的,处理器1401具体用于:
对所述基准图像进行预设的伽马变换,得到亮度变暗的第一图像;
调整所述第一图像的对比度,得到第二图像;
根据预设的直方图匹配法,对所述第二图像进行调整,得到所述样本图像。
进一步的,处理器1401具体用于:
将所述预处理图像输入所述图像增强网络中进行训练,得到所述训练结果;
根据预设的损失函数对应的计算方法,计算所述训练结果和所述基准图像之间的损失值;所述损失函数包括均方误差、峰值信噪比或结构相似度;
根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,处理器1401具体用于:
根据预设的梯度下降法优化所述图像增强网络中的参数,得到所述图像增强模型。
进一步的,处理器1401具体用于:
在所述样本图像中随机添加不同强度的高斯噪声,得到所述预处理图像。
上述方案,通过获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。通过根据预先训练得到的图像增强模型,将在低照度环境下得到的待处理图像进行图像增强,得到对比度和亮度较高的目标图像,并在显示器上显示,以辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
应当理解,在本申请实施例中,所称处理器1401可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器1402可以包括只读存储器和随机存取存储器,并向处理器1401提供指令和数据。存储器1402的一部分还可以包括非易失性随机存取存储器。例如,存储器1402还可以存储设备类型的信息。
具体实现中,本申请实施例中所描述的处理器1401、存储器1402、计算机程序1403可执行本申请实施例提供的图像增强方法的第一实施例和第二实施例中所描述的实现方式,也可执行本申请实施例所描述的终端的实现方式,在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:
获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
进一步的,所述计算机程序被处理器执行时还实现:
获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象;
对所述样本图像进行预处理,得到预处理图像;
将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,所述计算机程序被处理器执行时还实现:
获取第二照度值下的基准图像;
根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像。
进一步的,所述计算机程序被处理器执行时还实现:
对所述基准图像进行预设的伽马变换,得到亮度变暗的第一图像;
调整所述第一图像的对比度,得到第二图像;
根据预设的直方图匹配法,对所述第二图像进行调整,得到所述样本图像。
进一步的,所述计算机程序被处理器执行时还实现:
将所述预处理图像输入所述图像增强网络中进行训练,得到所述训练结果;
根据预设的损失函数对应的计算方法,计算所述训练结果和所述基准图像之间的损失值;所述损失函数包括均方误差、峰值信噪比或结构相似度;
根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型。
进一步的,所述计算机程序被处理器执行时还实现:
根据预设的梯度下降法优化所述图像增强网络中的参数,得到所述图像增强模型。
进一步的,所述计算机程序被处理器执行时还实现:
在所述样本图像中随机添加不同强度的高斯噪声,得到所述预处理图像。
上述方案,通过获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。通过根据预先训练得到的图像增强模型,将在低照度环境下得到的待处理图像进行图像增强,得到对比度和亮度较高的目标图像,并在显示器上显示,以辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态,提高了图像增强的效果和精确度,保证了驾驶员在夜间驾驶期间能够安全驾驶。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,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申请的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像增强方法,其特征在于,包括:
获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
2.如权利要求1所述的图像增强方法,其特征在于,所述将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像之前,还包括:
获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像;所述样本图像和所述基准图像中包括相同的拍摄对象;
对所述样本图像进行预处理,得到预处理图像;
将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型。
3.如权利要求2所述的图像增强方法,其特征在于,所述获取所述第一照度值对应的样本图像、所述第二照度值下的基准图像,包括:
获取所述第二照度值下的基准图像;
根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像。
4.如权利要求3所述的图像增强方法,其特征在于,所述根据预设的调整方式,调整所述基准图像的亮度和对比度,得到所述基准图像对应的样本图像,包括:
对所述基准图像进行预设的伽马变换,得到亮度变暗的第一图像;
调整所述第一图像的对比度,得到第二图像;
根据预设的直方图匹配法,对所述第二图像进行调整,得到所述样本图像。
5.如权利要求2所述的图像增强方法,其特征在于,所述将所述预处理图像输入所述图像增强网络中进行训练,根据得到的训练结果和所述基准图像优化所述图像增强网络的参数,得到所述图像增强模型,包括:
将所述预处理图像输入所述图像增强网络中进行训练,得到所述训练结果;
根据预设的损失函数对应的计算方法,计算所述训练结果和所述基准图像之间的损失值;所述损失函数包括均方误差、峰值信噪比或结构相似度;
根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型。
6.如权利要求5所述的图像增强方法,其特征在于,所述根据所述损失值优化所述图像增强网络的参数,得到所述图像增强模型,包括:
根据预设的梯度下降法优化所述图像增强网络中的参数,得到所述图像增强模型。
7.如权利要求2所述的图像增强方法,其特征在于,所述对所述样本图像进行预处理,得到预处理图像,包括:
在所述样本图像中随机添加不同强度的高斯噪声,得到所述预处理图像。
8.一种图像增强装置,其特征在于,包括:
获取单元,用于获取车辆上预置的摄像头在第一照度值下拍摄的待处理图像;所述第一照度值用于表示照度值低于预设照度阈值的照度;
增强单元,用于将所述待处理图像输入预先训练得到的图像增强模型进行处理,得到第二照度值对应的目标图像;所述图像增强模型根据第一照度值下的样本图像、所述样本图像对应在第二照度值下的基准图像,对预设的图像增强网络进行训练得到;所述第二照度值用于表示照度值高于预设照度阈值的照度;
显示单元,用于在所述车辆上预设的显示器上显示所述目标图像,所述目标图像用于辅助所述车辆的驾驶员查看所述待处理图像对应的路面状态。
9.一种图像增强装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910724964.3A CN110610463A (zh) | 2019-08-07 | 2019-08-07 | 一种图像增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910724964.3A CN110610463A (zh) | 2019-08-07 | 2019-08-07 | 一种图像增强方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610463A true CN110610463A (zh) | 2019-12-24 |
Family
ID=68890537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910724964.3A Pending CN110610463A (zh) | 2019-08-07 | 2019-08-07 | 一种图像增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610463A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583315A (zh) * | 2020-04-23 | 2020-08-25 | 武汉卓目科技有限公司 | 一种新的可见光图像和红外图像配准方法及装置 |
CN111784582A (zh) * | 2020-07-08 | 2020-10-16 | 桂林电子科技大学 | 一种基于dec_se的低照度图像超分辨率重建方法 |
CN112102150A (zh) * | 2020-01-07 | 2020-12-18 | 胡景鲁 | 自适应短视频内容增强平台 |
CN112215789A (zh) * | 2020-10-12 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、设备和计算机可读介质 |
CN112231183A (zh) * | 2020-07-13 | 2021-01-15 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
CN112368738A (zh) * | 2020-05-18 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 用于图像优化的系统和方法 |
CN112637597A (zh) * | 2020-12-24 | 2021-04-09 | 深圳大学 | Jpeg图像压缩方法、装置、计算机设备及存储介质 |
CN113158963A (zh) * | 2021-05-06 | 2021-07-23 | 英特灵达信息技术(深圳)有限公司 | 一种高空抛物的检测方法及装置 |
CN113409225A (zh) * | 2021-07-13 | 2021-09-17 | 北京科技大学 | 基于Retinex的无人机拍摄图像增强算法 |
CN113852759A (zh) * | 2021-09-24 | 2021-12-28 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
CN114286005A (zh) * | 2021-12-29 | 2022-04-05 | 合众新能源汽车有限公司 | 一种车辆天窗的图像显示方法及装置 |
CN114283288A (zh) * | 2021-12-24 | 2022-04-05 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、系统、设备及存储介质 |
WO2022127307A1 (zh) * | 2020-12-18 | 2022-06-23 | 奇瑞汽车股份有限公司 | 车辆视觉辅助系统、车载图像显示方法及装置 |
WO2022165705A1 (zh) * | 2021-02-04 | 2022-08-11 | 深圳市大疆创新科技有限公司 | 低光环境检测方法及自动驾驶方法 |
CN115278068A (zh) * | 2022-07-20 | 2022-11-01 | 重庆长安汽车股份有限公司 | 车载360全景影像系统的弱光增强方法及装置 |
WO2022267494A1 (zh) * | 2021-06-22 | 2022-12-29 | 英特灵达信息技术(深圳)有限公司 | 一种图像数据生成方法和装置 |
CN113158963B (zh) * | 2021-05-06 | 2024-06-07 | 英特灵达信息技术(深圳)有限公司 | 一种高空抛物的检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN108515909A (zh) * | 2018-04-04 | 2018-09-11 | 京东方科技集团股份有限公司 | 一种汽车抬头显示系统及其障碍物提示方法 |
-
2019
- 2019-08-07 CN CN201910724964.3A patent/CN110610463A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN108515909A (zh) * | 2018-04-04 | 2018-09-11 | 京东方科技集团股份有限公司 | 一种汽车抬头显示系统及其障碍物提示方法 |
Non-Patent Citations (1)
Title |
---|
CHRISTIAN LEDIG 等: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", 《HTTPS://ARXIV.ORG/PDF/1609.04802.PDF》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102150A (zh) * | 2020-01-07 | 2020-12-18 | 胡景鲁 | 自适应短视频内容增强平台 |
CN111583315A (zh) * | 2020-04-23 | 2020-08-25 | 武汉卓目科技有限公司 | 一种新的可见光图像和红外图像配准方法及装置 |
CN113689342A (zh) * | 2020-05-18 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
CN112368738A (zh) * | 2020-05-18 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 用于图像优化的系统和方法 |
CN113689342B (zh) * | 2020-05-18 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
CN112368738B (zh) * | 2020-05-18 | 2024-01-16 | 上海联影医疗科技股份有限公司 | 用于图像优化的系统和方法 |
WO2021232195A1 (en) * | 2020-05-18 | 2021-11-25 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image optimization |
CN111784582A (zh) * | 2020-07-08 | 2020-10-16 | 桂林电子科技大学 | 一种基于dec_se的低照度图像超分辨率重建方法 |
CN111784582B (zh) * | 2020-07-08 | 2022-09-27 | 桂林电子科技大学 | 一种基于dec_se的低照度图像超分辨率重建方法 |
CN112231183A (zh) * | 2020-07-13 | 2021-01-15 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
CN112231183B (zh) * | 2020-07-13 | 2022-09-30 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
CN112215789A (zh) * | 2020-10-12 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、设备和计算机可读介质 |
WO2022127307A1 (zh) * | 2020-12-18 | 2022-06-23 | 奇瑞汽车股份有限公司 | 车辆视觉辅助系统、车载图像显示方法及装置 |
CN112637597A (zh) * | 2020-12-24 | 2021-04-09 | 深圳大学 | Jpeg图像压缩方法、装置、计算机设备及存储介质 |
WO2022165705A1 (zh) * | 2021-02-04 | 2022-08-11 | 深圳市大疆创新科技有限公司 | 低光环境检测方法及自动驾驶方法 |
CN113158963A (zh) * | 2021-05-06 | 2021-07-23 | 英特灵达信息技术(深圳)有限公司 | 一种高空抛物的检测方法及装置 |
CN113158963B (zh) * | 2021-05-06 | 2024-06-07 | 英特灵达信息技术(深圳)有限公司 | 一种高空抛物的检测方法及装置 |
WO2022267494A1 (zh) * | 2021-06-22 | 2022-12-29 | 英特灵达信息技术(深圳)有限公司 | 一种图像数据生成方法和装置 |
CN113409225B (zh) * | 2021-07-13 | 2023-12-12 | 北京科技大学 | 基于Retinex的无人机拍摄图像增强算法 |
CN113409225A (zh) * | 2021-07-13 | 2021-09-17 | 北京科技大学 | 基于Retinex的无人机拍摄图像增强算法 |
CN113852759A (zh) * | 2021-09-24 | 2021-12-28 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
CN113852759B (zh) * | 2021-09-24 | 2023-04-18 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
CN114283288A (zh) * | 2021-12-24 | 2022-04-05 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、系统、设备及存储介质 |
CN114283288B (zh) * | 2021-12-24 | 2022-07-12 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、系统、设备及存储介质 |
CN114286005A (zh) * | 2021-12-29 | 2022-04-05 | 合众新能源汽车有限公司 | 一种车辆天窗的图像显示方法及装置 |
CN115278068A (zh) * | 2022-07-20 | 2022-11-01 | 重庆长安汽车股份有限公司 | 车载360全景影像系统的弱光增强方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610463A (zh) | 一种图像增强方法及装置 | |
CN110675328B (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
US20190333200A1 (en) | Method for enhancing low-illumination image | |
CN102202163B (zh) | 一种监控视频的自适应增强方法及其装置 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
WO2020107662A1 (zh) | 多曝光图像融合方法 | |
CN109686342B (zh) | 一种图像处理方法及装置 | |
CN115861380B (zh) | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 | |
WO2019056549A1 (zh) | 图像增强方法以及图像处理装置 | |
CN112200736B (zh) | 基于强化学习的图像处理方法及模型训练方法、装置 | |
Pan et al. | Multi-exposure high dynamic range imaging with informative content enhanced network | |
Li et al. | Global and adaptive contrast enhancement for low illumination gray images | |
Wang et al. | Low-light image enhancement based on virtual exposure | |
US20130287299A1 (en) | Image processing apparatus | |
CN105426847A (zh) | 低质量自然光虹膜图像非线性增强方法 | |
CN113408380B (zh) | 视频图像调整方法、设备及存储介质 | |
CN117274107B (zh) | 低照度场景下端到端色彩及细节增强方法、装置及设备 | |
KR102277005B1 (ko) | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 | |
CN112102175B (zh) | 图像对比度的增强方法、装置、存储介质及电子设备 | |
US20120106842A1 (en) | Method for image enhancement based on histogram modification and specification | |
Ye et al. | Single exposure high dynamic range image reconstruction based on deep dual-branch network | |
Shokrollahi et al. | Histogram modification based enhancement along with contrast-changed image quality assessment | |
CN113177438B (zh) | 图像处理方法、设备及存储介质 | |
CN113436086B (zh) | 非均匀光照视频的处理方法、电子设备及存储介质 | |
CN114998120B (zh) | 暗光图像优化训练方法、智能终端及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |