CN112712469B - 车窗图像处理方法、装置、电子设备和存储介质 - Google Patents
车窗图像处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112712469B CN112712469B CN201911020953.3A CN201911020953A CN112712469B CN 112712469 B CN112712469 B CN 112712469B CN 201911020953 A CN201911020953 A CN 201911020953A CN 112712469 B CN112712469 B CN 112712469B
- Authority
- CN
- China
- Prior art keywords
- window image
- evaluation value
- image
- value
- adaptive control
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010070834 Sensitisation Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008313 sensitization Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供的车窗图像处理方法、装置、电子设备和存储介质,根据从目标图像中分离出的车窗图像的亮度信息和色度信息计算车窗图像的模式特征值;并根据车窗图像的模式特征值及预先设定的期望模式特征值,计算将车窗图像的模式特征值调整为期望模式特征值的自适应控制参数;根据自适应控制参数对车窗图像的亮度信息或色度信息进行处理,从而得到优化后的车窗图像。本申请通过计算车窗图像的模式特征值,并根据模式特征值计算出车窗图像对应的自适应控制参数,通过该自适应控制参数对该车窗图像进行优化处理,使得通过优化处理后的车窗图像能够清楚获取车内驾驶员或乘客的信息。
Description
技术领域
本申请涉及监控图像处理技术领域,具体而言,涉及一种车窗图像处理方法、装置、电子设备和存储介质。
背景技术
随着汽车行业的快速发展,城市中汽车的数量不断增加,为了更好地监控各个路段的行车情况,大部分道路上都安装有监控设备。但由于车窗玻璃的干扰,监控设备所拍摄到的图像中的车窗图像部分普遍存在亮度不均匀、对比度较低、雾感度过高等问题,从而导致无法清楚获取汽车中的驾驶员或乘客信息。
现有技术中,通常是直接提升车窗图像的对比度或亮度,然而不同时刻、不同位置或不同光照等情况会导致拍摄的车窗图像具有很大的不同。例如车窗图像存在亮度不均匀(亮度集中分布在过暗和过亮的区域)的情况时,直接提升车窗图像的对比度或亮度,可能会造成此类车窗图像的亮区部分的信息丢失,以至于无法清楚获取车内的驾驶员或乘客的信息。
因此,如何对车窗图像进行处理以通过该车窗图像获得车内的驾驶员或乘客信息是本领域技术人员需要解决的问题。
发明内容
为了解决上述问题,本申请的目的在于提供车窗图像处理方法、装置、电子设备和存储介质。
第一方面,本申请实施例提供一种车窗图像处理方法,所述方法包括:
对输入的目标图像进行车窗区域识别,以从所述目标图像中获得车窗图像;
根据所述车窗图像的亮度信息和色度信息计算所述车窗图像的模式特征值;
根据所述车窗图像的模式特征值及预先设定的期望模式特征值,计算将所述车窗图像的模式特征值调整为所述期望模式特征值的自适应控制参数;
根据自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像。
在可选的实施方式中,所述模式特征值包括雾感度评价值、亮度评价值、均衡性评价值及信噪比评价值;根据所述车窗图像的亮度信息和色度信息计算得到所述车窗图像的模式特征值,包括:
根据所述车窗图像的亮度信息分别计算所述车窗图像的亮度评价值、均衡性评价值及信噪比评价值;
根据所述车窗图像的色度信息计算所述车窗图像的雾感度评价值。
在可选的实施方式中,根据自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像,包括:
根据所述自适应控制参数对所述车窗图像进行对比度增强处理,以使所述车窗图像的对比度或饱和度达到期望的对比度或饱和度,其中,所述自适应控制参数由所述亮度评价值、均衡性评价值、信噪比评价值及雾感度评价值计算获得,包括;
采用Gamma校正方法及基于模糊集理论对所述车窗图像进行对比度增强处理,其中,所述Gamma校正方法及基于模糊集理论的自适应控制参数包括由亮度评价值计算获得的Gamma校正的调整值、由亮度评价值及均衡性评价值计算获得的渡越点值、由雾感度评价值计算得到的车窗图像的亮区、暗区的对比度调整强度值。
在可选的实施方式中,根据自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像,包括:
根据所述自适应控制参数对所述车窗图像进行信噪比提升处理,从而获得优化后的车窗图像,其中,所述自适应控制参数还由所述目标图像的相机感光度增益值计算获得,包括:
采用基于导向滤波的信噪比提升算法对所述车窗图像进行对比度增强处理,其中,所述基于导向滤波的信噪比提升算法的自适应控制参数包括由所述目标图像的相机感光度增益值计算得到的信噪比提升强度值以及锐化强度值。
在可选的实施方式中,采用自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像之后,所述方法还包括:
将优化后的车窗图像与所述目标图像的背景图像进行拼接,其中,所述目标图像包括背景图像及车窗图像。
第二方面,本申请实施例提供一种车窗图像处理装置,所述装置包括:
车窗图像获取模块,用于对输入的目标图像进行车窗区域识别,以从所述目标图像中获得车窗图像;
第一计算模块,根据所述车窗图像的亮度信息和色度信息计算得到所述车窗图像的模式特征值;
第二计算模块,用于根据所述车窗图像的模式特征值及预先设定的期望模式特征值,计算将所述车窗图像的模式特征值调整为所述期望模式特征值的自适应控制参数;
优化处理模块,用于根据自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像。
在可选的实施方式中,所述优化处理模块具体用于:
根据所述自适应控制参数控制对所述车窗图像进行对比度增强处理,以使所述车窗图像的对比度或饱和度达到期望的对比度或饱和度,其中,所述自适应控制参数由亮度评价值、均衡性评价值、信噪比评价值及雾感度评价值计算获得。
在可选的实施方式中,所述优化处理模块具体用于:
根据所述自适应控制参数对所述车窗图像进行信噪比提升处理,从而获得优化后的车窗图像,其中,所述自适应控制参数还由所述目标图像的相机感光度增益值计算获得。
第三方面,本申请实施例提供一种电子设备,包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述电子设备执行前述实施方式中任意一项所述的车窗图像处理方法。
第四方面,本申请实施例提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被执行时实现前述实施方式任意一项所述的车窗图像处理方法。
本申请的有益效果:
本申请实施例提供的车窗图像处理方法、装置、电子设备和存储介质,根据从目标图像中分离出的车窗图像的亮度信息和色度信息计算车窗图像的模式特征值;并根据车窗图像的模式特征值及预先设定的期望模式特征值,计算将车窗图像的模式特征值调整为期望模式特征值的自适应控制参数;根据自适应控制参数对车窗图像的亮度信息或色度信息进行处理,从而得到优化后的车窗图像。本申请通过计算车窗图像的模式特征值,并根据模式特征值计算出车窗图像对应的自适应控制参数,通过该自适应控制参数对该车窗图像进行优化处理,使得通过优化处理后的车窗图像能够清楚获取车内驾驶员或乘客的信息。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为监控系统的结构图;
图2是本申请是实施例提供的电子设备的结构示意图;
图3为本申请实施例提供的车窗图像处理方法的流程图;
图4为图3中步骤S320的子步骤流程图;
图5为本申请实施例提供的计算模式特征值的示意图;
图6为图3中步骤S340的子步骤流程图;
图7为本申请实施例提供的车窗图像处理装置的功能模块图。
主要标号说明:10-监控系统;100-电子设备;200-监控设备;110-车窗图像处理装置;120-存储器;130-处理器;1101-车窗图像获取模块;1102-第一计算模块;1103-第二计算模块;1104-优化处理模块;1105-替换模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图1,图1为监控系统10的结构图,监控系统10包括相互通信连接的电子设备100及监控设备200。监控设备200可以设置在道路上方用于对道路情况进行实时监控,并将拍摄的图像发送至电子设备100进行车窗图像优化处理,使车窗图像更加清晰,便于识别。
请参照图2,图2是本申请是实施例提供的电子设备100的结构示意图,该电子设备100包括有处理器130、存储器120以及车窗图像处理装置110,所述存储器120与处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述车窗图像处理装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(Operating System,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如车窗图像处理装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
请参照图3,图3为本申请实施例提供的车窗图像处理方法的流程图。在本实施例中,该方法应用于电子设备100,包括:
步骤S310,对输入的目标图像进行车窗区域识别,以从目标图像中获得车窗图像。
在本步骤中,电子设备100获得监控设备200发送的监控图像后,需要对监控图像中的车窗图像进行处理。首先对待处理的目标图像进行车窗区域识别,从该目标图像中将车窗图像分离,从而将目标图像分离为背景图像及车窗图像。
具体地,使用车窗图像获取算法从该目标图像中获取车窗区域的坐标范围,并根据该坐标范围在目标图像中截取出与该坐标范围对应的车窗图像。
此外,不局限于车窗图像的处理,也可以结合目标区域标定位置的坐标信息进行特定目标区域的处理,如人脸头像部分的区域,通过结合局部特征信息进行参数的自适应计算。
步骤S320,根据车窗图像的亮度信息和色度信息计算车窗图像的模式特征值。
步骤S330,根据车窗图像的模式特征值及预先设定的期望模式特征值,计算将车窗图像的模式特征值调整为期望模式特征值的自适应控制参数。
在上述步骤中,电子设备100在获得车窗图像后,根据该车窗图像的亮度信息、色度信息以及目标图像的画面平均亮度、相机感光度增益等信息计算该车窗图像的模式特征值,其中,模式特征值包括雾感度评价值、亮度评价值、均衡性评价值以及信噪比评价值。加入目标图像的画面平均亮度、相机感光度增益等信息有利于提升车窗图像的模式特征值的准确度。在其他的实施例中,为了降低算法的复杂度,也可以直接使用目标图像的画面平均亮度、相机感光度增益等信息作为车窗图像的模式特征值。
根据车窗图像的模式特征值以及预先设定的期望的模式特征值计算自适应控制参数,其中,期望模式特征值是指能够从当前车窗图像中获得最优的或最符合人眼感光特性的车内驾驶员或乘客信息时的车窗图像对应的模式特征值,将该自适应控制参数代入车窗图像优化处理算法中,通过车窗图像优化处理算法将车窗图像的各个模式特征值调整至预设的期望模式特征值,从而使车窗图像优化处理算法能够对不同的车窗图像进行优化处理。
在本实施例中,不同的车窗图像具有不同的模式特征值,从而能够生成不同的自适应控制参数,车窗图像优化处理算法采用不同的自适应控制参数对不同的车窗图像进行处理,可以使各个不同的车窗图像的处理结果均达到期望值。
可选地,在本实施例的其他实施方式中,在获得车窗图像的模式特征值后,也可以根据该模式特征值采用不同的算法对该车窗图像进行处理,例如对比度增强算法、亮度提升算法、信噪比提升算法等。
步骤S340,根据自适应控制参数对车窗图像进行处理,得到优化后的车窗图像。
在本步骤中,通过自适应控制参数对车窗图像的亮度信息或色度信息进行调整,使车窗图像的亮度信息及色度信息均达到期望值,从而获得优化后的车窗图像。
请参照图4,图4为图3中步骤S320的子步骤流程图。在本实施例中,步骤S320包括:
子步骤S3201,根据车窗图像的亮度信息分别计算车窗图像的亮度评价值、均衡性评价值及信噪比评价值。
具体地,请参照图5,图5为本申请实施例提供的计算模式特征值的示意图。在本步骤中,首先根据公式Y=0.299×R+0.587×G+0.114×B计算车窗图像的亮度分量Y,其中,R、G、B为车窗图像的三原色分量。
在计算了车窗图像的亮度分量Y之后,统计获得车窗图像的亮度直方图,即统计车窗图像中各个灰度值出现次数的概率,然后根据公式分别计算亮度评价值、均衡性评价值及信噪比评价值。
具体地,根据公式计算车窗图像的亮度评价值;根据公式/>计算车窗图像的均衡性评价值;根据公式计算车窗图像的信噪比评价值。
其中,Yi表示灰度值,Yave表示亮度评价值。Ymax、Ymin分别表示亮度直方图中最大灰度值和最小灰度值,Pi表示亮度直方图中灰度值为Yi时对应的概率,Yblace表示车窗图像的均衡性评价值、YSNR表示车窗图像的信噪比评价值。
子步骤S3202,根据车窗图像的色度信息计算车窗图像的雾感度评价值。
具体地,请继续参照图5,在本步骤中,通过车窗图像的色度信息计算车窗图像的雾感度评价值,根据公式其中,ISCV为车窗图像的雾感度评价值,N表示车窗图像像素点个数,Ri,Gi,Bi分别表示第i个像素点对应的R、G、B值分量,min{Ri,Gi,Bi}min表示取Ri、Gi、Bi其中的最小值。
可选地,请参照图6,图6为图3中步骤S340的子步骤流程图,在本实施例中,步骤S340包括:
子步骤S3401,根据自适应控制参数对所述车窗图像进行对比度增强处理,以使车窗图像的对比度或饱和度达到期望的对比度或饱和度。其中,所述自适应控制参数由所述亮度评价值、均衡性评价值、信噪比评价值及雾感度评价值计算获得。
在上述步骤中,在对车窗图像进行优化处理时,可以通过提高图像的对比度或饱和度,以提高人眼感官感受。提高图像的对比度或饱和度的方法包括但不限于限幅自适应直方图均衡化、线性拉伸算法、Gamma校正等方法。在本步骤中,可以设计多个用于增强对比度或饱和度的方法串行或并行进行,并根据自适应控制参数对饱和度或对比度的增强程度进行控制,以使优化后的车窗图像达到预设的效果。
在对车窗图像进行了对比度或饱和度的提升之后,还可以对车窗图像进行信噪比提升处理。通过降低车窗图像的原始噪声或进行了对比度增强处理之后引入的噪声,同时结合USM等锐化算法,增强车窗图像的细节,提升车窗图像整体的信噪比。
例如,在本实施例中采用两种算法串行的方式提升车窗图像对比度和饱和度,包括Gamma校正和基于模糊集理论进行对比度增强的算法。其中,Gamma校正是一种全局对比度调节技术,使用Gamma函数对车窗图像的灰度值进行映射,增加亮度较低的区域的亮度,同时也不会使亮度较高的区域的亮度继续增高,达到使车窗图像的亮度分布均匀的目的。
Gamma函数为其中,Igam表示Gamma校正的灰度值,γ控制具体的映射关系,大小由车窗图像的亮度评价值决定,k为系数,且满足k=2551-γ,从而保证进行Gamma校正前的车窗图像和校正后的车窗图像的动态范围一致。
在本实施例中,基于模糊集理论进行对比度增强的算法,包括设计隶属度函数,将车窗图像从空间域变换到模糊集域,在模糊集域对车窗图像进行对比度增强,根据隶属度函数将车窗图像从模糊集域转换为空间域。
隶属度函数为其中,ImaxI和IminI分别表示灰度直方图中的最小灰度等级和最大灰度等级,Fd和Fe为控制参数,控制隶属度函数曲线的形状,Fe取值越大,隶属度函数曲线越陡峭,本实施例中可以将其值固定为2,Fd为模糊因子,由渡越点和Fe的值确定。即Fd对应T(Ic)=0.5时的值,Ic称为渡越点,灰度值小于Ic的被压缩,大于Ic的被拉伸。
该隶属度函数可以很好的保留车窗图像中亮区的细节,降低暗区的噪声,提升人眼感官感觉。
随后在模糊集域上使用非线性变化增加车窗图像的对比度,非线性变换函数为:
参数α、β分别控制暗区和亮区的拉伸程度,可以设置为相同的值,也可以设置为不同的值,用于控制对比度调节程度,根据车窗图像的模式特征值的大小计算获得。k1和k2的值由α、β确定,分别取μmn=0.5、W(μmn)=0.5时对应的k1、k2值,即k1=2α-1,k2=2β-1。
Gamma校正和基于模糊集理论的对比度增强都是对车窗图像的亮度分量进行的,最后为了得到彩色图像对应的对比度增强的图像,对彩色分量进行重建。重建公式为:
其中,Ygain为对比度增强后的亮度分量,Y为原始的亮度分量,Cin表示输出R、G、B三个颜色通道对应的灰度值,Cout表示重建后的R、G、B三个颜色通道。
在上述步骤中,γ、Ic、α、β为自适应控制参数,由车窗图像的模式特征值计算获得,具体地,其中,γmin、γmax分别为Gamma校正的最小调整值和最大调整值,通常取值为0.3和1;/>α=ISCV×(αmax-αmin)+αmin、β=α,其中,当αmin和αmax分别为对比度调整的最小阈值和最大阈值,通常取值为1和4,当然也可以为其他值。β=α表示暗区对比度调整强度与亮区的对比度调整强度相同。在其他的实施方式中,β和α的取值也可以不同。
继续参照图6,步骤S340还包括:
子步骤S3402,通过自适应控制参数对车窗图像进行信噪比提升处理,从而获得优化后的车窗图像。
在本步骤中,在对车窗图像进行了对比度增强之后,还可以对该车窗图像进行信噪比增强,当然,也可以先进行信噪比增强处理,再进行对比度增强处理。在一种实施方式中,可以采用基于导向滤波的信噪比提升算法,根据信噪比评价值计算自适应控制参数并进行信噪比提升处理。为了降低算法复杂度,也可以采用目标图像的相机感光度增益值作为信噪比评价值。将图像的相机感光度分成16个级别,相机感光度越大,则表明增益越大,画面噪声就越大,就需要更高程度的信噪比提升处理。
基于导向滤波的信噪比提升算法的原理为:车窗图像同时作为需要降噪的图像和引导图输入到算法中,对应的目标函数为:
其中,Ii表示车窗图像第i个像素点的亮度分量。当ak,bk满足公式bk=(1-ak)×μk时,目标函数具有最小值,其中,μk表示输入的车窗图像在窗口邻域Ωk范围内的平均值,/>表示输入的车窗图像在窗口邻域Ωk范围内的方差。在本实施例中,可以选择3*3的正方形窗口邻域。由于a、b在每个窗口中的计算结果不一致,而像素点i又被多个窗口包含,所以使用ai,bi在窗口邻域内的均值/>表示最终的计算参数,因此,对应的降噪后的输出图像的计算方式为/>
经过导向滤波处理后,得到降噪后的图像qi,同时再对输入图像Ii进行同等窗口邻域的均值滤波,得到对应的平滑层qbase,两者相减,最后再乘以增益G,叠加到qi上就能够得到信噪比提升后的输出图像Wi,对应公式为:
Wi=qi+G×(qi-qbase_i)
其中,*表示卷积操作。
在上述的基于导向滤波的信噪比提升算法中,ε、G为自适应控制参数,ε控制信噪比提升强度,G控制车窗图像的锐化强度。ε值越大,降噪强度越大,反之越小;G值越大,锐化强度越大,反之越小。ε、G的计算公式分别为:
其中,ISO的为[1,16]之间的整数,具体数值由监控设备200提供。
请继续参照图3,在步骤S340之后,该方法还包括:
步骤S350,将优化后的车窗图像与目标图像的背景图像进行拼接。
在本步骤中,目标图像包括背景图像及车窗图像,在对车窗图像进行了优化处理之后,需要将该处理后的车窗图像与目标图像的背景图像进行拼接,从而获得新的目标图像。具体地,为了消除优化处理后的车窗图像与背景图像之间的不连续的性,可以先对优化处理后的车窗图像和优化处理前的车窗图像的边缘部分进行线性融合,随后再将优化处理后的车窗图像与背景图像拼接。线性融合公式为:
Wout(x,y)=λWin(x,y)+(1-λ)W(x,y)
其中,Wout表示线性融合后的车窗图像,Win表示输入的优化处理后的车窗图像,W表示优化处理前的车窗图像。λ为调节因子,取值范围为0~1,越靠近车窗中心,则λ越大,越靠近边缘部分,则λ越小。d为过渡区域宽度,一般选取车窗区域的10%~20%,当过渡区中的目标像素与贴合边缘的距离为d1时,λ满足λ=d1/d。
请参照图7,图7为本申请实施例提供的车窗图像处理装置110的功能模块图。车窗图像处理装置110包括:
车窗图像获取模块1101,用于对输入的目标图像进行车窗区域识别,以从所述目标图像中获得车窗图像。
第一计算模块1102,根据车窗图像的亮度信息和色度信息计算得到所述车窗图像的模式特征值。
第二计算模块1103,用于根据车窗图像的模式特征值及预先设定的期望模式特征值,计算将车窗图像的模式特征值调整为期望模式特征值的自适应控制参数。其中,期望模式特征值是指能够当前从车窗图像中获得最优的或最符合人眼感光特性的车内驾驶员或乘客信息时的车窗图像对应的模式特征值。
优化处理模块1104,用于根据自适应控制参数对车窗图像进行处理,得到优化后的车窗图像。
替换模块1105,用于将优化后的车窗图像与所述目标图像的背景图像进行拼接,其中,所述目标图像包括背景图像及车窗图像。
在本实施例中,优化处理模块1104具体用于:
根据自适应控制参数控制对所述车窗图像进行对比度增强处理,以使车窗图像的对比度或饱和度达到期望的对比度或饱和度;或通过自适应控制参数对进行了对比度增强处理后的车窗图像进行信噪比提升处理,从而获得优化后的车窗图像。
本申请实施例所提供的车窗图像处理装置110可以为电子设备100上的特定硬件或者安装于电子设备100上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种电子设备100,包括处理器130及存储有计算机指令的非易失性存储器120,计算机指令被处理器130执行时,电子设备100执行上述的车窗图像处理方法,具体实现可参见方法实施例,在此不再赘述。
本申请实施例还提供一种存储介质,存储介质中存储有计算机程序,计算机程序被执行时上述的车窗图像处理方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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。另一点,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请提供的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,也可以两个或两个以上单元集成在一个单元中。
所述功能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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,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。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。
Claims (10)
1.一种车窗图像处理方法,其特征在于,所述方法包括:
对输入的目标图像进行车窗区域识别,以从所述目标图像中获得车窗图像;
根据所述车窗图像的亮度信息和色度信息计算所述车窗图像的模式特征值;
根据所述车窗图像的模式特征值及预先设定的期望模式特征值,计算将所述车窗图像的模式特征值调整为所述期望模式特征值的自适应控制参数;
根据所述自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像;
其中,所述模式特征值包括雾感度评价值、亮度评价值、均衡性评价值及信噪比评价值,或者所述模式特征值包括所述目标图像的画面平均亮度、相机感光度增益。
2.根据权利要求1所述的方法,其特征在于,所述模式特征值包括雾感度评价值、亮度评价值、均衡性评价值及信噪比评价值;根据所述车窗图像的亮度信息和色度信息计算得到所述车窗图像的模式特征值,包括:
根据所述车窗图像的亮度信息分别计算所述车窗图像的亮度评价值、均衡性评价值及信噪比评价值;
根据所述车窗图像的色度信息计算所述车窗图像的雾感度评价值。
3.根据权利要求2所述的方法,其特征在于,根据自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像,包括:
根据所述自适应控制参数对所述车窗图像进行对比度增强处理,以使所述车窗图像的对比度或饱和度达到期望的对比度或饱和度,其中,所述自适应控制参数由所述亮度评价值、均衡性评价值、信噪比评价值及雾感度评价值计算获得,包括:
采用Gamma校正方法及基于模糊集理论对所述车窗图像进行对比度增强处理,其中,所述Gamma校正方法及基于模糊集理论的自适应控制参数包括由亮度评价值计算获得的Gamma校正的调整值、由亮度评价值及均衡性评价值计算获得的渡越点值、由雾感度评价值计算得到的车窗图像的亮区、暗区的对比度调整强度值。
4.根据权利要求2所述的方法,其特征在于,根据自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像,包括:
根据所述自适应控制参数对所述车窗图像进行信噪比提升处理,从而获得优化后的车窗图像,其中,所述自适应控制参数还由所述目标图像的相机感光度增益值计算获得,包括:
采用基于导向滤波的信噪比提升算法对所述车窗图像进行信噪比提升处理,其中,所述基于导向滤波的信噪比提升算法的自适应控制参数包括由所述目标图像的相机感光度增益值计算得到的信噪比提升强度值以及锐化强度值。
5.根据权利要求1所述的方法,其特征在于,采用自适应控制参数对所述车窗图像进行处理,得到优化后的车窗图像之后,所述方法还包括:
将优化后的车窗图像与所述目标图像的背景图像进行拼接,其中,所述目标图像包括背景图像及车窗图像。
6.一种车窗图像处理装置,其特征在于,所述装置包括:
车窗图像获取模块,用于对输入的目标图像进行车窗区域识别,以从所述目标图像中获得车窗图像;
第一计算模块,用于根据所述车窗图像的亮度信息和色度信息计算得到所述车窗图像的模式特征值;
第二计算模块,用于根据所述车窗图像的模式特征值及预先设定的期望模式特征值,计算将所述车窗图像的模式特征值调整为所述期望模式特征值的自适应控制参数;
优化处理模块,用于根据自适应控制参数对所述车窗图像的亮度信息或色度信息进行处理,得到优化后的车窗图像;
其中,所述模式特征值包括雾感度评价值、亮度评价值、均衡性评价值及信噪比评价值,或者所述模式特征值包括所述目标图像的画面平均亮度、相机感光度增益。
7.根据权利要求6所述的装置,其特征在于,所述优化处理模块具体用于:
根据所述自适应控制参数对所述车窗图像进行对比度增强处理,以使所述车窗图像的对比度或饱和度达到期望的对比度或饱和度,其中,所述自适应控制参数由亮度评价值、均衡性评价值、信噪比评价值及雾感度评价值计算获得。
8.根据权利要求6所述的装置,其特征在于,所述优化处理模块具体用于:
根据所述自适应控制参数对所述车窗图像进行信噪比提升处理,从而获得优化后的车窗图像,其中,所述自适应控制参数还由所述目标图像的相机感光度增益值计算获得。
9.一种电子设备,其特征在于,包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述电子设备执行权利要求1-5中任意一项所述的车窗图像处理方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-5任意一项所述的车窗图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020953.3A CN112712469B (zh) | 2019-10-25 | 2019-10-25 | 车窗图像处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020953.3A CN112712469B (zh) | 2019-10-25 | 2019-10-25 | 车窗图像处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712469A CN112712469A (zh) | 2021-04-27 |
CN112712469B true CN112712469B (zh) | 2024-04-30 |
Family
ID=75540503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911020953.3A Active CN112712469B (zh) | 2019-10-25 | 2019-10-25 | 车窗图像处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712469B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169583A (zh) * | 2011-05-13 | 2011-08-31 | 北方工业大学 | 基于车窗定位的车辆遮挡检测与分割方法 |
CN106469309A (zh) * | 2015-08-14 | 2017-03-01 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN107274362A (zh) * | 2017-06-01 | 2017-10-20 | 西安电子科技大学 | 硬件实现导向滤波的优化系统和方法 |
CN108184105A (zh) * | 2017-12-28 | 2018-06-19 | 努比亚技术有限公司 | 一种调整亮度的方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067661B (zh) * | 2013-01-07 | 2017-12-05 | 华为终端有限公司 | 图像处理方法、装置和拍摄终端 |
-
2019
- 2019-10-25 CN CN201911020953.3A patent/CN112712469B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169583A (zh) * | 2011-05-13 | 2011-08-31 | 北方工业大学 | 基于车窗定位的车辆遮挡检测与分割方法 |
CN106469309A (zh) * | 2015-08-14 | 2017-03-01 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN107274362A (zh) * | 2017-06-01 | 2017-10-20 | 西安电子科技大学 | 硬件实现导向滤波的优化系统和方法 |
CN108184105A (zh) * | 2017-12-28 | 2018-06-19 | 努比亚技术有限公司 | 一种调整亮度的方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112712469A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Single underwater image enhancement by attenuation map guided color correction and detail preserved dehazing | |
CN103854259B (zh) | 图像处理设备以及处理图像的方法 | |
CN112419162B (zh) | 图像去雾方法、装置、电子设备及可读存储介质 | |
CN110766639B (zh) | 图像增强方法、装置、移动设备及计算机可读存储介质 | |
US9165210B1 (en) | Systems and methods for localized contrast enhancement | |
CN111738966B (zh) | 图像处理方法及装置、存储介质、终端 | |
CN112967273B (zh) | 图像处理方法、电子设备及存储介质 | |
CN110782400B (zh) | 一种自适应的光照均匀实现方法和装置 | |
CN114049549A (zh) | 水下视觉识别方法、系统和计算机可读存储介质 | |
CN112712469B (zh) | 车窗图像处理方法、装置、电子设备和存储介质 | |
CN111652821A (zh) | 基于梯度信息的微光视频图像降噪处理方法、装置和设备 | |
CN112435188B (zh) | 基于方向权重的jnd预测方法、装置、计算机设备及存储介质 | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
CN117994160B (zh) | 一种图像处理方法及系统 | |
CN113436106B (zh) | 水下图像的增强方法、装置及计算机存储介质 | |
CN117078562B (zh) | 一种视频图像去雾方法、装置、计算机设备及介质 | |
KR102057261B1 (ko) | 이미지 처리 방법 및 장치 | |
CN112862709B (zh) | 图像特征增强方法、装置及可读存储介质 | |
US11803942B2 (en) | Blended gray image enhancement | |
US20220254139A1 (en) | Image processing method and apparatus, training method and apparatus of machine learning model, and storage medium | |
CN116797492A (zh) | 一种不确定光照图像增强方法及系统 | |
CN117994160A (zh) | 一种图像处理方法及系统 | |
CN115375592A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
JP2021180439A (ja) | 撮像装置 | |
Negru et al. | Image enhancement in daytime fog conditions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |