CN116309203A - 一种偏振视觉自适应增强的无人平台运动估计方法和装置 - Google Patents
一种偏振视觉自适应增强的无人平台运动估计方法和装置 Download PDFInfo
- Publication number
- CN116309203A CN116309203A CN202310567952.0A CN202310567952A CN116309203A CN 116309203 A CN116309203 A CN 116309203A CN 202310567952 A CN202310567952 A CN 202310567952A CN 116309203 A CN116309203 A CN 116309203A
- Authority
- CN
- China
- Prior art keywords
- polarized image
- parameters
- histogram equalization
- algorithm
- super
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000010287 polarization Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims description 31
- 238000013441 quality evaluation Methods 0.000 claims description 16
- 230000003321 amplification Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 28
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Picture Signal Circuits (AREA)
Abstract
本申请涉及一种偏振视觉自适应增强的无人平台运动估计方法和装置。所述方法包括:通过根据预设的布谷鸟算法中的初始参数、限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;根据优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理,得到均衡化偏振图像;根据均衡化偏振图像进行载体无人平台的运动估计。本发明在显著的恢复远场景的可见度时,减少了近距离信息的丢失,提升了无人平台在恶劣天气条件下的探测能力。
Description
技术领域
本申请涉及仿生导航领域,特别是涉及一种偏振视觉自适应增强的无人平台运动估计方法和装置。
背景技术
由于雾霾等散射颗粒散射太阳光形成的大气光都具有部分偏振特性,偏振光信息不仅能提供二维空间的光强信息,还可以得到场景的偏振信息。偏振信息增强技术适用于各种场景的各类雾霾天气成像,反伪装、抗干扰、提高对目标的探测距离以及目标分类等,应用范围广泛。另外,该偏振去雾技术还具有细节保真度高、处理速度快及成本低廉等优势。
目前一些经典的去雾算法可以解决近处场景去雾的目的,是去雾的一大优势,但不足之处也在于此,对近场景的处理效果远胜于远场景的处理效果,远场景的处理效果不够理想, 因此,从以上观察可以得到结论:雾在长距离中的状态与短距离中的状态大不相同。以显著的恢复远场景的可见度时,一些短距离信息可能不得不丢失。因此,现有技术存在效果不佳的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够从雾霾图像中同时恢复远近场景的目标信息的偏振视觉自适应增强的无人平台运动估计方法、装置、计算机设备和存储介质。
一种偏振视觉自适应增强的无人平台运动估计方法,所述方法包括:
获取待检测场景的原始偏振图像;
获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,所述CL参数为控制噪声放大的数值的参数,所述NT参数为控制非重叠子区域的数量的参数;
根据所述布谷鸟算法中的初始参数、所述限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;
根据所述均衡化偏振图像进行载体无人平台的运动估计。
在其中一个实施例中,还包括:基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优;所述优化函数为:
在其中一个实施例中,还包括:通过基于偏振图像质量评价指标精度的适应度函数对所述均衡化偏振图像进行评价,得到所述均衡化偏振图像的质量值。
在其中一个实施例中,还包括:根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;所述均衡化偏振图像包括、/>、/>、/>偏振角下的偏振图像,分别记为/>,/>,/>,/>。
在其中一个实施例中,还包括:根据所述均衡化偏振图像确定误差分量的映射为:
根据所述误差分量的映射确定其平均绝对能量:
构建基于偏振图像质量评价指标精度的适应度函数,根据所述适应度函数对所述均衡化偏振图像进行评价,得到所述均衡化偏振图像的质量值为:
在其中一个实施例中,还包括:若所述均衡化偏振图像的质量值高于预设阈值,则根据所述均衡化偏振图像进行载体无人平台的运动估计;
一种偏振视觉自适应增强的无人平台运动估计装置,所述装置包括:
原始偏振图像获取模块,用于获取待检测场景的原始偏振图像;
参数设置模块,用于获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,所述CL参数为控制噪声放大的数值的参数,所述NT参数为控制非重叠子区域的数量的参数;
优化函数确定模块,用于根据所述布谷鸟算法中的初始参数、所述限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
图像优化模块,用于根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;
运动估计模块,用于根据所述均衡化偏振图像进行载体无人平台的运动估计。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待检测场景的原始偏振图像;
获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,所述CL参数为控制噪声放大的数值的参数,所述NT参数为控制非重叠子区域的数量的参数;
根据所述布谷鸟算法中的初始参数、所述限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;
根据所述均衡化偏振图像进行载体无人平台的运动估计。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待检测场景的原始偏振图像;
获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,所述CL参数为控制噪声放大的数值的参数,所述NT参数为控制非重叠子区域的数量的参数;
根据所述布谷鸟算法中的初始参数、所述限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;
根据所述均衡化偏振图像进行载体无人平台的运动估计。
上述偏振视觉自适应增强的无人平台运动估计方法、装置、计算机设备和存储介质,通过根据预设的布谷鸟算法中的初始参数、限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;根据优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理,得到均衡化偏振图像;根据均衡化偏振图像进行载体无人平台的运动估计。本发明在显著的恢复远场景的可见度时,减少了近距离信息的丢失,提高了图像增强的效果,进而提高了无人平台运动估计的准确性,提升了无人平台在恶劣天气条件下的探测能力,能够为智慧交通,自动驾驶,目标识别等任务提供了准确的环境感知。
附图说明
图1为一个实施例中偏振视觉自适应增强的无人平台运动估计方法的流程示意图;
图2为另一个实施例中偏振视觉自适应增强的无人平台运动估计方法的流程示意图;
图3为一个实施例中图像处理前后对比示意图,其中,(a)为原始雾霾图像,(b)为传统限制对比度自适应直方图均衡化算法处理结果图,(c)为本发明经过CS算法优化的限制对比度自适应直方图均衡化算法处理结果图;
图4为一个实施例中偏振视觉自适应增强的无人平台运动估计装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种偏振视觉自适应增强的无人平台运动估计方法,包括以下步骤:
步骤102,获取待检测场景的原始偏振图像。
待检测场景可以是雾霾图像,远场景的可见度低,需要恢复远场景的可见度。
步骤104,获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围。
引入布谷鸟算法(Cuckoo Search,CS)对限制对比度自适应增强算法(Contrast-limited Adaptive Histogram Equalization ,CLAHE)的超参数the clip limit (CL)and the number of tiles (NT)进行组合优化。其中,待优化的超参数包括CL(the cliplimit)参数和NT(the number of tiles)参数,CL参数为控制噪声放大的数值的参数,指定为 [0, 1] 范围内的数值,限值越高,对比度越大。一旦计算出每个子区域的直方图,它们就会以这样的方式重新分布,即其高度不会超过所需的“clip limit”。然后,计算累积直方图以执行均衡。NT参数为控制非重叠子区域的数量的参数,根据其值,将图像划分为几个大小相等的(通常为平方)非重叠区域。对于512×512图像,通常选择区域数等于64(NT=[8,8])。将传统的限制对比度自适应直方图均衡化算法用于偏振图均衡发现,超参数(CL)和(NT)很难通过控制变量法获得令人满意的结果,所以本发明提出了元启发式算法布谷鸟搜索(CS)优化超参数。由于非重叠子区域通常是正方形区域,所以NT值可以取为同一个未知数,所以需要优化的超参数只有2个。
CS的初始参数如表1所示,D是解的维数,N是总体大小,P是解的概率。
表1 CS的初始参数
步骤106,根据布谷鸟算法中的初始参数、限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法。
基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数为:
步骤108,根据优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理,得到均衡化偏振图像。
原始偏振图像中,近场景存在 “白班”现象,如果对图像中的“白班”特征不进行处理,在利用均衡化偏振图像进行特征匹配实现运动估计时,容易造成错误特征干扰以及有效特征的误匹配,最终导致运动估计不准确的问题。通过优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理后,“白斑”现象消失了,近场景的对比度恢复效果理想,可以得到对比度恢复效果理想、均衡化偏振图像。
步骤110,通过均衡化偏振图像确定待检测场景的深度信息,根据深度信息进行载体无人平台的运动估计。
得到均衡化偏振图像后,可以根据均衡化偏振图像用视觉特征匹配的方式进行载体无人平台的运动估计,该步骤可以由现有技术实现。
上述偏振视觉自适应增强的无人平台运动估计方法中,通过根据预设的布谷鸟算法中的初始参数、限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;根据优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理,得到均衡化偏振图像;根据均衡化偏振图像进行载体无人平台的运动估计。本发明在显著的恢复远场景的可见度时,减少了近距离信息的丢失,提高了图像增强的效果,进而提高了无人平台运动估计的准确性,提升了无人平台在恶劣天气条件下的探测能力,能够为智慧交通,自动驾驶,目标识别等任务提供了准确的环境感知。
在其中一个实施例中,还包括:通过基于偏振图像质量评价指标精度的适应度函数对均衡化偏振图像进行评价,得到均衡化偏振图像的质量值。
根据均衡化偏振图像确定误差分量的映射为:
根据误差分量的映射确定其平均绝对能量:
构建基于偏振图像质量评价指标精度的适应度函数,根据适应度函数对均衡化偏振图像进行评价,得到均衡化偏振图像的质量值为:
与现有的其他图像质量评价方法相比,本发明提出的基于偏振图像质量评价指标精度的适应度函数在没有地面真值的情况下,也可以用于评估因噪声或去噪误差而退化的偏振图像的质量。而其他图像质量评估算法需要参考精确的偏振图像,这在实验中可能很难获得。因此,本发明方法在实际中具有较好的应用价值。
在其中一个实施例中,还包括:若所述均衡化偏振图像的质量值高于预设阈值,则根据所述均衡化偏振图像进行载体无人平台的运动估计;否则,对所述均衡化偏振图像进行高斯曲率滤波优化,通过优化后的所述均衡化偏振图像进行载体无人平台的运动估计。
在另一个实施例中,如图2所示,提供一种偏振视觉自适应增强的无人平台运动估计方法,包括:
1、输入原始偏振图像;
2、基于经验设计布谷鸟算法中的初始参数;
3、以本发明设计的目标函数优化得到对比度限制自适应直方图的最优参数;
4、利用优化对比度限制自适应直方图得到偏振增强图像;
5、通过偏振增强图像进行无人平台运动估计。
在一个具体实施例中,通过本发明的方法进行雾霾偏振图像的均衡化处理,如图3为处理结果示意图,其中,(a)为原始雾霾图像,(b)为传统限制对比度自适应直方图均衡化算法处理结果图,(c)为本发明经过CS算法优化的限制对比度自适应直方图均衡化算法处理结果图。图中标识①、②、③、④为图中典型的特征区域,对比发现,本发明方法相对于传统方法,改善了场景的纹理特征,场景信息得以突出,保留了真实的场景信息。
应该理解的是,虽然图1-图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种偏振视觉自适应增强的无人平台运动估计装置,包括:原始偏振图像获取模块402、参数设置模块404、优化函数确定模块406、图像优化模块408和运动估计模块410,其中:
原始偏振图像获取模块402,用于获取待检测场景的原始偏振图像;
参数设置模块404,用于获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,CL参数为控制噪声放大的数值的参数,NT参数为控制非重叠子区域的数量的参数;
优化函数确定模块406,用于根据布谷鸟算法中的初始参数、限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
图像优化模块408,用于根据优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理,得到均衡化偏振图像;
运动估计模块410,用于通过均衡化偏振图像确定待检测场景的深度信息,根据深度信息进行载体无人平台的运动估计。
优化函数确定模块406还用于基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优;优化函数为:
图像优化模块408还用于通过基于偏振图像质量评价指标精度的适应度函数对均衡化偏振图像进行评价,得到均衡化偏振图像的质量值。
图像优化模块408还用于根据优化后的限制对比度自适应直方图均衡化算法对原始偏振图像进行均衡化处理,得到均衡化偏振图像;均衡化偏振图像包括、/>、/>、偏振角下的偏振图像,分别记为/>,/>,/>,/>。
图像优化模块408还用于根据均衡化偏振图像确定误差分量的映射为:
根据误差分量的映射确定其平均绝对能量:
构建基于偏振图像质量评价指标精度的适应度函数,根据适应度函数对均衡化偏振图像进行评价,得到均衡化偏振图像的质量值为:
运动估计模块410还用于若所述均衡化偏振图像的质量值高于预设阈值,则根据所述均衡化偏振图像进行载体无人平台的运动估计;否则,对所述均衡化偏振图像进行高斯曲率滤波优化,通过优化后的所述均衡化偏振图像进行载体无人平台的运动估计。
关于偏振视觉自适应增强的无人平台运动估计装置的具体限定可以参见上文中对于偏振视觉自适应增强的无人平台运动估计方法的限定,在此不再赘述。上述偏振视觉自适应增强的无人平台运动估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种偏振视觉自适应增强的无人平台运动估计方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种偏振视觉自适应增强的无人平台运动估计方法,其特征在于,所述方法包括:
获取待检测场景的原始偏振图像;
获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,所述CL参数为控制噪声放大的数值的参数,所述NT参数为控制非重叠子区域的数量的参数;
根据所述布谷鸟算法中的初始参数、所述限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;
根据所述均衡化偏振图像进行载体无人平台的运动估计。
3.根据权利要求1所述的方法,其特征在于,在根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像之后,还包括:
通过基于偏振图像质量评价指标精度的适应度函数对所述均衡化偏振图像进行评价,得到所述均衡化偏振图像的质量值。
6.根据权利要求5所述的方法,其特征在于,根据所述均衡化偏振图像进行载体无人平台的运动估计,包括:
若所述均衡化偏振图像的质量值高于预设阈值,则根据所述均衡化偏振图像进行载体无人平台的运动估计;
否则,对所述均衡化偏振图像进行高斯曲率滤波优化,通过优化后的所述均衡化偏振图像进行载体无人平台的运动估计。
8.一种偏振视觉自适应增强的无人平台运动估计装置,其特征在于,所述装置包括:
原始偏振图像获取模块,用于获取待检测场景的原始偏振图像;
参数设置模块,用于获取预设的布谷鸟算法中的初始参数和限制对比度自适应直方图均衡化算法的超参数寻优范围;其中,待优化的超参数包括CL参数和NT参数,所述CL参数为控制噪声放大的数值的参数,所述NT参数为控制非重叠子区域的数量的参数;
优化函数确定模块,用于根据所述布谷鸟算法中的初始参数、所述限制对比度自适应直方图均衡化算法的超参数寻优范围,基于布谷鸟算法构建限制对比度自适应直方图均衡化算法超参数的优化函数进行参数寻优,确定优化后的超参数,进而得到优化后的限制对比度自适应直方图均衡化算法;
图像优化模块,用于根据所述优化后的限制对比度自适应直方图均衡化算法对所述原始偏振图像进行均衡化处理,得到均衡化偏振图像;
运动估计模块,用于根据所述均衡化偏振图像进行载体无人平台的运动估计。
10.根据权利要求8所述的装置,其特征在于,所述图像优化模块还用于:
通过基于偏振图像质量评价指标精度的适应度函数对所述均衡化偏振图像进行评价,得到所述均衡化偏振图像的质量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310567952.0A CN116309203B (zh) | 2023-05-19 | 2023-05-19 | 一种偏振视觉自适应增强的无人平台运动估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310567952.0A CN116309203B (zh) | 2023-05-19 | 2023-05-19 | 一种偏振视觉自适应增强的无人平台运动估计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309203A true CN116309203A (zh) | 2023-06-23 |
CN116309203B CN116309203B (zh) | 2023-08-01 |
Family
ID=86781982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310567952.0A Active CN116309203B (zh) | 2023-05-19 | 2023-05-19 | 一种偏振视觉自适应增强的无人平台运动估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309203B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225210A (zh) * | 2015-10-14 | 2016-01-06 | 南京第五十五所技术开发有限公司 | 一种基于暗通道的自适应直方图增强去雾方法 |
CN106846276A (zh) * | 2017-02-06 | 2017-06-13 | 上海兴芯微电子科技有限公司 | 一种图像增强方法及装置 |
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN109886883A (zh) * | 2019-01-21 | 2019-06-14 | 吉林大学 | 实时偏振透雾成像图像增强处理方法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN111242878A (zh) * | 2020-01-14 | 2020-06-05 | 郑州轻工业大学 | 基于布谷鸟搜索的矿井下图像增强方法 |
CN111504312A (zh) * | 2020-07-02 | 2020-08-07 | 中国人民解放军国防科技大学 | 一种基于视觉惯性偏振光融合的无人机位姿估计方法 |
CN112200746A (zh) * | 2020-10-16 | 2021-01-08 | 中南大学 | 一种雾天交通场景图像的去雾方法和设备 |
US20210185271A1 (en) * | 2019-12-12 | 2021-06-17 | Google Llc | Summing-up video frames to enhance image brightness |
US20210217149A1 (en) * | 2020-01-09 | 2021-07-15 | United States Of America As Represented By The Secretary Of The Navy | Weighted summing of component chiral images for improved contrast enhancement |
CN115170498A (zh) * | 2022-06-30 | 2022-10-11 | 江苏科技大学 | 一种基于多指标优化的水下偏振成像方法 |
CN115564683A (zh) * | 2022-10-31 | 2023-01-03 | 长光卫星技术股份有限公司 | 一种面向舰船检测的全色遥感影像自适应增强方法 |
DE202023101378U1 (de) * | 2023-03-20 | 2023-03-27 | Anmol Jain | Ein System zur Verbesserung der schlechten Sichtbarkeit durch Bildverbesserungstechnik unter Verwendung von Contrast Stretched - CLAHE (CS-CLAHE) |
-
2023
- 2023-05-19 CN CN202310567952.0A patent/CN116309203B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225210A (zh) * | 2015-10-14 | 2016-01-06 | 南京第五十五所技术开发有限公司 | 一种基于暗通道的自适应直方图增强去雾方法 |
CN106846276A (zh) * | 2017-02-06 | 2017-06-13 | 上海兴芯微电子科技有限公司 | 一种图像增强方法及装置 |
CN107833189A (zh) * | 2017-10-30 | 2018-03-23 | 常州工学院 | 对比受限自适应直方图均衡的水下目标探测图像增强方法 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
CN109886883A (zh) * | 2019-01-21 | 2019-06-14 | 吉林大学 | 实时偏振透雾成像图像增强处理方法 |
US20210185271A1 (en) * | 2019-12-12 | 2021-06-17 | Google Llc | Summing-up video frames to enhance image brightness |
US20210217149A1 (en) * | 2020-01-09 | 2021-07-15 | United States Of America As Represented By The Secretary Of The Navy | Weighted summing of component chiral images for improved contrast enhancement |
CN111242878A (zh) * | 2020-01-14 | 2020-06-05 | 郑州轻工业大学 | 基于布谷鸟搜索的矿井下图像增强方法 |
CN111504312A (zh) * | 2020-07-02 | 2020-08-07 | 中国人民解放军国防科技大学 | 一种基于视觉惯性偏振光融合的无人机位姿估计方法 |
CN112200746A (zh) * | 2020-10-16 | 2021-01-08 | 中南大学 | 一种雾天交通场景图像的去雾方法和设备 |
CN115170498A (zh) * | 2022-06-30 | 2022-10-11 | 江苏科技大学 | 一种基于多指标优化的水下偏振成像方法 |
CN115564683A (zh) * | 2022-10-31 | 2023-01-03 | 长光卫星技术股份有限公司 | 一种面向舰船检测的全色遥感影像自适应增强方法 |
DE202023101378U1 (de) * | 2023-03-20 | 2023-03-27 | Anmol Jain | Ein System zur Verbesserung der schlechten Sichtbarkeit durch Bildverbesserungstechnik unter Verwendung von Contrast Stretched - CLAHE (CS-CLAHE) |
Non-Patent Citations (3)
Title |
---|
UMUT KURAN ET AL.: "Parameter selection for CLAHE using multi-objective cuckoo search algorithm for image contrast enhancement", 《INTELLIGENT SYSTEMS WITH APPLICATIONS》, vol. 12, pages 1 - 13 * |
周文舟 等: "多尺度奇异值分解的偏振图像融合去雾算法与实验", 《中国光学》, vol. 14, no. 2, pages 298 - 306 * |
张旭旭 等: "基于布谷鸟搜索优化的红外热像仪对比度增强方法", 《红外》, vol. 41, no. 4, pages 36 - 40 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309203B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178245B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN112132093B (zh) | 高分辨率遥感图像目标检测方法、装置和计算机设备 | |
CN111126359B (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN107274445B (zh) | 一种图像深度估计方法和系统 | |
CN110378837B (zh) | 基于鱼眼摄像头的目标检测方法、装置和存储介质 | |
CN110135318B (zh) | 过车记录的确定方法、装置、设备及存储介质 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN111292377B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN112348116B (zh) | 利用空间上下文的目标检测方法、装置和计算机设备 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN112001983B (zh) | 生成遮挡图像的方法、装置、计算机设备和存储介质 | |
CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
KR102681341B1 (ko) | 무보정 광각 이미지 기반 가변 합성곱 신경망 학습 방법 및 장치 | |
CN117710728A (zh) | Sar图像目标识别方法、装置、计算机设备和存储介质 | |
CN116309203B (zh) | 一种偏振视觉自适应增强的无人平台运动估计方法和装置 | |
CN110880003B (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN117115632A (zh) | 一种水下目标检测方法、装置、设备及介质 | |
CN117333830A (zh) | 一种矿区目标检测方法、装置、终端、芯片、设备和介质 | |
CN116863170A (zh) | 一种图像匹配方法、设备及存储介质 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
CN115187545A (zh) | 高空间分辨率遥感图像的处理方法、系统及存储介质 | |
CN114299300A (zh) | 一种车道线检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |