CN116342440B - 一种基于人工智能的车载视频监控管理系统 - Google Patents
一种基于人工智能的车载视频监控管理系统 Download PDFInfo
- Publication number
- CN116342440B CN116342440B CN202310601613.XA CN202310601613A CN116342440B CN 116342440 B CN116342440 B CN 116342440B CN 202310601613 A CN202310601613 A CN 202310601613A CN 116342440 B CN116342440 B CN 116342440B
- Authority
- CN
- China
- Prior art keywords
- region
- gray
- area
- gray level
- illumination
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000005286 illumination Methods 0.000 claims abstract description 240
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 26
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 241001270131 Agaricus moelleri Species 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 37
- 238000007726 management method Methods 0.000 description 24
- 238000013507 mapping Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening 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
- G06T5/40—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及使用直方图技术的图像增强技术领域,具体涉及一种基于人工智能的车载视频监控管理系统,包括光照区域划分模块、直方图裁剪模块、区域灰度差异程度获取模块、灰度分配程度获取模块、直方图调整模块和直方图整合模块,处理车载行车记录仪目标图像得到两种光照区域,以及分别对应的区域直方图,对强光照区域对应的区域直方图进行裁剪处理,得到裁剪总量以及对应的区域目标直方图,结合两种光照区域的特征,得到灰度分配程度,然后对弱光照区域对应的区域直方图进行调整,得到对应的区域目标直方图,最后整合两个区域目标直方图,得到图像目标直方图,以实现图像增强,能够确保降低来往车灯等强光照区域的干扰,图像增强效果佳。
Description
技术领域
本发明涉及使用直方图技术的图像增强技术领域,具体涉及一种基于人工智能的车载视频监控管理系统。
背景技术
车载行车记录仪在记录夜间行车道路情况时,由于夜晚环境亮度较暗,获取到的视频图像中有部分细节不清晰,因此,为保证行驶安全,需要对行车前方道路视频图像进行图像增强。直方图均衡化是常用的图像增强手段之一,包括根据图像得到灰度直方图,然后根据灰度直方图以及图像中各个像素点的灰度值,对图像进行增强,得到增强后的图像。但是现有的基于直方图均衡化的图像增强技术中的灰度直方图的获取方式为:通过灰度直方图裁剪规则获取裁剪量,然后根据将裁剪量按照固有的补入方式补入其他相关灰度值的直方图中。但是,由于行车前方道路视频图像中存在来往车灯、路灯以及街边商铺的灯光等强光照区域,因此,采用现有的基于直方图均衡化的图像增强技术中的灰度直方图的获取方式,以及后续的图像增强技术,会出现如下情况:除了对行车前方道路视频图像中较暗区域进行增强之外,往往还会增强图像中的来往车灯、路灯以及街边商铺灯光等其余强光照的干扰区域,使得增强效果不能有效凸显出行车前方道路弱光照区域,图像增强效果不佳。
发明内容
有鉴于此,为了解决采用现有的直方图均衡化方法对图像的增强效果不佳的技术问题,本发明提供一种基于人工智能的车载视频监控管理系统。
所采用的技术方案具体如下:
一种基于人工智能的车载视频监控管理系统,包括:
光照区域划分模块,用于对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,所述第一光照区域表征的光照强于第二光照区域表征的光照,并获取分别与所述第一光照区域和所述第二光照区域相对应的第一区域直方图和第二区域直方图;
直方图裁剪模块,用于对所述第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图;
区域灰度差异程度获取模块,用于根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度;
灰度分配程度获取模块,用于基于所述区域灰度差异程度,以及反映所述第二光照区域整体面积的面积特征值,得到灰度分配程度;
直方图调整模块,用于基于所述第二区域直方图、所述灰度分配程度和所述裁剪总量,对所述第二区域直方图进行调整,得到第二区域目标直方图;以及直方图整合模块,用于整合所述第一区域目标直方图和第二区域目标直方图,得到图像目标直方图,以指示对所述车载行车记录仪目标图像进行增强。
在一个实施例中,所述基于所述第二区域直方图、所述灰度分配程度和所述裁剪总量,对所述第二区域直方图进行调整,得到第二区域目标直方图,包括:
根据所述灰度分配程度和所述裁剪总量,得到需要分配给第二光照区域的分配总量;
将所述第二区域直方图中的任意一个灰度值定义为目标灰度值,获取所述目标灰度值的像素量在所述第二光照区域中的占比,将数值1减去该占比后再归一化,得到分配目标占比;
根据所述分配总量和所述分配目标占比,得到所述目标灰度值对应的目标分配量;
根据所述第二区域直方图中的各灰度值的目标分配量,得到所述第二区域目标直方图。
在一个实施例中,根据所述灰度分配程度和所述裁剪总量,得到需要分配给第二光照区域的分配总量,包括:
将所述灰度分配程度乘以所述裁剪总量,得到的乘积为所述分配总量;
根据所述分配总量和所述分配目标占比,得到所述目标灰度值对应的目标分配量,包括:
将所述分配总量乘以所述分配目标占比,得到的乘积为所述目标灰度值对应的目标分配量。
在一个实施例中,所述对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,包括:
获取所述车载行车记录仪目标图像中的灰度变化均匀区域;
将所述灰度变化均匀区域划分为所述第一光照区域和第二光照区域。
在一个实施例中,获取所述车载行车记录仪目标图像中的灰度变化均匀区域,包括:
任选所述车载行车记录仪目标图像中的一个像素点为初始点,采用预设的选取过程获取得到灰度变化均匀区域;所述预设的选取过程,包括:以所述初始点为中心,在各个预设方向上获取与所述初始点的灰度值差值绝对值小于预设灰度变化阈值的像素点,直至首次出现灰度值差值绝对值大于或者等于预设灰度变化阈值的像素点,结束对应预设方向的像素点选取,获取得到的像素点以及初始点构成灰度变化均匀区域;
在所述车载行车记录仪目标图像中且在已获取得到的灰度变化均匀区域之外,再次任选一个像素点为初始点,采用所述预设的选取过程获取得到灰度变化均匀区域;以此类推,获取所述车载行车记录仪目标图像中的灰度变化均匀区域。
在一个实施例中,将所述灰度变化均匀区域划分为所述第一光照区域和第二光照区域,包括:
对于所述灰度变化均匀区域的区域边缘的任意一个边缘像素点,获取与该边缘像素点相邻的处于所述灰度变化均匀区域内的第一像素点以及处于所述灰度变化均匀区域外的第二像素点,计算第一像素点与第二像素点的灰度值差异值,得到各个边缘像素点所对应的灰度值差异值;
计算所述灰度变化均匀区域的所有边缘像素点所对应的灰度值差异值的均值,并归一化,得到所述灰度变化均匀区域的灰度梯度变化程度;
获取所述灰度变化均匀区域的像素点的灰度值均值,并归一化,得到所述灰度变化均匀区域的区域灰度程度;
根据所述灰度梯度变化程度和区域灰度程度,得到所述灰度变化均匀区域的区域隶属程度,其中,所述区域隶属程度与所述灰度梯度变化程度和区域灰度程度均呈正相关关系;
比较所述区域隶属程度与隶属程度阈值,若所述区域隶属程度大于或者等于所述隶属程度阈值,则对应的灰度变化均匀区域为第一光照区域,否则为第二光照区域。
在一个实施例中,所述灰度程度差异特征值为第一区域灰度程度总和与第二区域灰度程度总和的差异值,所述第一区域灰度程度总和为所有的所述第一光照区域的区域灰度程度的和值,所述第二区域灰度程度总和为所有的所述第二光照区域的区域灰度程度的和值;
所述整体数量特征值为第一光照区域的数量与第二光照区域的数量的和值;
相应地,所述根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度,包括:
将所述灰度程度差异特征值与所述整体数量特征值做除法运算,得到的商值为所述区域灰度差异程度。
在一个实施例中,对所述第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图,包括:
对于所述第一区域直方图中的任意一个灰度值,将该灰度值与预设数值的比值作为系数,将该系数乘以该灰度值在所述第一区域直方图中对应的频次,得到该灰度值对应的裁剪量;其中,所述预设数值大于或者等于255;
将得到的所有的裁剪量相加,得到所述裁剪总量,以及裁剪后的所述第一区域目标直方图。
在一个实施例中,所述面积特征值为所有的所述第二光照区域的面积在所述车载行车记录仪目标图像中的面积占比;
所述基于所述区域灰度差异程度,以及反映所述第二光照区域整体面积的面积特征值,得到灰度分配程度,包括:
根据所述区域灰度差异程度和所述面积特征值,得到所述灰度分配程度,其中,所述灰度分配程度与所述区域灰度差异程度和所述面积特征值均呈正相关关系。
在一个实施例中,所述车载视频监控管理系统还包括:图像增强模块,用于根据所述图像目标直方图,结合直方图均衡化图像增强算法对所述车载行车记录仪目标图像进行增强。
本发明实施例至少具有如下有益效果:由于车载行车记录仪目标图像中存在强弱光照区域,那么根据强弱光照区域中表征的光照强弱情况,对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,并获取分别与第一光照区域和第二光照区域相对应的第一区域直方图和第二区域直方图,由于需要通过裁剪强光照区域对应的第一区域直方图,分配给弱光照区域对应的第二区域直方图,达到削弱强光照区域,增强弱光照区域的效果,因此,对第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图,根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度,通过区域灰度差异程度能够准确表征第一光照区域和第二光照区域之间的灰度值差异,并结合整体数量特征值,得到准确地、与第一光照区域和第二光照区域的实际情况相匹配的区域灰度差异程度;然后基于区域灰度差异程度,以及反映第二光照区域整体面积的面积特征值,得到灰度分配程度,由于不同的区域灰度差异程度,表征第一光照区域和第二光照区域之间的灰度差异程度不同,而且,由于第二光照区域的面积不同,即弱光照区域的面积不同,所对应的灰度直方图的分配量不同,因此,能够准确地得到表征需要分配给第二光照区域的分配程度的灰度分配程度,提升后续图像增强的准确性和针对性;相应地,根据第二区域直方图、灰度分配程度和裁剪总量,就可以对第二光照区域的灰度进行精准分配,实现对第二区域直方图的准确调整,根据得到的第二区域目标直方图能够提升后续图像增强的准确性;最后将第一区域目标直方图和第二区域目标直方图进行整合,得到图像目标直方图,结合直方图均衡化图像增强算法对车载行车记录仪目标图像进行增强,根据车载行车记录仪目标图像中的实际灰度分布情况,实现强光照区域和弱光照区域的准确增强,在确保其他区域的正常增强之外,还能够确保降低来往车灯等强光照区域的干扰,图像增强效果佳。
附图说明
图1是本发明提供的第一种基于人工智能的车载视频监控管理系统的结构示意图;
图2是本发明提供的第一种基于人工智能的车载视频监控管理系统对应的方法流程图。
具体实施方式
基于人工智能的车载视频监控管理系统实施例一:
本实施例提供一种基于人工智能的车载视频监控管理系统,该基于人工智能的车载视频监控管理系统为一种软件系统,由各个实现对应功能的软件模块构成。该基于人工智能的车载视频监控管理系统的执行主体可以为处理器芯片、计算机设备、服务器等等。图1给出了该基于人工智能的车载视频监控管理系统的模块组成,应当理解,本发明提供的一种基于人工智能的车载视频监控管理系统本质上为一种基于人工智能的车载视频监控管理方法,各个模块对应方法中的各个步骤,方法流程如图2所示。
本实施例提供一种基于人工智能的车载视频监控管理系统的应用场景为:车载行车记录仪在记录夜间行车道路情况时,车载视频中通常会出现来往车辆的车灯、街边的路灯和商铺灯光,由于其光源物理特性均具有较高的光照亮度,会对行车前方道路的弱光照部分造成干扰影响,相应地,在图像增强时,增强效果较差。
如图1所示,一种基于人工智能的车载视频监控管理系统包括如下软件模块:
光照区域划分模块,用于对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,所述第一光照区域表征的光照强于第二光照区域表征的光照,并获取分别与所述第一光照区域和所述第二光照区域相对应的第一区域直方图和第二区域直方图。
获取车载行车记录仪目标图像,应当理解,车载行车记录仪目标图像由夜间行车记录仪记录的视频图像处理得到。其中,背景区域为夜空等无关的区域,而前景区域图像为除背景区域之外的其他区域图像。其中,可以采用现有技术中的前景和背景区域的自适应分割技术对图像进行前景和背景区域划分,不再赘述。应当理解,本申请提供的车载视频监控管理系统直接应用对背景区域分割后的前景区域图像,而前景和背景区域的自适应分割技术不属于本申请提供的车载视频监控管理系统中的组成。
对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域。本实施例中,先获取车载行车记录仪目标图像中的灰度变化均匀区域;然后将灰度变化均匀区域划分为第一光照区域和第二光照区域。
其中,车载行车记录仪目标图像中的弱光照区域为需要进行图像增强的目标区域,即目标区域分布在弱光照区域,而干扰区域为车辆的车灯、街边的路灯和商铺灯光对应的区域,分布在强光照区域。由于车载行车记录仪目标图像中的强弱光照区域均是光照亮度变化较均匀的区域,所以强弱光照区域均具有区域内灰度变化较均匀的特征,同时由于单个像素点无法代表区域,以判断变化亮度,对车载行车记录仪目标图像进行处理,得到图像中的各个灰度变化均匀区域。对于任意一个灰度变化均匀区域,该灰度变化均匀区域内的各个像素点的灰度值变化较为均匀,而该灰度变化均匀区域之外的像素点的灰度值与该灰度变化均匀区域内的像素点的灰度值之间变化不均匀,因此,基于区域内像素点的灰度值变化均匀这一构思获取得到各个灰度变化均匀区域,作为一个具体实施方式,如下给出对车载行车记录仪目标图像进行处理得到各个灰度变化均匀区域的具体实现过程:
任选车载行车记录仪目标图像中的一个像素点为初始点,采用预设的选取过程获取得到该初始点对应的灰度变化均匀区域。预设的选取过程,包括:以初始点为中心,预设有至少两个方向,本实施例中,预设方向为360°范围下的角度方向,可以是360°各个角度均对应一个方向,即总共360个角度方向,也可以从360°范围下的角度方向中选取部分方向,比如,总共八个方向。应当理解,预设方向的确定原则为需要将初始点周围所有的像素点均纳入后续灰度值差值绝对值的计算,防止出现像素点遗漏。对于任意一个方向,沿着该方向,从初始点开始,在该方向上获取与初始点的灰度值差值绝对值小于预设灰度变化阈值(本实施例以20为例)的像素点,直至首次出现灰度值差值绝对值大于或者等于预设灰度变化阈值的像素点,结束该方向的像素点选取,该首次出现的灰度值差值绝对值大于或者等于预设灰度变化阈值的像素点不计入灰度变化均匀区域的统计。对于其他各个方向也按照上述过程进行选取,得到各个方向上的像素点,那么,将得到的像素点以及初始点构成该初始点对应的灰度变化均匀区域。
在车载行车记录仪目标图像中且在已获取得到的灰度变化均匀区域之外,再次任选一个像素点为初始点,采用上述预设的选取过程获取得到该再次选取得到的初始点所对应的灰度变化均匀区域。以此类推,获取车载行车记录仪目标图像中存在的所有的灰度变化均匀区域。其中,再次任选的初始点可以是在已获取得到的灰度变化均匀区域之外随意选取得到,也可以按照如下方式获取:对于已获取得到的灰度变化均匀区域,在某一个方向下,将与该灰度变化均匀区域的初始点在该方向下的区域边缘点的距离为预设距离的像素点确定为再次得到的初始点。
由于灰度变化均匀区域本质上包括强光照区域和弱光照区域,因此,将灰度变化均匀区域划分为两种,分别是第一光照区域和第二光照区域,第一光照区域表征的光照强于第二光照区域表征的光照,即第一光照区域为强光照区域,第二光照区域为弱光照区域。
强弱光照区域区别主要分为两方面:1、两种光照区域内的灰度梯度变化程度存在明显差异,强光照区域灰度梯度变化剧烈,灰度梯度变化程度大,弱光照区域灰度梯度变化轻微,灰度梯度变化程度低;2、两种光照区域内总体灰度的区域灰度程度存在明显差异,强光照区域平均灰度级高,区域灰度程度高,弱光照区域灰度程度平均灰度级低,区域灰度程度低。因此,基于上述区别,如下给出将灰度变化均匀区域划为第一光照区域和第二光照区域的一种具体实现过程:
由于各个灰度变化均匀区域的划分过程相同,以其中任意一个灰度变化均匀区域为例进行说明。
获取该灰度变化均匀区域的区域边缘,可以采用Sobel边缘检测算子、Canny边缘检测算法等现有的边缘检测算法,不再赘述。相应地,获取得到区域边缘的各个边缘像素点。对于该灰度变化均匀区域的区域边缘的任意一个边缘像素点,由于边缘像素点在区域边缘,那么,与边缘像素点相邻的像素点中,有处于该灰度变化均匀区域内的像素点,也有处于该灰度变化均匀区域外的像素点,那么获取与该边缘像素点相邻的处于该灰度变化均匀区域内的像素点,记为第一像素点,以及处于该灰度变化均匀区域外的像素点,记为第二像素点。计算第一像素点与第二像素点的灰度值差异值,灰度值差异值具体为灰度值差值的绝对值。进而得到各个边缘像素点所对应的灰度值差异值。
接着计算该灰度变化均匀区域的所有边缘像素点所对应的灰度值差异值的均值,并归一化,得到该灰度变化均匀区域的灰度梯度变化程度H,如下给出灰度梯度变化程度H的计算公式:
其中,i表示区域边缘上的第i个边缘像素点,I表示区域边缘的边缘像素点的总
数,表示区域边缘上第i个边缘像素点内外两侧的像素点的灰度值差异量,即第一像素
点与第二像素点的灰度值差异值。本实施例中,通过除以255,实现对灰度梯度变化程度H的
归一化处理,因此,通过上述计算公式得到的灰度梯度变化程度H为归一化后的灰度梯度变
化程度。
由于灰度梯度变化程度H表征的是所有边缘像素点内外两侧像素点的灰度值差异量的整体状况,因此,边缘像素点内外两侧像素点的灰度值差异越大,表示灰度变化均匀区域与外界区域的灰度变化越大,灰度梯度变化程度H越大,灰度变化均匀区域越属于强光照区域。
获取该灰度变化均匀区域的所有的像素点的灰度值,并计算所有的像素点的灰度值的均值,得到灰度值均值,并对灰度值均值进行归一化处理,得到该灰度变化均匀区域的区域灰度程度Z。归一化方式可以为将灰度值均值除以255。由于区域灰度程度Z表征的灰度变化均匀区域的灰度程度,因此,灰度程度越大,表示灰度变化均匀区域的整体灰度值越大,区域灰度程度Z越大,该灰度变化均匀区域越属于强光照区域。
根据灰度梯度变化程度H和区域灰度程度Z,得到灰度变化均匀区域的区域隶属程度L。由于灰度梯度变化程度H越大,灰度变化均匀区域越属于强光照区域;区域灰度程度Z越大,灰度变化均匀区域越属于强光照区域。因此,区域隶属程度L与灰度梯度变化程度H和区域灰度程度Z均呈正相关关系。正相关关系表示自变量增大时,因变量对应增大,自变量变小时,因变量对应变小。正相关关系可以具体为相加、相乘、指数函数的幂等等,作为一个具体实施方式,将灰度梯度变化程度H和区域灰度程度Z相乘,得到的乘积为区域隶属程度L。区域隶属程度L表征灰度变化均匀区域属于强光照区域的程度。作为其他的实施方式,在满足后续数据处理需要的情况下,还可以将灰度梯度变化程度H和区域灰度程度Z相加,得到的和值为区域隶属程度L。
因此,就可以得到每一个灰度变化均匀区域的区域隶属程度L。
预设一个隶属程度阈值,该隶属程度阈值用于表征区域隶属程度的大小关系,若区域隶属程度大于或者等于隶属程度阈值,表示区域隶属程度较大,若区域隶属程度小于隶属程度阈值,表示区域隶属程度较小。隶属程度阈值的具体数值由实际需要进行设定,比如若强光照区域划分要求比较严格,则隶属程度阈值可以适当大一些,若强光照区域划分要求比较宽松,则隶属程度阈值可以适当小一些。
相对应地,比较每一个灰度变化均匀区域的区域隶属程度L与隶属程度阈值,若区域隶属程度L大于或者等于隶属程度阈值,则对应的灰度变化均匀区域为第一光照区域,即强光照区域,否则为第二光照区域,即弱光照区域。
上述在将灰度变化均匀区域划为第一光照区域和第二光照区域的过程中,参考的因素较为全面,能够准确、可靠地实现区域划分,作为其他的实施方式,还可以仅仅根据区域中的灰度程度进行划分,相应地,准确性较上述方式差一些。
划分得到第一光照区域和第二光照区域之后,获取与所有的第一光照区域对应的灰度直方图,记为第一区域直方图,即将所有的第一光照区域统一分析,得到一个第一区域直方图;获取与所有的第二光照区域相对应的灰度直方图,记为第二区域直方图,即所有的第二光照区域对应一个第二区域直方图。本实施例中,将每一个灰度值作为一个灰度级,获取每一个灰度级的像素点数量(即频次),进而构成灰度直方图。应当理解,第一区域直方图中对应的灰度区域集中在高灰度值,第二区域直方图中对应的灰度区域集中在低灰度值。根据灰度图得到灰度直方图属于常规技术,不再赘述。
直方图裁剪模块,用于对所述第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图。
由于通过第一区域直方图和第二区域直方图可以看出,强光照区域的灰度值集中在高灰度值区域,弱光照区域处于稍低灰度值区域。为达到目标效果,可通过裁剪强光照区域直方图,分配至弱光照区域直方图,达到削弱强光照区域,增强弱光照区域的效果。
由于强弱光照区域需要的图像效果不同,强光照区域需要削弱,弱光照区域需要增强,因此对第一区域直方图进行裁剪处理,得到裁剪总量N,得到的裁剪总量N用于分配给第二区域直方图。裁剪处理后的第一区域直方图为第一区域目标直方图。
本实施例中,如下给出第一区域直方图的裁剪处理的一种具体实现过程:
预设有一个数值,该预设数值为一个较大的数值,本实施例中,该预设数值大于或者等于255,预设数值的数量由实际需要进行设定,比如255,或者:若需要获取较多的裁剪总量,则预设数值可以稍小一些,若需要获取较少的裁剪总量,则预设数值可以稍大一些。作为其他实施方式,在满足技术方案可行的基础上,预设数值还可以为通过对第一光照区域采用大津分割法得到的大津阈值。
对于第一区域直方图中的任意一个灰度值,将该灰度值与上段预设数值的比值作为系数,将该系数乘以该灰度值在第一区域直方图中对应的频次,得到该灰度值对应的裁剪量。然后将第一区域直方图中的所有灰度值对应的裁剪量相加,得到裁剪总量N。应当理解,还可以采用现有的其他灰度直方图裁剪量获取方式得到裁剪总量N。
相应地,对第一区域直方图中的各个灰度值按照对应的裁剪量进行裁剪,得到各个灰度值裁剪后的像素量,即频次,裁剪后的直方图为第一区域目标直方图。
区域灰度差异程度获取模块,用于根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度。
应当理解,得到裁剪总量N之后,并非随意地将裁剪总量N分配给第二光照区域。因为弱光照区域的灰度分配程度也会受到整体图像效果的限制,而其中强弱光照区域的灰度差异过大,会导致图像一处过亮,一处过暗,整体效果极度不平衡。而且,弱光照区域的面积不同,最终也会产生不同的效果。弱光照区域的面积过大或过小,也会导致无法辨识区域,因此为了实现将强光照区域的部分像素点精确分配给弱光照区域,需要计算弱光照区域的灰度分配程度。
由于分配处理最终需要的效果是强弱光照区域得到灰度差异相对平衡的效果,因此强弱光照区域的灰度差异越大会导致分配量越多;而弱光照区域的目标效果会随着其面积不同而发生变化,面积越大说明其目标效果需求越高,故增强需求越大,所以所需的分配量就会越多,所以综合考虑在弱光照区域分配过程中会受到强弱光照区域的灰度差异与弱光照区域面积的影响,因此需要计算强弱光照区域的区域灰度差异程度。
因此,第一光照区域和第二光照区域之间的区域灰度差异程度根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值计算得到。其中,灰度程度差异特征值用于反映第一光照区域和第二光照区域的整体灰度程度差异,当灰度程度差异特征值越大时,表示第一光照区域和第二光照区域的整体灰度程度差异越大,作为一个具体实施方式,灰度程度差异特征值为第一区域灰度程度总和与第二区域灰度程度总和的差异值,第一区域灰度程度总和为所有的第一光照区域的区域灰度程度的和值,即将所有的第一光照区域的区域灰度程度相加,得到的和值为第一区域灰度程度总和;第二区域灰度程度总和为所有的第二光照区域的区域灰度程度的和值,即将所有的第二光照区域的区域灰度程度相加,得到的和值为第二区域灰度程度总和。通过根据两种光照区域的区域灰度程度和值之间的差异得到整体灰度程度差异,能够准确反映两种光照区域的整体灰度差异。差异值可以为差值,也可以为差异百分比等等,本实施例以差值为例。即灰度程度差异特征值为第一区域灰度程度总和与第二区域灰度程度总和的差值。由于第一光照区域的光照强度高于第二光照区域,因此,第一区域灰度程度总和的数值高于第二区域灰度程度总和的数值,即得到的差值为正值。当然,还可以求取第一区域灰度程度总和与第二区域灰度程度总和的差值的绝对值,以确保为正值。
整体数量特征值反映第一光照区域和第二光照区域的整体数量的特征,作为一个具体实施方式,整体数量特征值为第一光照区域的数量与第二光照区域的数量的和值,即第一光照区域和第二光照区域的总数量。
根据灰度程度差异特征值和整体数量特征值,得到区域灰度差异程度;其中,将灰度程度差异特征值与整体数量特征值做除法运算,得到的商值为区域灰度差异程度。应当理解,为了便于后续运算,在得到区域灰度差异程度后,还可以对区域灰度差异程度归一化处理,确保区域灰度差异程度处于0-1之间。
因此,当灰度程度差异特征值越大时,表示第一光照区域和第二光照区域的整体灰度程度差异越大,即图像中强光照区域的区域灰度程度与弱光照区域的区域灰度程度的差异越大,说明整幅图像的强弱光照区域的区域灰度差异程度越大,即区域灰度差异程度越大。
灰度分配程度获取模块,用于基于所述区域灰度差异程度,以及反映所述第二光照区域整体面积的面积特征值,得到灰度分配程度。
面积特征值用于反映第二光照区域整体面积的特征,作为一个具体实施方式,面积特征值为所有的第二光照区域的面积之和在车载行车记录仪目标图像中的面积占比。即先获取每一个第二光照区域的面积(即像素点数量),然后计算和值,最后除以车载行车记录仪目标图像的面积,得到面积特征值。
根据区域灰度差异程度和面积特征值,得到灰度分配程度,其中,灰度分配程度与区域灰度差异程度和面积特征值均正相关。作为一个具体实施方式,将区域灰度差异程度和面积特征值相乘,得到的乘积为灰度分配程度P。作为其他的实施方式,在保证可行的情况下,还可以将区域灰度差异程度和面积特征值相加,得到的和值为灰度分配程度。
第二光照区域的面积占比越大,区域灰度差异程度越大,说明图像中弱光照区域的灰度分配程度越大。
直方图调整模块,用于基于所述第二区域直方图、所述灰度分配程度和所述裁剪总量,对所述第二区域直方图进行调整,得到第二区域目标直方图。
由于需要对弱光照区域中的每一个灰度值均进行均衡增强,每一个灰度值的均衡增强程度与灰度值的像素点数量以及上述求得的灰度分配程度相关。如下给出第二区域目标直方图的一种具体获取过程:
根据灰度分配程度P和裁剪总量N,得到需要分配给第二光照区域的分配总量。本实施例中,将灰度分配程度P乘以裁剪总量N,得到的乘积为分配总量P×N。
将第二区域直方图中的任意一个灰度值定义为目标灰度值,获取目标灰度值的像素量在第二光照区域中的占比,将数值1减去该占比得到中间参量,再将中间参量归一化,得到分配目标占比。以hn表示目标灰度值n的像素量,以N1表示第二光照区域的像素总量,即所有的第二光照区域的像素点总数量,也就是所有的弱光照区域的像素总量。那么,分配目标占比的计算公式为:
其中,归一化公式方式可以为:计算所有的目标像素点对应的中间参量的和值,得到中间参量总和,将目标灰度值n对应的中间参量除以该中间参量总和。
根据分配总量和分配目标占比,得到目标灰度值n对应的目标分配量On,本实施例中,将分配总量乘以分配目标占比,得到的乘积为目标灰度值n对应的目标分配量On。相对应地,On的计算公式如下:
其中,表示弱光照区域的灰度值为n的像素在第二光照区域中的占比,占比越
大,表示灰度值n在弱光照区域中的像素量越多,越不需要像素分配。
根据第二区域直方图中的各灰度值的目标分配量,得到第二区域目标直方图。具体地,将各灰度值的目标分配量叠加到初始得到的第二区域直方图中对应灰度值的像素点数量中,得到叠加后的各个灰度值的像素点数量,得到第二区域目标直方图。
直方图整合模块,用于整合所述第一区域目标直方图和第二区域目标直方图,得到图像目标直方图,以指示对所述车载行车记录仪目标图像进行增强。
得到第二区域目标直方图以及第一区域目标直方图之后,整合第一区域目标直方图和第二区域目标直方图,得到车载行车记录仪目标图像对应的完整的图像目标直方图,该图像目标直方图用于实现后续的对车载行车记录仪目标图像进行增强的过程。
相对应地,一种基于人工智能的车载视频监控管理系统还包括图像增强模块,用于根据得到的图像目标直方图,结合直方图均衡化图像增强算法对车载行车记录仪目标图像进行增强。应当理解,直方图均衡化图像增强算法为现有的直方图均衡化图像增强算法,可以为最为常规的直方图均衡化算法(即HE算法),也可以为自适应直方图均衡化算法(即AHE算法),根据实际情况选择对应的算法。本实施例采用常规的直方图均衡化算法(HE算法),过程整体如下:1)统计图像目标直方图各个灰度级别(即灰度值)在图像中出现的频率;2)计算累积分布函数(CDF):将灰度直方图分布函数标准化,得到累积分布函数(CDF),CDF是指从最小灰度级别到当前灰度级别的所有像素值的和,对于每个灰度级别,可以通过累加前面所有的像素数目得到;3)归一化CDF:对CDF进行归一化处理,即将各个灰度级别的CDF值限制在0到1之间,以便于后续处理;4)计算映射函数:得到每个灰度级别对应的映射函数,映射函数的本质是通过累计分布概率,为每个灰度级别指定新的灰度值,具体而言,对于每个灰度级别,将其CDF值乘以灰度级别的最大值(通常为255),即可得到该灰度级别对应的新灰度值;5)应用映射函数:将映射函数应用在车载行车记录仪目标图像上,得到均衡化后的车载行车记录仪目标图像,具体地,在处理图像像素时,将每个像素的灰度级别作为输入,然后根据映射函数计算输出的新灰度值,最后用新灰度值替代原灰度值,完成图像均衡化处理。
基于人工智能的车载视频监控管理系统实施例二:
本实施例提供一种基于人工智能的车载视频监控管理系统,包括:
光照区域划分模块,用于对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,所述第一光照区域表征的光照强于第二光照区域表征的光照,并获取分别与所述第一光照区域和所述第二光照区域相对应的第一区域直方图和第二区域直方图;
直方图裁剪模块,用于对所述第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图;
区域灰度差异程度获取模块,用于根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度;
灰度分配程度获取模块,用于基于所述区域灰度差异程度,以及反映所述第二光照区域整体面积的面积特征值,得到灰度分配程度;
直方图调整模块,用于基于所述第二区域直方图、所述灰度分配程度和所述裁剪总量,对所述第二区域直方图进行调整,得到第二区域目标直方图;以及直方图整合模块,用于整合所述第一区域目标直方图和第二区域目标直方图,得到图像目标直方图,以指示对所述车载行车记录仪目标图像进行增强。
与基于人工智能的车载视频监控管理系统实施例一相比,本实施例提供的基于人工智能的车载视频监控管理系统不包括图像增强模块。图像增强模块是系统之外的、在具体应用时所涉及的软件模块,不属于系统的一部分。由于上述基于人工智能的车载视频监控管理系统实施例一中提供的基于人工智能的车载视频监控管理系统已经对各个模块进行了具体说明,不再赘述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于人工智能的车载视频监控管理系统,其特征在于,包括:
光照区域划分模块,用于对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,所述第一光照区域表征的光照强于第二光照区域表征的光照,并获取分别与所述第一光照区域和所述第二光照区域相对应的第一区域直方图和第二区域直方图;
直方图裁剪模块,用于对所述第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图;
区域灰度差异程度获取模块,用于根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度;
灰度分配程度获取模块,用于基于所述区域灰度差异程度,以及反映所述第二光照区域整体面积的面积特征值,得到灰度分配程度;
直方图调整模块,用于基于所述第二区域直方图、所述灰度分配程度和所述裁剪总量,对所述第二区域直方图进行调整,得到第二区域目标直方图;以及直方图整合模块,用于整合所述第一区域目标直方图和第二区域目标直方图,得到图像目标直方图,以指示对所述车载行车记录仪目标图像进行增强;
所述基于所述第二区域直方图、所述灰度分配程度和所述裁剪总量,对所述第二区域直方图进行调整,得到第二区域目标直方图,包括:
根据所述灰度分配程度和所述裁剪总量,得到需要分配给第二光照区域的分配总量;
将所述第二区域直方图中的任意一个灰度值定义为目标灰度值,获取所述目标灰度值的像素量在所述第二光照区域中的占比,将数值1减去该占比后再归一化,得到分配目标占比;
根据所述分配总量和所述分配目标占比,得到所述目标灰度值对应的目标分配量;
根据所述第二区域直方图中的各灰度值的目标分配量,得到所述第二区域目标直方图;
根据所述灰度分配程度和所述裁剪总量,得到需要分配给第二光照区域的分配总量,包括:
将所述灰度分配程度乘以所述裁剪总量,得到的乘积为所述分配总量;
根据所述分配总量和所述分配目标占比,得到所述目标灰度值对应的目标分配量,包括:
将所述分配总量乘以所述分配目标占比,得到的乘积为所述目标灰度值对应的目标分配量。
2.根据权利要求1所述的基于人工智能的车载视频监控管理系统,其特征在于,所述对车载行车记录仪目标图像进行处理,得到第一光照区域和第二光照区域,包括:
获取所述车载行车记录仪目标图像中的灰度变化均匀区域;
将所述灰度变化均匀区域划分为所述第一光照区域和第二光照区域。
3.根据权利要求2所述的基于人工智能的车载视频监控管理系统,其特征在于,获取所述车载行车记录仪目标图像中的灰度变化均匀区域,包括:
任选所述车载行车记录仪目标图像中的一个像素点为初始点,采用预设的选取过程获取得到灰度变化均匀区域;所述预设的选取过程,包括:以所述初始点为中心,在各个预设方向上获取与所述初始点的灰度值差值绝对值小于预设灰度变化阈值的像素点,直至首次出现灰度值差值绝对值大于或者等于预设灰度变化阈值的像素点,结束对应预设方向的像素点选取,获取得到的像素点以及初始点构成灰度变化均匀区域;
在所述车载行车记录仪目标图像中且在已获取得到的灰度变化均匀区域之外,再次任选一个像素点为初始点,采用所述预设的选取过程获取得到灰度变化均匀区域;以此类推,获取所述车载行车记录仪目标图像中的灰度变化均匀区域。
4.根据权利要求2所述的基于人工智能的车载视频监控管理系统,其特征在于,将所述灰度变化均匀区域划分为所述第一光照区域和第二光照区域,包括:
对于所述灰度变化均匀区域的区域边缘的任意一个边缘像素点,获取与该边缘像素点相邻的处于所述灰度变化均匀区域内的第一像素点以及处于所述灰度变化均匀区域外的第二像素点,计算第一像素点与第二像素点的灰度值差异值,得到各个边缘像素点所对应的灰度值差异值;
计算所述灰度变化均匀区域的所有边缘像素点所对应的灰度值差异值的均值,并归一化,得到所述灰度变化均匀区域的灰度梯度变化程度;
获取所述灰度变化均匀区域的像素点的灰度值均值,并归一化,得到所述灰度变化均匀区域的区域灰度程度;
根据所述灰度梯度变化程度和区域灰度程度,得到所述灰度变化均匀区域的区域隶属程度,其中,所述区域隶属程度与所述灰度梯度变化程度和区域灰度程度均呈正相关关系;
比较所述区域隶属程度与隶属程度阈值,若所述区域隶属程度大于或者等于所述隶属程度阈值,则对应的灰度变化均匀区域为第一光照区域,否则为第二光照区域。
5.根据权利要求4所述的基于人工智能的车载视频监控管理系统,其特征在于,所述灰度程度差异特征值为第一区域灰度程度总和与第二区域灰度程度总和的差异值,所述第一区域灰度程度总和为所有的所述第一光照区域的区域灰度程度的和值,所述第二区域灰度程度总和为所有的所述第二光照区域的区域灰度程度的和值;
所述整体数量特征值为第一光照区域的数量与第二光照区域的数量的和值;
相应地,所述根据反映第一光照区域和第二光照区域的整体灰度程度差异的灰度程度差异特征值,以及反映第一光照区域和第二光照区域的整体数量特征值,得到区域灰度差异程度,包括:
将所述灰度程度差异特征值与所述整体数量特征值做除法运算,得到的商值为所述区域灰度差异程度。
6.根据权利要求1所述的基于人工智能的车载视频监控管理系统,其特征在于,
对所述第一区域直方图进行裁剪处理,得到裁剪总量以及裁剪后的第一区域目标直方图,包括:
对于所述第一区域直方图中的任意一个灰度值,将该灰度值与预设数值的比值作为系数,将该系数乘以该灰度值在所述第一区域直方图中对应的频次,得到该灰度值对应的裁剪量;其中,所述预设数值大于或者等于255;
将得到的所有的裁剪量相加,得到所述裁剪总量,以及裁剪后的所述第一区域目标直方图。
7.根据权利要求1所述的基于人工智能的车载视频监控管理系统,其特征在于,所述面积特征值为所有的所述第二光照区域的面积在所述车载行车记录仪目标图像中的面积占比;
所述基于所述区域灰度差异程度,以及反映所述第二光照区域整体面积的面积特征值,得到灰度分配程度,包括:
根据所述区域灰度差异程度和所述面积特征值,得到所述灰度分配程度,其中,所述灰度分配程度与所述区域灰度差异程度和所述面积特征值均呈正相关关系。
8.根据权利要求1-7任意一项所述的基于人工智能的车载视频监控管理系统,其特征在于,所述车载视频监控管理系统还包括:图像增强模块,用于根据所述图像目标直方图,结合直方图均衡化图像增强算法对所述车载行车记录仪目标图像进行增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601613.XA CN116342440B (zh) | 2023-05-26 | 2023-05-26 | 一种基于人工智能的车载视频监控管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601613.XA CN116342440B (zh) | 2023-05-26 | 2023-05-26 | 一种基于人工智能的车载视频监控管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342440A CN116342440A (zh) | 2023-06-27 |
CN116342440B true CN116342440B (zh) | 2023-07-28 |
Family
ID=86886177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310601613.XA Active CN116342440B (zh) | 2023-05-26 | 2023-05-26 | 一种基于人工智能的车载视频监控管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342440B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197783B (zh) * | 2023-11-07 | 2024-01-23 | 深圳捷渡科技有限公司 | 基于智能感知的行车记录仪数据分析系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204155324U (zh) * | 2014-08-15 | 2015-02-11 | 华北电力大学 | 一种具有视觉增强功能的车载行车记录仪 |
CN105825485B (zh) * | 2016-03-30 | 2018-12-21 | 努比亚技术有限公司 | 一种图像处理系统和方法 |
EP3543957B1 (en) * | 2016-11-17 | 2021-08-04 | Beijing University of Technology | Light homogenization method for multi-source large-scale surface exposure 3d printing |
CN112200019B (zh) * | 2020-09-22 | 2024-02-09 | 上海罗曼照明科技股份有限公司 | 一种快速建筑夜景照明灯光故障检测方法 |
CN116152133B (zh) * | 2023-04-20 | 2023-07-07 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
-
2023
- 2023-05-26 CN CN202310601613.XA patent/CN116342440B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
Non-Patent Citations (2)
Title |
---|
一种基于改进直方图均衡的图像增强方法;高岩;乔彦峰;;计算机仿真(第04期);全文 * |
直方图分割耦合裁剪控制均衡化的图像增强算法;越琳;高丽燕;;计算机工程与设计(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116342440A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8111943B2 (en) | Smart image enhancement process | |
US11700457B2 (en) | Flicker mitigation via image signal processing | |
CN116342440B (zh) | 一种基于人工智能的车载视频监控管理系统 | |
CN112235512B (zh) | 图像曝光参数调节方法、设备及装置 | |
US20200125869A1 (en) | Vehicle detecting method, nighttime vehicle detecting method based on dynamic light intensity and system thereof | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN114820623B (zh) | 一种车载摄像头成像质量检测方法 | |
US10129458B2 (en) | Method and system for dynamically adjusting parameters of camera settings for image enhancement | |
US20190068891A1 (en) | Method and apparatus for rapid improvement of smog/low-light-level image using mapping table | |
CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
Mandal et al. | Real-time automotive night-vision system for drivers to inhibit headlight glare of the oncoming vehicles and enhance road visibility | |
CN114500865B (zh) | 补光灯的调控方法、装置、电子设备和存储介质 | |
CN103226809B (zh) | 图像除雾装置和图像除雾方法 | |
Mandal et al. | Real-time fast low-light vision enhancement for driver during driving at night | |
CN113111883B (zh) | 车牌检测方法、电子设备及存储介质 | |
CN111898532A (zh) | 一种图像处理方法、装置、电子设备及监控系统 | |
CN116777795B (zh) | 一种适用于车载影像的亮度映射方法 | |
CN108259819A (zh) | 动态影像特征加强方法与系统 | |
CN117061710B (zh) | 一种远程查看车内情况的系统及方法 | |
EP4209990A2 (en) | Blended gray image enhancement | |
CN116543378B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN117409263B (zh) | 一种无人机自动图像校正引导降落方法和计算机存储介质 | |
KR102022234B1 (ko) | 이미지 개선 장치 및 그 방법 | |
CN115866411B (zh) | 基于光线校正的车载监控自适应曝光方法、装置及设备 |
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 |