CN116684739A - 户外作业机器人的图像获取方法、装置和计算机设备 - Google Patents
户外作业机器人的图像获取方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116684739A CN116684739A CN202310737663.0A CN202310737663A CN116684739A CN 116684739 A CN116684739 A CN 116684739A CN 202310737663 A CN202310737663 A CN 202310737663A CN 116684739 A CN116684739 A CN 116684739A
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- target object
- preset
- frequency
- 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 61
- 238000005286 illumination Methods 0.000 claims abstract description 193
- 239000002131 composite material Substances 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 239000004106 carminic acid Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/81—Camera processing pipelines; Components thereof for suppressing or minimising disturbance in the image signal generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/265—Mixing
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种户外作业机器人的图像获取方法、装置和计算机设备。通过户外作业机器人基于目标对象所在位置的光照强度启动对应的光照调整设备,在该设备调整后的光照强度下对目标对象拍摄,获取拍摄得到的待处理图像的照度图像和反射图像,基于去噪后的照度图像和反射图像得到去噪后的合成图像,对去噪后的合成图像中的高频图像进行对比度增强处理后,根据增强后的高频图像和合成图像中的低频图像,得到目标对象的目标图像。相较于传统的对目标对象进行直接拍摄得到图像,本方案通过户外作业机器人确定并调节拍摄时合适的光照强度,并对拍摄的图像进行去噪和图像增强等处理,提高了户外作业机器人获取目标对象的图像的清晰度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种户外作业机器人的图像获取方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在户外作业中,需要获取目标对象的图片,从而对目标对象的状态进行分析等。因此获取到的图片的清晰度,影响着对目标对象进行分析的效率。目前采集处在户外的对象的图片的方法通常是对目标对象进行直接拍摄得到。然而,由于户外光照不稳定,通过直接拍摄得到的图像中的目标对象存在不清晰的问题。
因此,目前在户外作业中对目标对象的获取方法存在清晰度低的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高清晰度的户外作业机器人的图像获取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种户外作业机器人的图像获取方法,应用于户外作业机器人,所述方法包括:
获取目标对象所在位置的光照强度,根据所述光照强度启动对应的光照调整设备;
在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象对应的待处理图像;
获取所述待处理图像对应的照度图像和反射图像,对所述照度图像进行去噪后,根据去噪后的照度图像和所述反射图像得到去噪后的合成图像;
获取所述去噪后的合成图像中的高频图像和低频图像,对所述高频图像进行对比度增强处理后,根据增强后的高频图像和所述低频图像,得到所述目标对象的目标图像。
在其中一个实施例中,所述获取目标对象所在位置的光照强度,包括:
获取预设纯色板在预设光照强度下的标准纯色图像,并获取所述标准纯色图像的第一像素均值;所述预设光照强度表征使所述标准纯色图像清晰度最高的光照强度;
在所述目标对象所在位置,获取所述预设纯色板对应的测试纯色图像,并获取所述测试纯色图像的第二像素均值;
获取所述第一像素均值和所述第二像素均值的差值,根据所述差值以及预设差值阈值,确定所述目标对象所在位置的光照强度。
在其中一个实施例中,所述根据所述光照强度启动对应的光照调整设备,包括:
若所述第一像素均值大于所述第二像素均值,且所述差值大于所述预设差值阈值,确定启动遮光板,以降低所述目标对象所在位置的光照强度;
若所述第二像素均值大于所述第一像素均值,且所述差值大于所述预设差值阈值,确定启动照明灯,以增加所述目标对象所在位置的光照强度。
在其中一个实施例中,所述在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象对应的待处理图像,包括:
在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象在RGB颜色空间的原始图像;
将所述RGB颜色空间的原始图像转换为HSI颜色空间的图像,并获取所述HSI颜色空间的图像中I颜色通道的图像,作为待处理图像。
在其中一个实施例中,所述获取所述待处理图像对应的照度图像和反射图像,包括:
根据预设的引导图像、预设大小的滤波窗口以及所述滤波窗口对应的系数,确定照度图像对应的滤波函数;
根据预设的引导图像、预设大小的滤波窗口、所述滤波窗口对应的系数、各滤波窗口内的待处理图像以及预设的正则化参数,确定预设的代价函数;
根据最小二乘法以及所述代价函数,拟合所述滤波函数,并获取所述滤波函数输出的照度图像;
根据所述待处理图像的像素值与所述照度图像的像素值的比值,得到反射图像。
在其中一个实施例中,所述对所述照度图像进行去噪,包括:
根据所述照度图像对应的低秩矩阵以及预设的稀疏误差矩阵,生成低秩矩阵分解函数;
获取所述低秩矩阵分解函数的函数值最小时,所述低秩矩阵对应的低秩分量,根据所述低秩分量得到去噪后的照度图像;
所述根据去噪后的照度图像和所述反射图像得到去噪后的合成图像,包括:
根据去噪后的照度图像的像素值和所述反射图像的像素值的乘积,得到去噪后的合成图像。
在其中一个实施例中,所述获取所述去噪后的合成图像中的高频图像和低频图像,包括:
根据预设大小的局部窗口,遍历所述去噪后的合成图像,得到多个局部图像;
针对每个局部图像,获取该局部图像对应的像素值平均值,若所述像素平均值小于预设像素值阈值,确定该局部图像为低频图像,若所述像素平均值大于或等于预设像素值阈值,确定该局部图像为高频图像;
所述对所述高频图像进行对比度增强处理,包括:
根据所述高频图像与预设增益值的乘积,得到增强后的高频图像。
在其中一个实施例中,所述增强后的高频图像和所述低频图像均为HSI颜色空间中I颜色通道的图像;
所述根据增强后的高频图像和所述低频图像,得到所述目标对象的目标图像,包括:
融合所述增强后的高频图像和所述低频图像,得到I颜色通道的第一融合图像;
获取所述待处理图像对应的在H颜色通道的第一分量图像和S颜色通道的第二分量图像;
融合所述第一分量图像、所述第二分量图像和所述第一融合图像,得到第二融合图像;
将所述第二融合图像转换为RGB颜色空间下的图像,得到所述目标对象的目标图像。
第二方面,本申请提供了一种户外作业机器人的图像获取装置,应用于户外作业机器人,所述装置包括:
启动模块,用于获取目标对象所在位置的光照强度,根据所述光照强度启动对应的光照调整设备;
获取模块,用于在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象对应的待处理图像;
去噪模块,用于获取所述待处理图像对应的照度图像和反射图像,对所述照度图像进行去噪后,根据去噪后的照度图像和所述反射图像得到去噪后的合成图像;
处理模块,用于获取所述去噪后的合成图像中的高频图像和低频图像,对所述高频图像进行对比度增强处理后,根据增强后的高频图像和所述低频图像,得到所述目标对象的目标图像。
第三方面,本申请提供了一种计算机设备,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上述的方法的步骤。
第四方面,本申请提供了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上述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述户外作业机器人的图像获取方法、装置、计算机设备、存储介质和计算机程序产品,通过户外作业机器人基于目标对象所在位置的光照强度启动对应的光照调整设备,在该设备调整后的光照强度下对目标对象拍摄,获取拍摄得到的待处理图像的照度图像和反射图像,对照度图像进行去噪后,基于去噪后的照度图像和反射图像得到去噪后的合成图像,对去噪后的合成图像中的高频图像进行对比度增强处理后,根据增强后的高频图像和合成图像中的低频图像,得到目标对象的目标图像。相较于传统的对目标对象进行直接拍摄得到图像,本方案通过户外作业机器人确定并调节拍摄时合适的光照强度,并对拍摄的图像进行去噪和图像增强等处理,提高了户外作业机器人获取目标对象的图像的清晰度。
附图说明
图1为一个实施例中户外作业机器人的图像获取方法的流程示意图;
图2为一个实施例中图像拍摄步骤的流程示意图;
图3为一个实施例中图像增强步骤的流程示意图;
图4为一个实施例中户外作业机器人的图像获取装置的结构框图;
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,提供了一种户外作业机器人的图像获取方法,本实施例以该方法应用于户外作业机器人进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括户外作业机器人和服务器的系统,并通过户外作业机器人和服务器的交互实现,包括以下步骤:
步骤S202,获取目标对象所在位置的光照强度,根据光照强度启动对应的光照调整设备。
其中,目标对象可以是输电线路中的设备,例如输电线路中的输电导线。受自然光影响,目标对象所在位置的光照强度会发生变化,因此可能存在光照强烈或光照过低的现象。在对目标对象进行维护和分析时,需要获取目标对象的图像。而光照强度会影响目标对象在图像中的清晰度,例如当阳光强烈照射时,如中午时段,获取的图片会偏向灰白;当没有阳光照射时,如晚上,获取的图片会偏向黑暗。这些都会对图片质量产生影响,从而为后续基于图片分析的准确性产生消极的影响。因此户外作业机器人可以在获取目标对象的图像时,可以先对目标对象所在位置的光照强度进行调整。
例如,户外作业机器人可以获取目标对象所在位置的光照强度,并根据光照强度启动对应的光照调整设备。其中,户外作业机器人中可以安装有多个光照调整设备,例如照明灯和遮光板等,用于调整拍摄目标对象时的光照强度。例如在低光照强度时通过打开照明灯提高亮度,在强光照度强度时通过打开遮光板降低亮度,使得目标对象所在位置的光照强度符合对目标对象的图片质量的要求。
步骤S204,在光照调整设备调整后得到的光照强度下对目标对象进行拍摄,获取目标对象对应的待处理图像。
其中,户外作业机器人可以通过打开相应的光照调整设备,调整目标对象所在位置的光照强度,使得该光照强度符合对目标对象的图像质量要求。户外作业机器人通过光照调整设备对光照强度进行调整后,可以在光照调整设备调整后得到的光照强度下,对目标对象进行拍摄,并基于该拍摄得到目标对象对应的待处理图像。其中,户外作业机器人上设置有图像采集设备,例如摄像头,户外作业机器人可以通过图像采集设备,在上述调整后得到的光照强度下拍摄目标对象,并得到上述待处理图像。
步骤S206,获取待处理图像对应的照度图像和反射图像,对照度图像进行去噪后,根据去噪后的照度图像和反射图像得到去噪后的合成图像。
其中,待处理图像可以被分解为照度图像和反射图像。反射图像为物体在没有光源时的真实模样,即理想中增强后的图像,照度图像可以看成为噪声。反射图像存储图像的细节信息,是高频部分,照度图像是低频部分,比如轮廓等,决定图像像素的动态范围。户外作业机器人可以根据Retinex方法,将成像设备中的图像分为两个子图,即照度图像和反射图像,户外作业机器人可以对照度图像进行去噪,并根据去噪后的照度图像和反射图像,得到去噪后的合成图像。其中,合成图像可以是由去噪后的照度图像和反射图像进行合成后得到的图像,例如户外作业机器人可以将两幅图像对应像素值进行乘积操作,即可得到原图,如上述合成图像。其中,Retinex方法是彩色图像增强领域中的重要方法,其核心就是估测照度L,从图像中估测照度分量,并去除照度分量,得到原始反射分量。
步骤S208,获取去噪后的合成图像中的高频图像和低频图像,对高频图像进行对比度增强处理后,根据增强后的高频图像和低频图像,得到目标对象的目标图像。
其中,户外作业机器人还可以从去噪后的合成图像中确定出高频图像和低频图像。其中高频部分代表图像中的细节信息。户外作业机器人可以对高频图像进行图像增强,例如户外作业机器人对高频图像进行对比度增强,得到增强后的高频图像,从而户外作业机器人可以根据增强后的高频图像和低频图像,得到目标对象的目标图像。例如户外作业机器人将增强后的高频图像和低频图像进行合并,得到上述目标对象的目标图像。
其中,在一个实施例中,上述待处理图像可以是HSI(Hue-Saturation-Intensity,色调-饱和度-亮度)颜色空间中的I颜色通道的图像,即户外作业机器人可以将拍摄得到的RGB(Red-Green-Blue,红-绿-蓝)颜色空间的图像转换为HSI颜色空间的图像后,提取I颜色通道的分量,作为上述待处理图像。从而上述增强后的高频图像和低频图像均为HSI颜色空间中I颜色通道的图像。
因此,在一个实施例中,户外作业机器人在合并高频图像和低频图像得到目标图像时,可以进行颜色空间的转换。例如,户外作业机器人可以融合增强后的高频图像和低频图像,得到I颜色通道的第一融合图像;并获取待处理图像对应的在H颜色通道的第一分量图像和S颜色通道的第二分量图像。其中,户外作业机器人可以在拍摄到目标对象的图像并转换为HSI颜色空间后,将该图像分离为上述第一分量图像、第二分量图像和待处理图像。户外作业机器人可以融合第一分量图像、第二分量图像和第一融合图像,得到第二融合图像;并且户外作业机器人还可以将第二融合图像转换为RGB颜色空间下的图像,得到目标对象的目标图像。
具体地,户外作业机器人将H分量、S分量和I分量进行合并,并转换为RGB颜色空间的图像,可以根据H色调的取值,使用不同的函数进行转换。例如,当H∈[00,1200]时,可得:{R=I*[1+ScosH/(cos(600-H))];G=3*I-(R+B);B=I*(1-S)}。当H∈[1200,2400]时,可得:{R=I*(1-S);G=I*[1+ScosH/(cos(600-H))];B=3*I-(R+G)}。当时H∈[2400,3600],转换公式可以如下所示:{R=3*I-(R+G);G=I*(1-S);B=I*[1+ScosH/(cos(600-H))]}。其中,H属于不同度数时,代表的色调范围不同。户外作业机器人基于上述公式将HSI颜色空间的图像确定RGB颜色空间中各个分量的值后,可以得到RGB颜色空间的目标图像。
上述户外作业机器人的图像获取方法中,通过户外作业机器人基于目标对象所在位置的光照强度启动对应的光照调整设备,在该设备调整后的光照强度下对目标对象拍摄,获取拍摄得到的待处理图像的照度图像和反射图像,对照度图像进行去噪后,基于去噪后的照度图像和反射图像得到去噪后的合成图像,对去噪后的合成图像中的高频图像进行对比度增强处理后,根据增强后的高频图像和合成图像中的低频图像,得到目标对象的目标图像。相较于传统的对目标对象进行直接拍摄得到图像,本方案通过户外作业机器人确定并调节拍摄时合适的光照强度,并对拍摄的图像进行去噪和图像增强等处理,提高了户外作业机器人获取目标对象的图像的清晰度。
在一个实施例中,获取目标对象所在位置的光照强度,包括:获取预设纯色板在预设光照强度下的标准纯色图像,并获取标准纯色图像的第一像素均值;预设光照强度表征使标准纯色图像清晰度最高的光照强度;在目标对象所在位置,获取预设纯色板对应的测试纯色图像,并获取测试纯色图像的第二像素均值;获取第一像素均值和第二像素均值的差值,根据差值以及预设差值阈值,确定目标对象所在位置的光照强度。
本实施例中,户外作业机器人可以基于预先设置的纯色板,确定目标对象所在位置的光照强度。其中,预设纯色板可以设置在目标对象所在位置附近,也可以设置在户外作业机器人上,并且在一些实施例中,预设的纯色板可以有多个,每个纯色板的规格和颜色相同。户外作业机器人可以预先在预设光照强度下拍摄预设纯色板的图像,作为标准纯色图像,其中预设光照强度表征使标准纯色图像清晰度最高的光照强度。户外作业机器人还可以在目标对象所在位置,获取预设纯色板对应的测试纯色图像,该测试纯色图像可以是在目标对象所在位置的当前光照强度下拍摄得到的纯色板图像。户外作业机器人可以获取标准纯色图像的第一像素均值,还可以获取测试纯色图像的第二像素均值,户外作业机器人还可以获取第一像素均值与第二像素均值的差值,并根据该差值与预设差值阈值,确定目标对象所在位置的光照强度。从而户外作业机器人可以根据光照强度的不同,确定启动不同的光照调整设备。
其中,户外作业机器人可以通过对比第一像素均值与第二像素均值的大小,以及上述均值与预设差值阈值的比较,确定需要启动的光照调整设备。例如,在一个实施例中,若户外作业机器人检测到第一像素均值大于第二像素均值,且差值大于预设差值阈值,说明光照强度过大,户外作业机器人确定启动遮光板,以降低目标对象所在位置的光照强度。若户外作业机器人检测到第二像素均值大于第一像素均值,且差值大于预设差值阈值,说明光照强度过低,户外作业机器人确定启动照明灯,以增加目标对象所在位置的光照强度。
具体地,户外作业机器人通过自适应的判断方法,判断目前是阳光强烈照射还是光线不够,然后采取物理补光或物理减光,以及算法处理对图像进行增强,提高图片的质量,方便后续对图片的分析以及机器人的作业。如图2所示,图2为一个实施例中图像拍摄步骤的流程示意图。户外作业机器人可以在正常光线,即上述预设光照强度下,拍摄纯色板的图片,假设图片大小为M*N,M*N大小的图片f(i,j)的像素均值为M1,其中i,j表示图片f中像素点的第i行第j列的像素点;则上述的像素均值M1的具体确定函数,可以如下所示:即M1可以是上述第一像素均值。
其中,户外作业机器人中可以安装有摄像头,需要判断光线照射情况时,户外作业机器人可以在目标对象所在位置的当前光照情况下,对已知的纯色板进行拍照,得到上述测试纯色图像,并计算该测试纯色图像的像素均值,假设为M2,即上述第二像素均值。其中,测试纯色图像的大小可以与标准纯色图像的大小已知,M2的计算函数可以参考M1的计算函数。户外作业机器人可以预设一个差值阈值T1,取值为正。若户外作业机器人检测到M1-M2>T1时,说明当前光线强度不足,当M2-M1>T1时,说明当前光照强度过强。当阳光不足时,户外作业机器人打开照明灯,补充光线,从而保证获取图片的质量,并且对获取到的图片使用图像增强算法处理;当阳光强烈照射时,作业机器人打开遮光板,减少光照影响,并且对获取图片使用图像增强方法处理。另外,在一些实施例中,当M1和M2的差值小于或等于T1时,说明目前的光照强度可以满足图像的清晰度要求,不需要户外作业机器人打开照明灯或遮光板等操作,也不需要进行图像增强处理,此时户外作业机器人可以直接输出拍摄目标对象得到的目标图像。
通过上述实施例,户外作业机器人可以通过将基于目标对象所在位置的光照强度获得的纯色板的图像与预设光照强度获得的纯色板的图像的像素均值进行比较,确定光照强度的强弱,并启动相应的光照调整设备调整目标对象所在位置的光照强度,提高了获取目标对象的图像的清晰度。
在一个实施例中,在光照调整设备调整后得到的光照强度下对目标对象进行拍摄,获取目标对象对应的待处理图像,包括:在光照调整设备调整后得到的光照强度下对目标对象进行拍摄,获取目标对象在RGB颜色空间的原始图像;将RGB颜色空间的原始图像转换为HSI颜色空间的图像,并获取HSI颜色空间的图像中I颜色通道的图像,作为待处理图像。
本实施例中,户外作业机器人利用光照调整设备调整目标对象所在位置的光照强度后,可以获取调整后的光照强度下拍摄目标对象得到的原始图像。其中,该原始图像可以是在RGB颜色空间中的图像。户外作业机器人可以将RGB颜色空间的原始图像转换为HSI颜色空间的图像,并且户外作业机器人还可以获取HSI颜色空间的图像中的I颜色通道的图像,作为待处理图像。
具体地,HSI颜色空间用色调(Hue)、色饱和度(saturation)、亮度(intensity)表示一幅图像,更符合人类对世界观察的特性,适合人类视觉特征。在实际操作中,通常将它们分开处理,因此能减少处理图像的计算量。HSI颜色空间用复杂的圆锥表示。实际操作中,通常只对I分量进行处理,并不影响图像最后的色彩。则户外作业机器人将RGB颜色空间的图像和HSI颜色空间的图像的转换函数可以如下所示:H={θ,若B≤G;3600,若B>G}。其中,B表示RGB图像中的B颜色通道的取值,G表示RGB颜色空间的图像中G颜色通道的取值。上述θ具体可以表示为:θ=cos-1{[|(R-G)+(R-B)|]/[2*|(R-G)2+(R-B)(G-b)|1/2]};S颜色通道的转换函数如下所示:S=1-[3/(R+G+B)]|min(R,G,B)|。I颜色通道的转换函数如下所示:I=1/3(R+B+G)。其中R表示RGB颜色空间的图像中R颜色通道的取值。即户外作业机器人可以将上述I颜色通道的图像作为待处理图像。
通过本实施例,户外作业机器人可以将RGB颜色空间的图像转换为HSI颜色空间的图像,并提取I通道的分量图像作为待处理图像进行处理,提高了获取目标对象的图像的清晰度。
在一个实施例中,获取待处理图像对应的照度图像和反射图像,包括:根据预设的引导图像、预设大小的滤波窗口以及滤波窗口对应的系数,确定照度图像对应的滤波函数;根据预设的引导图像、预设大小的滤波窗口、滤波窗口对应的系数、各滤波窗口内的待处理图像以及预设的正则化参数,确定预设的代价函数;根据最小二乘法以及代价函数,拟合滤波函数,并获取滤波函数输出的照度图像;根据待处理图像的像素值与照度图像的像素值的比值,得到反射图像。
本实施例中,户外作业机器人可以从待处理图像中提取出照度图像和反射图像。户外作业机器人可以通过引导滤波方法确定照度图像。引导滤波具有边缘信息强和低复杂度的特征,此方法能够有效利用窗口内的局部线性关系获取图像边缘的信息,每个像素的输出值通常由多个窗口内求平均值获取,能降低时间复杂度。户外作业机器人可以根据预设的引导图像、预设大小的滤波窗口以及滤波窗口对应的系数,确定照度图像对应的滤波函数。并根据预设的引导图像、预设大小的滤波窗口、滤波窗口对应的系数、各滤波窗口内的待处理图像以及预设的正则化参数,确定预设的代价函数。从而户外作业机器人可以根据最小二乘法和代价函数,拟合上述滤波函数,并获取滤波函数输出的照度图像。户外作业机器人还可以根据待处理图像的像素值与照度图像的像素值的比值,得到反射图像。
具体地,引导滤波具有保边滤波后的结果和引导图像在滤波窗口内具有线性关系的假设,即上述滤波函数,滤波函数具体可以如下所示:qi=akIi+bk, 其中,Ii为引导图像,qi是输出图像,例如在第i个滤波窗口中的子照度图像,ωk是k以为中心像素的窗口,即上述预设大小的滤波窗口,ak和bk是该窗口对应的系数。户外作业机器人可以基于上述预设大小的滤波窗口遍历上述待处理图像。为了得到与输入图像p最接近的输出图像q,即与待处理图像最接近的照度图像,户外作业机器人可以使用最小二乘法拟合式子中的线性关系,其代价函数可以表示为:
其中,ε为预设的正则化参数,pi是输入图像,例如基于上述预设大小的滤波窗口遍历待处理图像时,第i个窗口中的子待处理图像。
由于Retinex方法,户外作业机器人可以将成像设备中的待处理图像分为两个子图,即照度图像和反射图像,将两幅图像对应像素值进行乘积操作,即可得到原图。则户外作业机器人确定照度图像后,可以根据待处理图像的像素值与照度图像的像素值的比值,得到反射图像。
通过本实施例,户外作业机器人可以通过引导滤波方式提取照度图像和反射图像,从而户外作业机器人可以基于照度图像和反射图像对目标对象的图像进行增强处理,提高了目标对象的图像的清晰度。
在一个实施例中,对照度图像进行去噪,包括:根据照度图像对应的低秩矩阵以及预设的稀疏误差矩阵,生成低秩矩阵分解函数;获取低秩矩阵分解函数的函数值最小时,低秩矩阵对应的低秩分量,根据低秩分量得到去噪后的照度图像。
本实施例中,照度图像可以被看成噪声。户外作业机器人可以基于低秩矩阵分解方法去除噪声。例如,户外作业机器人可以获取照度图像对应的低秩矩阵以及预设的系数误差矩阵。并根据照度图像对应的低秩矩阵以及预设的系数误差矩阵,生成低秩矩阵分解函数。户外作业机器人可以在低秩矩阵分解函数的函数值最小时,获取此时低秩矩阵对应的分量,并根据该低秩矩阵分量得到去噪后的照度图像。从而户外作业机器人可以根据去噪后的照度图像和反射图像得到去噪后的合成图像,例如,在一个实施例中,户外作业机器人可以获取去噪后的照度图像的像素值和反射图像的像素值的乘积,并根据该乘积得到去噪后的合成图像。
具体地,若将没被噪声污染的图像看成是一个矩阵,则这个矩阵具有低秩性,因为没被噪声污染的图像存在很多相关性,对应表现为矩阵各行之间存在相关性。因此,户外作业机器人可以通过低秩分解去除噪声。户外作业机器人可以使用鲁棒主成分分析进行计算,此方法可以使用任意大小且足够稀疏的噪声矩阵来恢复低秩矩阵。低秩矩阵的计算可以表示为最小化问题,该最小化问题可以得到如下所示的低秩矩阵分解函数:min rank(A)+λ||E||0,且满足R=A+E。其中,A和E分别为照度图像的低秩分量和稀疏误差矩阵,即上述低秩矩阵和预设的系数误差矩阵。rank(.)为矩阵的秩,λ为正则化参数,||.||0表示l0范数,min表示函数最小值。
户外作业机器人可以将上述函数表示为一个凸优化问题,具体可以如下所示:min||E||++λ||E||1,且满足R=A+E。其中,||*||+表示矩阵的核范数,则||*||1为1范数。户外作业机器人可以使用拉格朗日乘子方法对上述低秩矩阵分解函数进行求解,得到低秩分量A,即为一张清晰的图像,该清晰的图像可以是去除了照度图像的噪声后得到的结合了去噪后的照度图像和反射图像的合成图像。
通过本实施例,户外作业机器人可以通过低秩矩阵分解对图像进行去噪处理,从而实现提高目标对象的图像清晰度的效果。
在一个实施例中,获取去噪后的合成图像中的高频图像和低频图像,包括:根据预设大小的局部窗口,遍历去噪后的合成图像,得到多个局部图像;针对每个局部图像,获取该局部图像对应的像素值平均值,若像素平均值小于预设像素值阈值,确定该局部图像为低频图像,若像素平均值大于或等于预设像素值阈值,确定该局部图像为高频图像。
本实施例中,户外作业机器人可以提取上述合成图像中的高频图像和低频图像,进而对高频图像进行增强处理。户外作业机器人可以首先识别高频图像和低频图像。例如,户外作业机器人可以设置预设大小的局部窗口,并根据预设大小的局部窗口,遍历去噪后的合成图像,得到多个局部图像。对于每个局部图像,户外作业机器人可以获取该局部图像对应的像素值平均值,并将像素平均值与预设像素值阈值进行比较,若户外作业机器人检测到像素平均值小于预设像素值阈值,则户外作业机器人确定该局部图像为低频图像,若像素平均值大于或等于预设像素值阈值,则户外作业机器人确定该局部图像为高频图像。
户外作业机器人提取出合成图像中各个局部的高频图像和局部的低频图像后,可以结合各个局部高频图像和各个局部低频图像,从而得到整体的高频图像和低频图像。从而户外作业机器人可以对高频图像进行对比度增强处理。例如,在一个实施例中,户外作业机器人可以获取高频图像与预设增益值的乘积,并根据该乘积得到增强后的高频图像。
具体地,如图3所示,图3为一个实施例中图像增强步骤的流程示意图。上述合成图像可以是在HSI颜色空间中的I颜色通道的图像。户外作业机器人将目标对象的RGB颜色空间的原始图像转换为HSI颜色空间后,可以对I颜色空间的分量进行引导滤波,确定照度图像,并进行低秩分解,将低秩分解得到的合成图像进行局部对比度增强。并结合上述H分量、S分量和I分量的图像,形成HSI颜色通道的处理后的图像,并转换至RGB颜色空间,得到上述目标图像。
其中,上述合成图像的动态范围被压缩,图像的对比度较低,图像表现偏灰白,因此户外作业机器人需要对图像的对比度进行增加。并且对图像进行局部的对比度增强能有效扩展动态范围。户外作业机器人可以使用自适应对比度增强方法对图像进行局部对比度处理。例如,户外作业机器人可以使用反锐化掩膜,将图像分为高频部分和低频部分,对代表细节信息的高频部分进行增强。增强时,户外作业机器人可以将高频部分与特定的增益值相乘,对高频信息进行放大,最后得到增强的图像,即上述增强后的高频图像。图像的高频信息可以由原图像减去低频部分得到,低频信息可以通过计算像素中心的局部均值得到。
具体地,计算局部对比度增强时,户外作业机器人可以令图像的像素值为f(i,j),局部区域是以(i,j)为中心,窗口大小为(2n+1)*(2n+1)的区域,即上述局部窗口。局部平均值,即上述每个局部图像的像素平均值可以表示为户外作业机器人还可以确定每个局部窗口中的方差/>
户外作业机器人对每个局部窗口中的高频图像进行增强时的函数可以如下所示:h(i,j)=Mij+[θ/(σx(i,j))]|f(i,j)-Mij|。其中,h(i,j)表示增强后的高频图像中的像素值,基于多个h(i,j),户外作业机器人可以得到上述增强后的高频图像;θ是一个常数,高频部分的增强时自适应,与局部标准差成反比。为了防止像素饱和现象,户外作业机器人可以令θ取全局像素值的平均值,且满足θ/(σx(i,j))≤3。
通过本实施例,户外作业机器人可以基于像素均值分离高频图像信息和低频图像信息,并对高频图像进行增强,提高了目标对象的图像的清晰度。
应该理解的是,虽然如上的各实施例所涉及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,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的户外作业机器人的图像获取方法的户外作业机器人的图像获取装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个户外作业机器人的图像获取装置实施例中的具体限定可以参见上文中对于户外作业机器人的图像获取方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种户外作业机器人的图像获取装置,包括:启动模块500、获取模块502、去噪模块504和处理模块506,其中:
启动模块500,用于获取目标对象所在位置的光照强度,根据光照强度启动对应的光照调整设备。
获取模块502,用于在光照调整设备调整后得到的光照强度下对目标对象进行拍摄,获取目标对象对应的待处理图像。
去噪模块504,用于获取待处理图像对应的照度图像和反射图像,对照度图像进行去噪后,根据去噪后的照度图像和反射图像得到去噪后的合成图像。
处理模块506,用于获取去噪后的合成图像中的高频图像和低频图像,对高频图像进行对比度增强处理后,根据增强后的高频图像和低频图像,得到目标对象的目标图像。
在一个实施例中,上述启动模块500,具体用于获取预设纯色板在预设光照强度下的标准纯色图像,并获取标准纯色图像的第一像素均值;预设光照强度表征使标准纯色图像清晰度最高的光照强度;在目标对象所在位置,获取预设纯色板对应的测试纯色图像,并获取测试纯色图像的第二像素均值;获取第一像素均值和第二像素均值的差值,根据差值以及预设差值阈值,确定目标对象所在位置的光照强度。
在一个实施例中,上述启动模块500,具体用于若第一像素均值大于第二像素均值,且差值大于预设差值阈值,确定启动遮光板,以降低目标对象所在位置的光照强度;若第二像素均值大于第一像素均值,且差值大于预设差值阈值,确定启动照明灯,以增加目标对象所在位置的光照强度。
在一个实施例中,上述获取模块502,具体用于在光照调整设备调整后得到的光照强度下对目标对象进行拍摄,获取目标对象在RGB颜色空间的原始图像;将RGB颜色空间的原始图像转换为HSI颜色空间的图像,并获取HSI颜色空间的图像中I颜色通道的图像,作为待处理图像。
在一个实施例中,上述去噪模块504,具体用于根据预设的引导图像、预设大小的滤波窗口以及滤波窗口对应的系数,确定照度图像对应的滤波函数;根据预设的引导图像、预设大小的滤波窗口、滤波窗口对应的系数、各滤波窗口内的待处理图像以及预设的正则化参数,确定预设的代价函数;根据最小二乘法以及代价函数,拟合滤波函数,并获取滤波函数输出的照度图像;根据待处理图像的像素值与照度图像的像素值的比值,得到反射图像。
在一个实施例中,上述去噪模块504,具体用于根据照度图像对应的低秩矩阵以及预设的稀疏误差矩阵,生成低秩矩阵分解函数;获取低秩矩阵分解函数的函数值最小时,低秩矩阵对应的低秩分量,根据低秩分量得到去噪后的照度图像。
在一个实施例中,上述去噪模块504,具体用于根据去噪后的照度图像的像素值和反射图像的像素值的乘积,得到去噪后的合成图像。
在一个实施例中,上述处理模块506,具体用于根据预设大小的局部窗口,遍历去噪后的合成图像,得到多个局部图像;针对每个局部图像,获取该局部图像对应的像素值平均值,若像素平均值小于预设像素值阈值,确定该局部图像为低频图像,若像素平均值大于或等于预设像素值阈值,确定该局部图像为高频图像。
在一个实施例中,上述处理模块506,具体用于根据高频图像与预设增益值的乘积,得到增强后的高频图像。
在一个实施例中,上述处理模块506,具体用于融合增强后的高频图像和低频图像,得到I颜色通道的第一融合图像;获取待处理图像对应的在H颜色通道的第一分量图像和S颜色通道的第二分量图像;融合第一分量图像、第二分量图像和第一融合图像,得到第二融合图像;将第二融合图像转换为RGB颜色空间下的图像,得到目标对象的目标图像。
上述户外作业机器人的图像获取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户外作业机器人,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、通信接口、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。该计算机设备的通信接口用于与外部的户外作业机器人进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种户外作业机器人的图像获取方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。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,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述的户外作业机器人的图像获取方法。
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的户外作业机器人的图像获取方法。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的户外作业机器人的图像获取方法。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种户外作业机器人的图像获取方法,其特征在于,应用于户外作业机器人,所述方法包括:
获取目标对象所在位置的光照强度,根据所述光照强度启动对应的光照调整设备;
在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象对应的待处理图像;
获取所述待处理图像对应的照度图像和反射图像,对所述照度图像进行去噪后,根据去噪后的照度图像和所述反射图像得到去噪后的合成图像;
获取所述去噪后的合成图像中的高频图像和低频图像,对所述高频图像进行对比度增强处理后,根据增强后的高频图像和所述低频图像,得到所述目标对象的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述获取目标对象所在位置的光照强度,包括:
获取预设纯色板在预设光照强度下的标准纯色图像,并获取所述标准纯色图像的第一像素均值;所述预设光照强度表征使所述标准纯色图像清晰度最高的光照强度;
在所述目标对象所在位置,获取所述预设纯色板对应的测试纯色图像,并获取所述测试纯色图像的第二像素均值;
获取所述第一像素均值和所述第二像素均值的差值,根据所述差值以及预设差值阈值,确定所述目标对象所在位置的光照强度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述光照强度启动对应的光照调整设备,包括:
若所述第一像素均值大于所述第二像素均值,且所述差值大于所述预设差值阈值,确定启动遮光板,以降低所述目标对象所在位置的光照强度;
若所述第二像素均值大于所述第一像素均值,且所述差值大于所述预设差值阈值,确定启动照明灯,以增加所述目标对象所在位置的光照强度。
4.根据权利要求1所述的方法,其特征在于,所述在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象对应的待处理图像,包括:
在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象在RGB颜色空间的原始图像;
将所述RGB颜色空间的原始图像转换为HSI颜色空间的图像,并获取所述HSI颜色空间的图像中I颜色通道的图像,作为待处理图像。
5.根据权利要求1所述的方法,其特征在于,所述获取所述待处理图像对应的照度图像和反射图像,包括:
根据预设的引导图像、预设大小的滤波窗口以及所述滤波窗口对应的系数,确定照度图像对应的滤波函数;
根据预设的引导图像、预设大小的滤波窗口、所述滤波窗口对应的系数、各滤波窗口内的待处理图像以及预设的正则化参数,确定预设的代价函数;
根据最小二乘法以及所述代价函数,拟合所述滤波函数,并获取所述滤波函数输出的照度图像;
根据所述待处理图像的像素值与所述照度图像的像素值的比值,得到反射图像。
6.根据权利要求1所述的方法,其特征在于,所述对所述照度图像进行去噪,包括:
根据所述照度图像对应的低秩矩阵以及预设的稀疏误差矩阵,生成低秩矩阵分解函数;
获取所述低秩矩阵分解函数的函数值最小时,所述低秩矩阵对应的低秩分量,根据所述低秩分量得到去噪后的照度图像;
所述根据去噪后的照度图像和所述反射图像得到去噪后的合成图像,包括:
根据去噪后的照度图像的像素值和所述反射图像的像素值的乘积,得到去噪后的合成图像。
7.根据权利要求1所述的方法,其特征在于,所述获取所述去噪后的合成图像中的高频图像和低频图像,包括:
根据预设大小的局部窗口,遍历所述去噪后的合成图像,得到多个局部图像;
针对每个局部图像,获取该局部图像对应的像素值平均值,若所述像素平均值小于预设像素值阈值,确定该局部图像为低频图像,若所述像素平均值大于或等于预设像素值阈值,确定该局部图像为高频图像;
所述对所述高频图像进行对比度增强处理,包括:
根据所述高频图像与预设增益值的乘积,得到增强后的高频图像。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述增强后的高频图像和所述低频图像均为HSI颜色空间中I颜色通道的图像;
所述根据增强后的高频图像和所述低频图像,得到所述目标对象的目标图像,包括:
融合所述增强后的高频图像和所述低频图像,得到I颜色通道的第一融合图像;
获取所述待处理图像对应的在H颜色通道的第一分量图像和S颜色通道的第二分量图像;
融合所述第一分量图像、所述第二分量图像和所述第一融合图像,得到第二融合图像;
将所述第二融合图像转换为RGB颜色空间下的图像,得到所述目标对象的目标图像。
9.一种户外作业机器人的图像获取装置,其特征在于,应用于户外作业机器人,所述装置包括:
启动模块,用于获取目标对象所在位置的光照强度,根据所述光照强度启动对应的光照调整设备;
获取模块,用于在所述光照调整设备调整后得到的光照强度下对所述目标对象进行拍摄,获取所述目标对象对应的待处理图像;
去噪模块,用于获取所述待处理图像对应的照度图像和反射图像,对所述照度图像进行去噪后,根据去噪后的照度图像和所述反射图像得到去噪后的合成图像;
处理模块,用于获取所述去噪后的合成图像中的高频图像和低频图像,对所述高频图像进行对比度增强处理后,根据增强后的高频图像和所述低频图像,得到所述目标对象的目标图像。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737663.0A CN116684739A (zh) | 2023-06-20 | 2023-06-20 | 户外作业机器人的图像获取方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737663.0A CN116684739A (zh) | 2023-06-20 | 2023-06-20 | 户外作业机器人的图像获取方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116684739A true CN116684739A (zh) | 2023-09-01 |
Family
ID=87790749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310737663.0A Pending CN116684739A (zh) | 2023-06-20 | 2023-06-20 | 户外作业机器人的图像获取方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116684739A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100303372A1 (en) * | 2007-07-26 | 2010-12-02 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
CN107454317A (zh) * | 2017-07-27 | 2017-12-08 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN110706180A (zh) * | 2019-10-09 | 2020-01-17 | 山东大学 | 一种极暗图像视觉质量提升方法、系统、设备及介质 |
CN211744596U (zh) * | 2020-03-31 | 2020-10-23 | 北京博清科技有限公司 | 一种提高相机环境适应性的装置 |
CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
CN112614063A (zh) * | 2020-12-18 | 2021-04-06 | 武汉科技大学 | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 |
-
2023
- 2023-06-20 CN CN202310737663.0A patent/CN116684739A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100303372A1 (en) * | 2007-07-26 | 2010-12-02 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
CN107454317A (zh) * | 2017-07-27 | 2017-12-08 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN110706180A (zh) * | 2019-10-09 | 2020-01-17 | 山东大学 | 一种极暗图像视觉质量提升方法、系统、设备及介质 |
CN211744596U (zh) * | 2020-03-31 | 2020-10-23 | 北京博清科技有限公司 | 一种提高相机环境适应性的装置 |
CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
CN112614063A (zh) * | 2020-12-18 | 2021-04-06 | 武汉科技大学 | 用于楼宇内低照度环境的图像增强和噪声自适应去除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jian et al. | Multi-scale image fusion through rolling guidance filter | |
Jiang et al. | Unsupervised decomposition and correction network for low-light image enhancement | |
Li et al. | Visual-salience-based tone mapping for high dynamic range images | |
CN112767289A (zh) | 图像融合方法、装置、介质及电子设备 | |
Liu et al. | Survey of natural image enhancement techniques: Classification, evaluation, challenges, and perspectives | |
CN111080686B (zh) | 用于自然场景中图像高光去除的方法 | |
CN113658057A (zh) | 一种Swin Transformer微光图像增强方法 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
Vazquez-Corral et al. | A fast image dehazing method that does not introduce color artifacts | |
Wang et al. | Low-light image enhancement based on virtual exposure | |
Rahman et al. | Efficient image enhancement model for correcting uneven illumination images | |
Singh et al. | Anisotropic diffusion for details enhancement in multiexposure image fusion | |
Singh et al. | Weighted least squares based detail enhanced exposure fusion | |
Tang et al. | A local flatness based variational approach to retinex | |
Zhang et al. | A real-time semi-supervised deep tone mapping network | |
Wang et al. | Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition | |
Song et al. | Multi-scale joint network based on Retinex theory for low-light enhancement | |
Lei et al. | A novel intelligent underwater image enhancement method via color correction and contrast stretching✰ | |
Lei et al. | Low-light image enhancement using the cell vibration model | |
CN115035011A (zh) | 一种融合策略下自适应RetinexNet的低照度图像增强方法 | |
Wang et al. | Low-light image enhancement by deep learning network for improved illumination map | |
Zheng et al. | Windowing decomposition convolutional neural network for image enhancement | |
Tao et al. | An effective and robust underwater image enhancement method based on color correction and artificial multi-exposure fusion | |
Wang et al. | Rapid nighttime haze removal with color-gray layer decomposition | |
Lee et al. | Joint defogging and demosaicking |
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 |