CN117152182A - 一种超低照度网络相机图像处理方法、装置及电子设备 - Google Patents
一种超低照度网络相机图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117152182A CN117152182A CN202311430160.5A CN202311430160A CN117152182A CN 117152182 A CN117152182 A CN 117152182A CN 202311430160 A CN202311430160 A CN 202311430160A CN 117152182 A CN117152182 A CN 117152182A
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- low
- network camera
- segmentation
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 342
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 155
- 238000001914 filtration Methods 0.000 claims abstract description 70
- 238000012937 correction Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 20
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，揭露了一种超低照度网络相机图像处理方法、装置及电子设备，所述方法包括：将低照度网络相机图像进行图像分割，得到背景分割图像及细节分割图像；计算背景分割图像及细节分割图像的噪声标准差；根据噪声标准差对低照度网络相机图像进行平滑去噪，得到去噪图像；对去噪图像进行光照校正，得到光照校正图像；提取光照校正图像的频率分量，对频率分量进行同态滤波，得到光照增强图像；根据光照增强图像对所述低照度网络相机图像进行图像重构，得到低照度网络相机图像的目标增强图像。本发明可以提高低照度网络相机图像处理的效果。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种超低照度网络相机图像处理方法、装置及电子设备。
背景技术
伴随着信息化时代的飞速发展，有效获取信息变得至关重要。图像作为一种重要的信息媒介，在人们的日常生活和工作中扮演着重要角色，如安防监控、人脸识别、目标检测和智能驾驶等方面，特别是智能手机的拍照摄影已经与我们的生活密不可分，这些领域往往对图像的质量要求较高。然而，由于不可避免的环境因素，如夜晚、逆光等不理想的光照条件，或是受到设备缺陷与拍摄技术的限制，获取的图像存在场景内容被埋没、对比度降低、噪声污染严重和色彩不准确等诸多问题。这些特点降低了此类图像的可用性，不仅严重影响了人类的主观感受，同时也对计算机视觉系统的性能造成了极大的限制。
随着科技的进步，图像处理技术近些年来得到极大的重视和发展，在数字图像处理系统中，相机原始输入图像的质量对系统后续图像质量提升、智能分析和压缩存储等都有重要的影响。图像处理器( ISP, Image Signal Processor )作为相机系统的核心，对图像处理具有极其重要的作用。相机输出图像的质量在很大程度上决定于图像处理器的性能。ISP 对图像传感器输出的原始图像数据进行处理，包括预处理、颜色插值、自动白平衡、Gamma 校正、色彩空间转换、饱和度增强、边缘增强、自动曝光等。通过这一系列处理来提高相机的成像质量，使相机拍摄出来的照片能够对自然景物进行最大程度的还原。目前传统ISP 处理算法是分模块实现的，各个模块级按照流水线结构联构成整体的 ISP 架构。包括预处理、颜色插值、自动白平衡、Gamma 校正、色彩空间转换、饱和度增强、边缘增强、自动曝光等。但由于传感器较小、镜头相对紧凑等硬件方面的限制，导致其结构相当复杂、处理速度较慢，而且重建的图像往往会存在细节丢失、较高的噪声以及低质量的色彩渲染等问题，图片的信息无法被准确识别获取，导致对低照度图像进行图像处理的效果较差。
发明内容
本发明提供一种超低照度网络相机图像处理方法、装置及电子设备，其主要目的在于解决低照度图像在进行图像处理时效果较差的问题。
为实现上述目的，本发明提供的一种超低照度网络相机图像处理方法，包括：
获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像；
分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像；
对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像；
将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像；
根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
可选地，所述计算所述低照度网络相机图像的最优分割阈值，包括：
利用预设的初始灰度值阈值将所述低照度网络相机图像进行初始图像分割，得到初始背景分割图像及初始细节分割图像；
分别计算所述初始背景分割图像及所述初始细节分割图像的灰度值概率以及平均灰度值；
根据所述灰度值概率以及所述平均灰度值计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值；
利用如下公式计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值：其中，/>表示灰度方差值，/>，/>分别表示初始灰度值阈值为/>时初始背景分割图像以及初始细节分割图像的灰度值概率，/>，/>分别表示初始阈值为/>时初始背景分割图像以及初始细节分割图像的平均灰度值；
对所述灰度方差值进行迭代计算，选取所述灰度方差值的最大值对应的初始灰度值阈值作为所述低照度网络相机图像的最优分割阈值。
可选地，所述分别计算所述背景分割图像及所述细节分割图像的噪声标准差，包括：
分别对所述背景分割图像及所述细节分割图像进行归一化处理，得到归一化灰度图像；
计算所述归一化灰度图像、所述背景分割图像及所述细节分割图像的像素灰度值均值；
根据所述像素灰度值均值对所述背景分割图像及所述细节分割图像进行模糊均差计算，得到所述背景分割图像及所述细节分割图像的噪声标准差；
利用如下公式对所述背景分割图像及所述细节分割图像进行模糊均差计算：其中，/>表示噪声标准差，/>表示所述背景分割图像或所述细节分割图像，/>表示所述背景分割图像或所述细节分割图像中的像素点灰度值，/>表示所述背景分割图像或所述细节分割图像的像素灰度值均值，表示所述背景分割图像或所述细节分割图像对应的归一化图像的像素灰度值均值。
可选地，所述根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像，包括：
对所述低照度网络相机图像进行多尺度小波分解，得到多尺度的小波分解系数；
根据所述噪声标准差分别计算所述小波分解系数的系数阈值，根据所述系数阈值对所述小波分解系数进行平滑去噪，得到去噪系数；
利用如下公式计算所述小波分解系数的系数阈值：其中，/>表示所述去噪系数，/>表示所述噪声标准差的和，/>表示所述小波分解系数的信号长度；
根据所述去噪系数对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的去噪图像。
可选地，所述对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，包括：
将所述去噪图像转换到HSV颜色空间，在所述HSV颜色空间中提取所述去噪图像的亮度分量；
对所述亮度分量进行多尺度引导滤波，得到所述去噪图像的光照分量；
利用如下公式对所述亮度分量进行多尺度引导滤波：其中，/>表示所述去噪图像的亮度分量，/>表示第/>个引导滤波尺度，/>表示引导滤波尺度的总数，/>表示第/>个引导滤波尺度对应的权重，/>表示第/>个引导滤波尺度对应的梯度域引导滤波函数，/>表示所述亮度分量，表示第/>个引导滤波尺度对应的尺度因子，/>表示预设的滤波参数。
可选地，所述根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像，包括：
根据所述光照分量对所述去噪图像进行分解，得到所述去噪图像的反射分量；
对所述光照分量进行二维伽马变换，得到校正分量；
将所述校正分量与所述反射分量进行融合，得到所述低照度网络相机的光照校正图像。
可选地，所述对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像，包括：
计算所述频率域分量中每个频率点到频率中心的欧式距离；
获取预设的同态滤波函数对应的截止频率，根据所述截止频率及所述欧式距离将所述频率域分量划分为高频分量及低频分量；
所述同态滤波函数如下式所示：其中，/>表示频率滤波结果，/>，/>分别表示预设的低频增益系数及高频增益系数，，/>分别表示低频分量中频率点到频率中心的欧式距离及高频分量中频率点到频率中心的欧式距离，/>，/>分别表示所述截止频率中的第一截止频率及第二截止频率，表示预设的调节参数，/>表示自然常数；
利用所述同态滤波函数对所述高频分量及所述低频分量进行滤波，得到频率滤波结果，根据所述频率滤波结果确定低照度网络相机图像的光照增强图像。
可选地，所述根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像，包括：
利用预设的卷积网络提取所述光照增强图像的初级特征；
分别对所述初级特征进行平滑拓展卷积及注意力特征卷积，得到平滑卷积特征及注意力卷积特征；
对所述平滑卷积特征及所述注意力卷积特征进行特征融合，得到融合特征；
对所述融合特征进行残差重构，得到所述低照度网络相机图像的目标增强图像。
为了解决上述问题，本发明还提供一种超低照度网络相机图像处理装置，所述装置包括：
图像分割模块，用于获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像；
平滑去噪模块，用于分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像；
光照校正模块，用于对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像；
光照增强模块，用于将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像；
图像重构模块，用于根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的超低照度网络相机图像处理方法。
本发明实施例通过将低照度网络相机图像进行图像分割，能够得到代表图像背景以及代表图像细节的分割图像，从而更好的反应低照度图像中像素亮度的变化，避免亮度特性出现混淆，提高后续图像处理的准确度；通过分割图像的噪声标准差计算低照度网络相机图像的系数阈值以对小波分解系数进行平滑去噪，能够得到与真实噪声标准差之间更为接近的系数阈值，得到去噪效果更好的去噪图像；再对去噪图像进行亮度校正以及同态滤波，能够展现更多的图像细节，改善光照不均的缺陷，同时更好地压缩图像的亮度范围和提升对比度，得到图像光照效果更优的光照增强图像；最后对低照度网络相机图像进行图像重构，能够进一步地对复原出低照度网络相机图像中更多的颜色细节，同时提高对低照度网络相机图像进行图像处理的稳定性，进一步提高对低照度网络相机图像进行图像处理的效果。因此本发明提出的超低照度网络相机图像处理方法、装置及电子设备，可以解决对低照度图像进行图像处理时效果的问题。
附图说明
图1为本发明一实施例提供的超低照度网络相机图像处理方法的流程示意图；
图2为本发明一实施例提供的计算背景分割图像及细节分割图像的噪声标准差的流程示意图；
图3为本发明一实施例提供的对低照度网络相机图像进行平滑去噪的流程示意图；
图4为本发明一实施例提供的超低照度网络相机图像处理装置的功能模块图；
图5为本发明一实施例提供的实现所述超低照度网络相机图像处理方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种超低照度网络相机图像处理方法。所述超低照度网络相机图像处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述超低照度网络相机图像处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的超低照度网络相机图像处理方法的流程示意图。在本实施例中，所述超低照度网络相机图像处理方法包括：
S1、获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像。
本发明实施例中，低照度网络相机图像是需要进行图像处理的超低照度图像，通过计算最优分割阈值将低照度网络图像中的像素进行分割，得到低照度图像中表示图像背景的背景分割图像以及表示图像细节的细节分割图像。
本发明实施例中，所述计算所述低照度网络相机图像的最优分割阈值，包括：
利用预设的初始灰度值阈值将所述低照度网络相机图像进行初始图像分割，得到初始背景分割图像及初始细节分割图像；
分别计算所述初始背景分割图像及所述初始细节分割图像的灰度值概率以及平均灰度值；
根据所述灰度值概率以及所述平均灰度值计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值；
对所述灰度方差值进行迭代计算，选取所述灰度方差值的最大值对应的初始灰度值阈值作为所述低照度网络相机图像的最优分割阈值。
本发明实施例中，初始灰度值阈值是图像像素灰度值中的任一像素灰度值，通过初始灰度值将低照度相机中的像素点进行分类，得到像素点灰度值大于或等于初始灰度值阈值的初始背景分割图像以及像素点灰度值小于初始灰度值阈值的初始细节分割图像。
本发明实施例中，灰度值概率是低照度网络相机图像中的像素点被分类到初始背景分割图像以及初始细节分割图像中的概率，灰度平均值是初始背景分割图像以及初始细节分割图像中像素点灰度值的平均值。
本发明实施例中，所述根据所述灰度值概率以及所述平均灰度值计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值，包括：
利用如下公式计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值：其中，/>表示灰度方差值，/>，/>分别表示初始灰度值阈值为时初始背景分割图像以及初始细节分割图像的灰度值概率，/>，/>分别表示初始阈值为时初始背景分割图像以及初始细节分割图像的平均灰度值。
本发明实施例中，通过计算初始背景分割图像与初始细节分割图像之间的灰度方差值，能够反应初始背景分割图像与初始细节分割图像中像素点灰度值分布的均匀性，灰度方差值越大，表示低照度网络相机图像的背景与细节分割的越精确，因此，通过遍历[0,255]的灰度值对灰度方差值进行迭代计算，选取灰度方差值最大值对应的灰度值作为最优分割阈值。
本发明实施例中，通过最优分割阈值能够将低照度网络相机图像中像素点进行分类，将像素点灰度值大于或等于最优分割阈值的像素点作为背景分割图像的像素点，将像素点灰度值小于最优分割阈值的像素点作为细节分割图像的像素点，其余的像素点进行二值化填充，例如，背景分割图像中的其他像素点用像素值0填充，细节分割图像中的其他像素点用像素值255填充，从而将低照度网络相机图像进行图像分割，以更好的反应低照度图像中像素亮度的变化，避免亮度特性出现混淆，从而提高后续图像处理的准确度。
S2、分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像。
本发明实施例中，由于背景分割图像以及细节分割图像会由于噪声的加入导致像素灰度值出现变化，同时由于像素灰度值的变化原因可能是像素灰度值存在模糊性，因此，需要分别计算背景分割图像以及细节分割图像的模糊均差作为噪声标准差，以更精确地对低照度网络相机图像进行去噪，得到去噪效果更好的去噪图像。
本发明实施例中，参阅图2所示，所述分别计算所述背景分割图像及所述细节分割图像的噪声标准差，包括：
S21、分别对所述背景分割图像及所述细节分割图像进行归一化处理，得到归一化灰度图像；
S22、计算所述归一化灰度图像、所述背景分割图像及所述细节分割图像的像素灰度值均值；
S23、根据所述像素灰度值均值对所述背景分割图像及所述细节分割图像进行模糊均差计算，得到所述背景分割图像及所述细节分割图像的噪声标准差。
本发明实施例中，所述根据所述像素灰度值均值对所述背景分割图像及所述细节分割图像进行模糊均差计算，得到所述背景分割图像及所述细节分割图像的噪声标准差，包括：
利用如下公式对所述背景分割图像及所述细节分割图像进行模糊均差计算：其中，/>表示噪声标准差，/>表示所述背景分割图像或所述细节分割图像，/>表示所述背景分割图像或所述细节分割图像中的像素点灰度值，/>表示所述背景分割图像或所述细节分割图像的像素灰度值均值，表示所述背景分割图像或所述细节分割图像对应的归一化灰度图像的像素灰度值均值。
本发明实施例中，平滑去噪是对低照度网络相机图像进行小波阈值去噪，通过噪声标准差计算小波阈值去噪的阈值，得到更精确地去噪阈值，从而提高平滑去噪的效果。
本发明实施例中，参阅图3所示，所述根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像，包括：
S31、对所述低照度网络相机图像进行多尺度小波分解，得到多尺度的小波分解系数；
S32、根据所述噪声标准差分别计算所述小波分解系数的系数阈值，根据所述系数阈值对所述小波分解系数进行平滑去噪，得到去噪系数；
S33、根据所述去噪系数对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的去噪图像。
本发明实施例中，多尺度小波分解是利用小波基函数对低照度网络相机图像进行多层小波分解，得到多尺度的小波分解系数，其中，小波分解系数中包括高频信号分量以及低频信号分量，低频信号分量代表低照度网络相机图像中的图像细节，因此，认为低频信号分量由低照度网络相机图像的信号引起，不需要进行去噪。高频信号分量代表低照度网络相机图像中的图像整体，则可能存在噪声引起的小波分解系数。
具体地，本发明实施例中，每个尺度的高频信号分量对应的小波分解系数若大于或等于系数阈值，则表示由低照度网络相机图像的信号引起，保留对应的小波分解系数，高频信号分量对应的小波分解系数若小于系数阈值，表示此时高频信号分量对应的小波分解系数由噪声引起，需要将对应的小波分解系数去除，实现图像的平滑去噪。
本发明实施例中，所述根据所述噪声标准差分别计算所述小波分解系数的系数阈值，包括：
利用如下公式计算所述小波分解系数的系数阈值：其中，表示所述去噪系数，/>表示所述噪声标准差的和，/>表示所述小波分解系数的信号长度。
本发明实施例中，通过背景分割图像以及细节分割图像的噪声标准差计算低照度网络相机图像的系数阈值以对小波分解系数进行平滑去噪，能够得到与真实噪声标准差之间更为接近的系数阈值，从而对每个尺度的小波分解系数进行平滑去噪，得到去噪系数，对去噪系数进行逆小波运算，得到去噪效果更好的去噪图像。
S3、对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像。
本发明实施例中，低照度网络相机图像通常会存在图像整体光照较弱，或者光照区域仅存在于图像中的某一部分，导致图像的亮度、对比度较低以及颜色欠饱和等问题，进一步影响低照度网络图像的图像质量以及图像视觉效果，因此，在对低照度网络图像进行平滑去噪后，需要进一步地对低照度网络图像中的光照分量进行校正，以消除光照不均对低照度网络图像的影响。
本发明实施例中，所述对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，包括：
将所述去噪图像转换到HSV颜色空间，在所述HSV颜色空间中提取所述去噪图像的亮度分量；
对所述亮度分量进行多尺度引导滤波，得到所述去噪图像的光照分量。
本发明实施例中，HSV颜色空间包括Hue（色调、色相）分量、Saturation（颜色饱和度）分量以及Value（亮度）分量，因此，能够在HSV颜色空间中提取去噪图像的Value（亮度）分量。
本发明实施例中，对亮度分量进行多尺度引导滤波是利用多个尺度因子的梯度域引导滤波函数对亮度分量进行滤波，以充分融合每个尺度因子得到的光照分量特征，进而提取到去噪图像的亮度分量。
本发明实施例中，所述对所述亮度分量进行多尺度引导滤波，得到所述去噪图像的光照分量，包括：
利用如下公式对所述亮度分量进行多尺度引导滤波：其中，/>表示所述去噪图像的亮度分量，表示第/>个引导滤波尺度，/>表示引导滤波尺度的总数，/>表示第/>个引导滤波尺度对应的权重，/>表示第/>个引导滤波尺度对应的梯度域引导滤波函数，/>表示所述亮度分量，/>表示第/>个引导滤波尺度对应的尺度因子，/>表示预设的滤波参数。
本发明实施例中，通过HSV颜色空间可以能够非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比，并利用多个不同尺度因子来对低照度网络相机图像进行滤波，可以更好地识别高方差区域边缘，从而进行保留和平滑，使多尺度滤波效果达到最佳，得到更精确的光照分量。
本发明实施例中，所述根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像，包括：
根据所述光照分量对所述去噪图像进行分解，得到所述去噪图像的反射分量；
对所述光照分量进行二维伽马变换，得到校正分量；
将所述校正分量与所述反射分量进行融合，得到所述低照度网络相机的光照校正图像。
本发明实施例中，Retinex图像分解理论能够将图像分解为光照分量以及反射分量，因此，基于Retinex图像分解理论能够对去噪图像进行分解，得到去噪图像的反射分量，对光照分量进行校正后，再基于Retinex图像分解理论将校正分量与反射分量进行融合，得到光照校正图像。
本发明实施例中，通过二维的自适应伽马变换对光照分量进行校正，能够对光照分量上的每个点进行调整，对高亮度区域进行压缩，对低亮度区域进行提升，从而展现更多的图像细节，改善了低照度网络相机图像中光照不均的缺陷，提高了低照度网络相机图像的图像处理的效果。
S4、将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像。
本发明实施例中，可以通过傅里叶变换等图像转换方法将光照校正图像转换到频率域，得到频率分量，以避免在空间域直接对像素点进行操作而导致图像失真，从而对频率分量进行同态滤波，以对光照校正图像进行亮度补偿，得到光照增强图像。
本发明实施例中，所述对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像，包括：
计算所述频率域分量中每个频率点到频率中心的欧式距离；
获取预设的同态滤波函数对应的截止频率，根据所述截止频率及所述欧式距离将所述频率域分量划分为高频分量及低频分量；
利用所述同态滤波函数对所述高频分量及所述低频分量进行滤波，得到频率滤波结果，根据所述频率滤波结果确定低照度网络相机图像的光照增强图像。
本发明实施例中，不同的滤波函数具有不同的截止频率，本发明实施例利用改进的高斯型同态滤波函数进行同态滤波，其中，同态滤波函数中具有数值较小的第一截止频率以及数值较大的第二截止频率。欧式距离小于第一截止频率的频率点为低频分量，欧式距离大于第二截止频率的频率点为高频分量，从而能够对低频分量即光照校正图像的光照信息进行抑制，对高频分量对应的图像细节信息进行提升，以对光照校正图像进行光照补偿，同时更好地压缩图像的亮度范围和提升对比度，展现更多暗区域的图像细节。
本发明实施例中，所述同态滤波函数如下式所示：其中，/>表示频率滤波结果，/>，/>分别表示预设的低频增益系数及高频增益系数，/>，/>分别表示低频分量中频率点到频率中心的欧式距离及高频分量中频率点到频率中心的欧式距离，/>，/>分别表示所述截止频率中的第一截止频率及第二截止频率，/>表示预设的调节参数，/>表示自然常数。
本发明实施例中，通过同态滤波函数能够对低频信息进行抑制，对高频信息进行提升，同时对介于高低频中间的频率点保持不变，得到频率滤波结果，根据高频分量及低频分量对应的频率滤波结果以及介于高低频中间的频率点转换至空间域，得到光照增强图像。
本发明实施例中，通过对频率分量进行同态滤波，能够对光照信息进行抑制，对图像细节信息进行提升，以对光照校正图像进行光照补偿，同时更好地压缩图像的亮度范围和提升对比度，得到图像光照效果更优的光照增强图像。
S5、根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
本发明实施例中，图像重构是通过提取光照增强图像中的图像特征对低照度网络相机图像进行图像重构，以复原出低照度网络图像中更多的颜色细节，进一步地提高低照度网络图像处理的效果。
本发明实施例中，所述根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像，包括：
利用预设的卷积网络提取所述光照增强图像的初级特征；
分别对所述初级特征进行平滑拓展卷积及注意力特征卷积，得到平滑卷积特征及注意力卷积特征；
对所述平滑卷积特征及所述注意力卷积特征进行特征融合，得到融合特征；
对所述融合特征进行残差重构，得到所述低照度网络相机图像的目标增强图像。
本发明实施例中，可以利用预训练完成的重构神经网络对低照度网络相机图像进行图像重构，其中，重构神经网络中包括初级特征提取模块，卷积模块以及残差重构模块。具体地，初级特征提取模块中包括多个卷积层进行图像卷积，得到初级特征；卷积模块包括提取平滑卷积特征的平滑拓展卷积模块以及提取注意力卷积特征的注意力层，其中，平滑拓展卷积模块中包括深度可分离卷积层（DeepSeparable_block）将图像局部信息进行合并以及多层扩展率不同的扩展卷积层，并利用通道注意力机制为每个扩展卷积层赋予不同的权重，进而提取到平滑卷积特征；注意力层中可以包括3组卷积注意力模块（ConvolutionalBlock Attention Module，CBAM）和一个卷积层以进行注意力特征提取。
本发明实施例中，特征融合是通过平滑卷积特征及注意力卷积特征的卷积通道进行通道堆叠得到融合特征，通过多个卷积层组成的残差重构模块对融合特征进行残差重构，得到目标增强图像，例如，利用卷积核数分别为 16、16 和3的卷积层提取融合特征的特征，并在最后一层后添加一个残差块，利用sigmoid激活函数进行特征激活，得到重构得到的目标增强图像。
本发明实施例中，通过对低照度网络相机图像进行图像重构，能够进一步地对复原出低照度网络相机图像中更多的颜色细节，同时提高对低照度网络相机图像进行图像处理的稳定性，进一步提高对低照度网络相机图像进行图像处理的效果。
本发明实施例通过将低照度网络相机图像进行图像分割，能够得到代表图像背景以及代表图像细节的分割图像，从而更好的反应低照度图像中像素亮度的变化，避免亮度特性出现混淆，提高后续图像处理的准确度；通过分割图像的噪声标准差计算低照度网络相机图像的系数阈值以对小波分解系数进行平滑去噪，能够得到与真实噪声标准差之间更为接近的系数阈值，得到去噪效果更好的去噪图像；再对去噪图像进行亮度校正以及同态滤波，能够展现更多的图像细节，改善光照不均的缺陷，同时更好地压缩图像的亮度范围和提升对比度，得到图像光照效果更优的光照增强图像；最后对低照度网络相机图像进行图像重构，能够进一步地对复原出低照度网络相机图像中更多的颜色细节，同时提高对低照度网络相机图像进行图像处理的稳定性，进一步提高对低照度网络相机图像进行图像处理的效果。因此本发明提出的超低照度网络相机图像处理方法，可以解决对低照度图像进行图像处理时效果的问题。
如图4所示，是本发明一实施例提供的超低照度网络相机图像处理装置的功能模块图。
本发明所述超低照度网络相机图像处理装置400可以安装于电子设备中。根据实现的功能，所述超低照度网络相机图像处理装置400可以包括图像分割模块401、平滑去噪模块402、光照校正模块403、光照增强模块404及图像重构模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像分割模块401，用于获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像；
所述平滑去噪模块402，用于分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像；
所述光照校正模块403，用于对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像；
所述光照增强模块404，用于将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像；
所述图像重构模块405，用于根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
详细地，本发明实施例中所述超低照度网络相机图像处理装置400中所述的各模块在使用时采用与上述图1至图3中所述的超低照度网络相机图像处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现超低照度网络相机图像处理方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如超低照度网络相机图像处理方法程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块（例如执行超低照度网络相机图像处理方法程序等），以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如超低照度网络相机图像处理方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器501逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的超低照度网络相机图像处理方法程序是多个指令的组合，在所述处理器501中运行时，可以实现：
获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像；
分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像；
对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像；
将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像；
根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种超低照度网络相机图像处理方法，其特征在于，所述方法包括：
获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像；
分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像；
对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像；
将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像；
根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
2.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述计算所述低照度网络相机图像的最优分割阈值，包括：
利用预设的初始灰度值阈值将所述低照度网络相机图像进行初始图像分割，得到初始背景分割图像及初始细节分割图像；
分别计算所述初始背景分割图像及所述初始细节分割图像的灰度值概率以及平均灰度值；
根据所述灰度值概率以及所述平均灰度值计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值；
利用如下公式计算所述初始背景分割图像及所述初始细节分割图像之间的灰度方差值：其中，/>表示灰度方差值，，/>分别表示初始灰度值阈值为时初始背景分割图像以及初始细节分割图像的灰度值概率，/>，/>分别表示初始阈值为/>时初始背景分割图像以及初始细节分割图像的平均灰度值；
对所述灰度方差值进行迭代计算，选取所述灰度方差值的最大值对应的初始灰度值阈值作为所述低照度网络相机图像的最优分割阈值。
3.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述分别计算所述背景分割图像及所述细节分割图像的噪声标准差，包括：
分别对所述背景分割图像及所述细节分割图像进行归一化处理，得到归一化灰度图像；
计算所述归一化灰度图像、所述背景分割图像及所述细节分割图像的像素灰度值均值；
根据所述像素灰度值均值对所述背景分割图像及所述细节分割图像进行模糊均差计算，得到所述背景分割图像及所述细节分割图像的噪声标准差；
利用如下公式对所述背景分割图像及所述细节分割图像进行模糊均差计算：其中，/>表示噪声标准差，/>表示所述背景分割图像或所述细节分割图像，/>表示所述背景分割图像或所述细节分割图像中的像素点灰度值，/>表示所述背景分割图像或所述细节分割图像的像素灰度值均值，表示所述背景分割图像或所述细节分割图像对应的归一化灰度图像的像素灰度值均值。
4.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像，包括：
对所述低照度网络相机图像进行多尺度小波分解，得到多尺度的小波分解系数；
根据所述噪声标准差分别计算所述小波分解系数的系数阈值，根据所述系数阈值对所述小波分解系数进行平滑去噪，得到去噪系数；
利用如下公式计算所述小波分解系数的系数阈值：其中，/>表示所述去噪系数，/>表示所述噪声标准差的和，/>表示所述小波分解系数的信号长度；
根据所述去噪系数对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的去噪图像。
5.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，包括：
将所述去噪图像转换到HSV颜色空间，在所述HSV颜色空间中提取所述去噪图像的亮度分量；
对所述亮度分量进行多尺度引导滤波，得到所述去噪图像的光照分量；
利用如下公式对所述亮度分量进行多尺度引导滤波：其中，/>表示所述去噪图像的亮度分量，表示第/>个引导滤波尺度，/>表示引导滤波尺度的总数，/>表示第/>个引导滤波尺度对应的权重，/>表示第/>个引导滤波尺度对应的梯度域引导滤波函数，/>表示所述亮度分量，/>表示第/>个引导滤波尺度对应的尺度因子，/>表示预设的滤波参数。
6.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像，包括：
根据所述光照分量对所述去噪图像进行分解，得到所述去噪图像的反射分量；
对所述光照分量进行二维伽马变换，得到校正分量；
将所述校正分量与所述反射分量进行融合，得到所述低照度网络相机的光照校正图像。
7.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像，包括：
计算所述频率域分量中每个频率点到频率中心的欧式距离；
获取预设的同态滤波函数对应的截止频率，根据所述截止频率及所述欧式距离将所述频率域分量划分为高频分量及低频分量；
所述同态滤波函数如下式所示：其中，表示频率滤波结果，/>，/>分别表示预设的低频增益系数及高频增益系数，/>，分别表示低频分量中频率点到频率中心的欧式距离及高频分量中频率点到频率中心的欧式距离，/>，/>分别表示所述截止频率中的第一截止频率及第二截止频率，/>表示预设的调节参数，/>表示自然常数；
利用所述同态滤波函数对所述高频分量及所述低频分量进行滤波，得到频率滤波结果，根据所述频率滤波结果确定低照度网络相机图像的光照增强图像。
8.如权利要求1所述的超低照度网络相机图像处理方法，其特征在于，所述根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像，包括：
利用预设的卷积网络提取所述光照增强图像的初级特征；
分别对所述初级特征进行平滑拓展卷积及注意力特征卷积，得到平滑卷积特征及注意力卷积特征；
对所述平滑卷积特征及所述注意力卷积特征进行特征融合，得到融合特征；
对所述融合特征进行残差重构，得到所述低照度网络相机图像的目标增强图像。
9.一种超低照度网络相机图像处理装置，其特征在于，所述装置包括：
图像分割模块，用于获取低照度网络相机图像，计算所述低照度网络相机图像的最优分割阈值，根据所述最优分割阈值对所述低照度网络相机图像进行图像分割，得到所述低照度网络相机图像的背景分割图像及细节分割图像；
平滑去噪模块，用于分别计算所述背景分割图像及所述细节分割图像的噪声标准差，根据所述噪声标准差对所述低照度网络相机图像进行平滑去噪，得到所述低照度网络相机图像的去噪图像；
光照校正模块，用于对所述去噪图像进行多尺度滤波，得到所述去噪图像的光照分量，根据所述光照分量对所述去噪图像进行光照校正，得到所述低照度网络相机图像的光照校正图像；
光照增强模块，用于将所述光照校正图像转化到频率域，得到所述光照校正图像的频率分量，对所述频率分量进行同态滤波，得到所述低照度网络相机图像的光照增强图像；
图像重构模块，用于根据所述光照增强图像对所述低照度网络相机图像进行图像重构，得到所述低照度网络相机图像的目标增强图像。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的超低照度网络相机图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430160.5A CN117152182B (zh) | 2023-10-31 | 2023-10-31 | 一种超低照度网络相机图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430160.5A CN117152182B (zh) | 2023-10-31 | 2023-10-31 | 一种超低照度网络相机图像处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152182A true CN117152182A (zh) | 2023-12-01 |
| CN117152182B CN117152182B (zh) | 2024-02-20 |
Family
ID=88908506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311430160.5A Active CN117152182B (zh) | 2023-10-31 | 2023-10-31 | 一种超低照度网络相机图像处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152182B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409263A (zh) * | 2023-12-15 | 2024-01-16 | 成都时代星光科技有限公司 | 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
| WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
| US20180182074A1 (en) * | 2015-06-26 | 2018-06-28 | Peking University Shenzhen Graduate School | Low-illumination image processing method and device |
| CN110276729A (zh) * | 2019-06-10 | 2019-09-24 | 浙江工业大学 | 一种低照度彩色图像的增强方法 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN114155161A (zh) * | 2021-11-01 | 2022-03-08 | 富瀚微电子(成都)有限公司 | 图像去噪方法、装置、电子设备与存储介质 |
| WO2022110712A1 (zh) * | 2020-11-30 | 2022-06-02 | 平安科技（深圳）有限公司 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
-
2023
- 2023-10-31 CN CN202311430160.5A patent/CN117152182B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
| US20180182074A1 (en) * | 2015-06-26 | 2018-06-28 | Peking University Shenzhen Graduate School | Low-illumination image processing method and device |
| WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN110276729A (zh) * | 2019-06-10 | 2019-09-24 | 浙江工业大学 | 一种低照度彩色图像的增强方法 |
| WO2022110712A1 (zh) * | 2020-11-30 | 2022-06-02 | 平安科技（深圳）有限公司 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
| CN114155161A (zh) * | 2021-11-01 | 2022-03-08 | 富瀚微电子(成都)有限公司 | 图像去噪方法、装置、电子设备与存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| RAYAN AL SOBBAHI ET AL.: "Low-Light Homomorphic Filtering Network for integrating image enhancement and classification", 《SIGNAL PROCESSING: IMAGE COMMUNICATION 100 (2022)》, 12 October 2021 (2021-10-12), pages 1 - 12 * |
| 黄丽雯;王勃;宋涛;黄俊木;: "低光照彩色图像增强算法研究", 重庆理工大学学报(自然科学), no. 01, 15 January 2020 (2020-01-15), pages 225 - 231 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409263A (zh) * | 2023-12-15 | 2024-01-16 | 成都时代星光科技有限公司 | 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 |
| CN117409263B (zh) * | 2023-12-15 | 2024-04-05 | 成都时代星光科技有限公司 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152182B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An experiment-based review of low-light image enhancement methods | |
| Zhang et al. | Single image defogging based on multi-channel convolutional MSRCR | |
| CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| Park et al. | Single image haze removal with WLS-based edge-preserving smoothing filter | |
| CN107172354B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN113129236B (zh) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 | |
| CN117152182B (zh) | 一种超低照度网络相机图像处理方法、装置及电子设备 | |
| CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
| CN112348747A (zh) | 图像增强方法、装置及存储介质 | |
| CN113012068B (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
| CN115063331B (zh) | 基于多尺度块lbp算子无鬼影多曝光图像融合方法 | |
| CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及系统 | |
| CN112508815A (zh) | 模型的训练方法和装置、电子设备、机器可读存储介质 | |
| CN114862707A (zh) | 一种多尺度特征恢复图像增强方法、装置及存储介质 | |
| Fuh et al. | Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach | |
| US10922796B2 (en) | Method of presenting wide dynamic range images and a system employing same | |
| CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
| CN116645365A (zh) | 基于频谱的石英玻璃检测方法、装置、设备及介质 | |
| Wu et al. | Contrast enhancement based on discriminative co-occurrence statistics | |
| CN111985535A (zh) | 一种通过神经网络优化人体深度图的方法及其装置 | |
| CN115423716B (zh) | 基于多维滤波的图像增强方法、装置、设备及存储介质 | |
| CN116109526B (zh) | 基于车辆后视镜的显示画面增强方法及系统 | |
| Fan et al. | Joint transformer progressive self‐calibration network for low light enhancement | |
| CN114219744B (zh) | 图像生成方法、装置、设备及存储介质 | |
| CN118396891A (zh) | 一种基于语义结合的低光图像增强方法及装置 |
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 |