CN117876283A - 一种自动驾驶高动态场景图像处理方法与装置 - Google Patents
一种自动驾驶高动态场景图像处理方法与装置 Download PDFInfo
- Publication number
- CN117876283A CN117876283A CN202311780517.2A CN202311780517A CN117876283A CN 117876283 A CN117876283 A CN 117876283A CN 202311780517 A CN202311780517 A CN 202311780517A CN 117876283 A CN117876283 A CN 117876283A
- Authority
- CN
- China
- Prior art keywords
- pixel
- gradient
- image
- value
- brightness
- 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
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000001914 filtration Methods 0.000 claims abstract description 63
- 230000002146 bilateral effect Effects 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 28
- 241000023320 Luma <angiosperm> Species 0.000 claims description 12
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 4
- 108010063499 Sigma Factor Proteins 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008447 perception Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及一种自动驾驶高动态场景图像处理方法与装置，所述方法包括以下步骤：S1、使用自适应梯度双边滤波算法对自动驾驶高动态场景图像进行处理，通过区域像素方差的大小自适应选择滤波窗口尺度，在计算权重时考虑空间距离权重、像素相似度权重和像素梯度权重；S2、对自适应梯度双边滤波算法获得的图像低频基础信息进行色调映射，然后将自适应梯度双边滤波算法获得的图像高频信息进行回加；S3、采用像素区域对比度和亮度增益影响因子自适应改变色彩纠正强弱程度的自适应色彩纠正算法，自适应的对色调映射后图像进行色彩纠正，输出处理后的自动驾驶高动态场景图像。有益效果是色调映射过程避免伪影、色彩偏差出现。
Description
【技术领域】
本发明涉及计算机图像处理技术领域，具体涉及一种自动驾驶高动态场景图像处理方法与装置。
【背景技术】
自动驾驶指通过搭载传感器、雷达等装置，运用人工智能、机器视觉、定位及车路协同等技术，使汽车具有环境感知、路径规划和自主控制的能力。自动驾驶能够安全可靠的控制汽车，不仅需要较强的计算算力，还需要强劲的环境感知能力。目前常见的环境感知方式包括：视觉感知(摄像头)、激光雷达感知、毫米波雷达感知以及超声波雷达感知等。视觉传感器具有丰富的颜色和纹理信息，可以快速、准确地识别各种道路信息，为自动驾驶提供可靠有用的数据信息，其在自动驾驶中起着重要作用。但由于自然环境动态范围较高，单曝光无法捕获较大的动态范围，且通过改善硬件来提升动态范围的成本较高，目前常用的方法是采用多曝光的方式获得高动态范围图像，可获得真实场景中动态范围，从而显示更多的细节信息。多曝光获得的高动态范围图像需要通过色调映射处理获得环境感知所需要的图像数据，而在色调映射过程中存在边缘伪影和色彩失真等问题。
在高动态图像色调映射边缘伪影和色彩偏差方面，过往的技术在色调映射过程中将原始图像进行高斯滤波或双边滤波等滤波处理方式，获得基础信息和细节信息，针对基础信息进行色调映射，然后将高频信息进行回加，虽然可以消除部分噪声影响，但会造成边缘伪影，影响环境感知精度；过往的技术仅对高动态图像进行色调映射，而未考虑色调映射后图像颜色外观发生变化，存在色度信息偏差，影响环境感知的识别。
色调是指图像的相对明暗程度，在彩色图像上表现为颜色。颜色是由亮度和色度共同表示的，色度是不包括亮度在内的颜色的性质，它反映的是颜色的色调和饱和度。
利用中国专利数据库进行检索，检索到以下相关专利。
相关检索结果1：中国申请(专利)号、201610368208.8，名称、一种高动态范围图像分层压缩方法，所述方法包括如下步骤：a)高动态范围图像从RGB色彩模式转换为CIELab模型，对所述高动态范围图像进行归一化处理；b)基于归一化处理的所述高动态范围图像，使用快速双边滤波器进行分层；所述高动态范围图像基础层处理，其中对所述CIELab模型下的L分量进行色调映射；增强所述CIELab模型下的a分量饱和度，增强所述述CIELab模型下b分量的饱和度；所述高动态范围图像细节层处理；c)将处理后的所述基础层与处理后的所述细节层进行合并，形成压缩后的低动态范围图像。技术缺点：1、滤波方式：采用双边滤波的方式获得基础层和细节层，先对基础层进行色调映射，然后将处理后的基础层和细节层进行合并；不具有保边的效果，无法避免边缘伪影的问题；2、色彩纠正：采用局部区域对比度作为当前像素色彩差异的影响因素，而未考虑当前像素的亮度增益的大小，自适应纠正色彩较弱。
相关检索结果2：中国申请(专利)号、201711271480.5，名称、一种结合双边滤波与Retinex的水下图像增强方法，包括：将输入图像由RGB色彩空间转换至HSV色彩空间；对于亮度分量，结合双边滤波滤除图像噪声，对去噪后的亮度分量基于高斯中心环绕多尺度Retinex分离出反射分量与照射分量；对于分离出的照射分量，采用伽马校正调整光照得到新的照射分量；基于Retinex理论实现光照分量、与反射分量的融合增强，得到光照不均匀校正后的亮度分量；将增强后亮度分量、与色调分量和饱和度分量重新组合，并变换回RGB色彩空间；计算红绿通道相对于蓝通道灰度值比例，对三通道灰度值重新进行映射；最后对图像R、G、B三通道分别进行直方图均衡化，实现图像对比度增强。有效地去除水下图像存在的蓝绿色偏，提高图像对比度；滤除部分图像噪声，提高图像信噪比。技术缺点：1、滤波方式：采用双边滤波的方式获得基础层和细节层，先对基础层进行色调映射，然后将处理后的基础层和细节层进行合并；不具有保边的效果，无法避免边缘伪影的问题；2、色彩纠正：考虑色调映射带来的色彩偏差的问题，但是映射后的色彩效果不好。
相关检索结果3：中国申请(专利)号、201910383854.5，名称、用于执行高动态范围视频的色调映射的方法及装置，所述视频控制器包括：色彩空间转换器，配置为接收输入高动态范围视频信号以及在所述HDR视频信号上执行YUV到RGB转换来获得具有第一伽马曲线的第一RGB视频信号；去伽马单元，配置为在所述第一RGB视频信号上应用第二伽马曲线来补偿所述第一伽马曲线来获得线性RGB视频信号；第一直方图计算器，配置为计算所述线性RGB视频信号的当前帧的第一直方图；以及色调映射单元，配置为根据所述线性RGB视频信号的先前帧的直方图在所述线性RGB视频信号的当前帧上应用色调映射曲线来生成输出线性RGB视频信号。技术缺点：1、滤波方式：在映射过程中未考虑滤波的操作，易造成映射过程中出现噪声被过度放大的问题；2、色彩纠正：考虑色调映射带来的色彩偏差的问题，但是映射后的色彩效果不好。
本发明针对高动态图像处理存在色调映射边缘伪影、色度信息偏差影响环境感知的技术问题，对自动驾驶高动态场景图像质量处理方法与装置进行了技术改进。
【发明内容】
本发明的目的是，提供一种色调映射过程避免伪影、色彩偏差出现的自动驾驶高动态场景图像质量处理方法。
为实现上述目的，本发明采取的技术方案是一种自动驾驶高动态场景图像处理方法，包括以下步骤：
S1、使用自适应梯度双边滤波算法对自动驾驶高动态场景图像进行处理，通过区域像素方差的大小自适应选择滤波窗口尺度，在计算权重时考虑空间距离权重、像素相似度权重和像素梯度权重；
S2、对自适应梯度双边滤波算法获得的图像低频基础信息进行色调映射，然后将自适应梯度双边滤波算法获得的图像高频信息进行回加；
S3、采用像素区域对比度和亮度增益影响因子自适应改变色彩纠正强弱程度的自适应色彩纠正算法，自适应的对色调映射后图像进行色彩纠正，输出处理后的自动驾驶高动态场景图像。
优选地，步骤S1具体包括以下子步骤：
S11、首先，获得图像像素亮度值；
S12、之后，计算图像像素的梯度和方向；
S13、然后，根据像素方差信息自适应调节滤波窗口，像素变化较小的区域使用较大的滤波窗口，像素变化较大的区域采用较小的滤波窗口；
S14、最后，根据像素梯度信息和方向信息进行自适应梯度双边滤波函数计算。
优选地，步骤S11：
输入RAW格式图像，使用插值的方式对每个像素点对应的block块进行处理，获得当前像素点的伪R`、G`、B`值，再对其伪R`、G`、B`值进行分析；
根据当前像素点的伪R`、G`、B`值计算亮度值，亮度值可以为R`、G`、B`值的最大值：Luma＝MAX(R`，G`，B`)，亮度值可以为R`、G`、B`值的平均值：Luma＝(R`+G`+B`)/3，亮度值可以为R`、G`、B`值的最大值与最小值的均值：Luma＝(MAX(R`，G`，B`)+MIN(R`，G`，B`))/2，亮度值可以为R`、G`、B`值的加权值：Luma＝R_r*R`+G_r*G`+B_r*B`；
将像素值划分为多个区间，各个区间使用不同的亮度获取方式，例如：
其中，α、β为控制因子，pixel表示像素，thresh0和thresh1为像素阈值。
优选地，步骤S12使用Sobel算子计算像素梯度值：
首先，计算像素水平梯度，计算水平方向偏导数Gh；
然后，计算像素垂直梯度，计算垂直方向偏导数Gv；
最后，分析像素水平和垂直梯度大小，判别像素梯度大小及方向，像素梯度：像素梯度方向：。
优选地，步骤S13具体包括以下步骤：
首先，计算滤波窗口内的像素方差，并分析方差的大小，滤波窗口为m*n的方差：其中，/>为滤波窗口的方差，Yavg为滤波窗口内的平均亮度，Yi，j代表滤波窗口内(i，j)位置的像素亮度值；
然后，根据滤波窗口的方差自适应改变滤波窗口尺度，
其中，m*n为滤波窗口的大小，为滤波窗口bxb的方差，/>为滤波窗口cxc的方差，s_thr0为滤波窗口bxb的阈值，s_thr1为窗口cxc的滤波阈值。
优选地，步骤S14自适应梯度双边滤波函数具体实现公式如下：
ω(i，j，k，l)＝f(i，j，k，l)*g(i，j，k，l)*u(d(i，j，k，l))*v(i，j，k，l，θ)
其中，I(k，l)为滤波窗口内(k，l)处像素亮度，ω(i，j，k，l)为窗口内(k，l)处像素权重，f(i，j，k，l)为空间域像素间距离权重，g(i，j，k，l)为像素相似度权重，u(d(i，j，k，l))为像素梯度差异权重，k为梯度差异影响因子，为像素的梯度差异值，v(i，j，k，l，θ)则为像素梯度方向权重，σg为像素梯度方差。
优选地，步骤S3具体包括以下子步骤：
针对传统的色彩纠正算法进行改进，引入线性颜色校正模型： 其中，C为颜色通道(R，G，B)，Lin为原始图像像素亮度，Lout为亮度映射值，β为色彩校正因子；
β值可自适应调节，因为在不同区域色调映射的程度不同，通过自适应改变β值纠正色彩失真区域：其中，亮度增益：gain＝Lout/Lin，局部区域对比度因子：/>Ii，j为(i，j)像素亮度值，/>为区域块像素平均亮度值，亮度增益最大值为gainmax，亮度增益最小值为gainmin，α为控制因子，σβ为β因子控制方差。
本发明的又一目的是，提供一种色调映射过程避免伪影、色彩偏差出现的自动驾驶高动态场景图像质量处理装置。
为实现上述又一目的，本发明采取的技术方案是一种自动驾驶高动态场景图像处理装置，用于执行上述的一种自动驾驶高动态场景图像处理方法。
本发明一种自动驾驶高动态场景图像处理方法与装置有益效果如下：1、使用自适应梯度双边滤波算法对图像进行处理，通过区域像素方差的大小自适应选择滤波窗口尺度，在计算权重时不仅考虑了空间距离权重和像素相似度权重，还考虑了像素梯度权重，该自适应梯度滤波算法不仅有利于平坦区域去噪，还具有保边的效果，避免了边缘伪影的问题；2、采用像素区域对比度和亮度增益影响因子自适应改变色彩纠正强弱程度，自适应程度较高，映射后的色彩效果较好，避免了色彩偏差出现。
【附图说明】
图1是一种自动驾驶高动态场景图像处理方法流程图。
图2是一种自动驾驶高动态场景图像处理方法自适应梯度双边滤波流程图。
图3是3x3 RAW数据block示意图。
图4是3x3亮度数据block示意图。
【具体实施方式】
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解。但是对于本领域技术人员来说很明显的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明构思的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本发明造成不必要的模糊。
实施例
本实施例实现一种自动驾驶高动态场景图像处理方法。
针对现有技术高动态图像处理存在色调映射边缘伪影、色度信息偏差影响环境感知的问题：
(1)本本实施例提出自适应梯度双边滤波算法，可在色调映射过程避免伪影的出现。
(2)本实施例提出自适应色彩纠正算法，可在色调映射过程避免色彩偏差的出现。
图1是一种自动驾驶高动态场景图像处理方法流程图。如图1所示，本实施例方法主要有自适应梯度双边滤波和自适应色彩纠正两个步骤。
步骤1：自适应梯度双边滤波
自适应梯度双边滤波主要应用于高动态场景色调映射过程。高动态场景色调映射过程一般是将图像通过各种滤波方法分为基础信息和细节信息，针对基础信息进行色调映射，然后将细节信息进行回加处理，能够很好的边缘保护。然而，此过程易造成图像中边缘区域出现伪影现象。传统的双边滤波是一种非线性滤波器，可以保持边缘、降噪平滑。但在实际使用中，双边滤波的权重系数通常为一固定值，灵活性较差，尤其在边缘区域易造成伪影。图2是一种自动驾驶高动态场景图像处理方法自适应梯度双边滤波流程图。如图2所示，本实施例提出的自适应梯度双边滤波算法可以解决边缘伪影的问题，自适应梯度双边滤波算法的主要内容如下：首先，获得图像像素亮度值；之后，计算像素的梯度和方向；然后，根据像素方差信息自适应调节滤波窗口；最后，根据像素梯度信息和方向信息自适应梯度双边滤波函数计算。以下内容为自适应梯度双边滤波过程的详细介绍：
步骤1.1：获取图像像素亮度值
RAW图，原始图像文件包含从数码相机、扫描器或电影胶片扫描仪的图像传感器所处理数据，尚未被处理，未被打印或用于编辑。
本实施例输入图像以RAW图为例，其获取RAW图每个像素的亮度值的方法有多种，如使用插值的方式对每个像素点对应的3x3或5x5等其它大小block块进行处理，获得当前像素点的伪R`、G`、B`值，再对其伪R`、G`、B`值进行分析。图3是3x3 RAW数据block示意图。如图3所示，以B11为中心的3x3 block块为例，通过插值的方式获得当前像素点的伪R`、G`、B`值。
其伪B`值计算公式为：
B`＝B11
其伪G`值计算公式为：
G`＝(G01+G10+G12+G21)/4
其伪R`值计算公式
为：
R`＝(R00+R02+R20+R22)/4
可以根据当前像素点的伪R`、G`、B`值计算亮度值，亮度值可以为R`、G`、B`值的最大值：
Luma＝MAX(R`，G`，B`)
亮度值可以为R`、G`、B`值的平均值：
Luma＝(R`+G`+B`)/3
亮度值可以为R`、G`、B`值的最大值与最小值的均值：
Luma＝(MAX(R`，G`，B`)+MIN(R`，G`，B`))/2
亮度值可以为R`、G`、B`值的加权值：
Luma＝R_r*R`+G_r*G`+B_r*B`
可以将像素值划分为多个区间，各个区间使用不同的亮度获取方式：
其中，α、β为控制因子，thresh0和thresh1为像素阈值。
步骤1.2：计算像素梯度
根据步骤1.1可获得每个像素的亮度值，然后计算像素梯度和方向。图4是3x3亮度数据block示意图。如图4所示，像素梯度实际是反映图像像素亮度变化的幅度，可根据像素亮度变化的幅度大小判别边缘像素。计算梯度的方式有多种，如使用Sobel算子计算像素梯度值。首先，计算像素水平梯度；然后，计算垂直梯度；最后，分析水平和垂直梯度大小，判别梯度方向。
(1)计算水平方向偏导数Gh：
(2)计算垂直方向偏导数Gv：
(3)判别梯度大小及方向
像素梯度：
像素梯度方向：
步骤1.3：自适应梯度双边滤波函数分析
(1)传统的双边滤波计算方式：
其中，
ω(i，j，k，l)＝f(i，j，k，l)*g(i，j，k，l)
其中，I(k，l)为滤波窗口内(k，l)处像素亮度，ω(i，j，k，l)为窗口内(k，l)处像素权重，f(i，j，k，l)为空间域像素间距离权重，g(i，j，k，l)为像素相似度权重。
传统的双边滤波算法是由像素空间位置权重和像素相似性权重组合，空间位置权重是随着像素点与中心点之间的欧式距离的增加而减小，像素相似性权重则是随着周边像素点亮度值与中心点亮度值之间差异的增大而减小。在图像变化较为平滑的区域，像素之间的差异较小，双边滤波函数则退化为高斯滤波函数；在图像内容变化较大的边缘区域，像素值差异越大则像素相似性权重越小，即可实现边缘保护的作用。传统的双边滤波函数取决于边缘区域的亮度变化，对边缘区域有一定的保护作用，尤其针对强边缘区域，处理后的边缘较为清晰，而针对弱边缘区域则较为模糊。
(2)自适应梯度双边滤波函数
自适应梯度双边滤波则是在传统的双边滤波算法上增加了自适应滤波窗口尺度和像素梯度差异权重。针对像素变化较小的区域使用较大的滤波窗口，可改善平坦区域的噪声问题；针对像素变化较大的区域采用较小的滤波窗口，可保护边缘区域的细节信息。自适应梯度双边滤波算法增加了像素梯度权重，可有效针对边缘区域精细化处理，避免出现边缘伪影，保边效果较好。
①自适应窗口大小分析
首先，计算其窗口内的像素方差，并分析方差的大小。其窗口为m*n的方差计算公式如下：
其中，为窗口的方差，Yabg为窗口内的平均亮度，Yi,j代表窗口内(i,j)位置的像素亮度值。
举例说明。采用5x5的窗口计算方差，然后判断方差的大小，其方差大于一定阈值，则认为当前窗口的像素纹理性或边缘性的可能性较大，则采用3x3的窗口进行滤波，保护图像边缘区域。若5x5窗口方差较小，则继续计算7x7的窗口方差，若7x7的窗口方差大于一定阈值，则使用5x5窗口作为滤波窗口，否则使用7x7窗口作为滤波窗口。
其中，m*n为滤波窗口的大小，为窗口5x5的方差，/>为窗口7x7的方差，s_thr0为窗口5x5的阈值，s_thr1为窗口7x7的阈值。
自适应梯度双边滤波算法增加了自适应改变滤波窗口尺度的机制，当像素分布较为平缓时，采用较大的窗口可获得较高的噪声抑制能力；而对于纹理细节边缘区域，则采用较小的窗口，可更好的保护边缘区域。
②自适应梯度双边滤波函数分析
自适应梯度双边滤波函数具体实现公式如下：
ω(i，j，k，l)＝f(i，j，k，l)*g(i，j，k，l)*u(d(i，j，k，l))*v(i，j，k，l，θ)
其中，u(d(i，j，k，l))为像素梯度差异权重，k为梯度差异影响因子，则为像素的梯度差异值，v(i，j，k，l，θ)则为像素梯度方向权重。σg为像素梯度方差。
自适应梯度双边滤波则是在原有的双边滤波算法增加像素的梯度差异权重，图像中在边缘等细节处的梯度较大，而对于其它区域梯度值则较小，因此在图像进行自适应梯度双边滤波时，任意边缘点与相邻的非边缘点之间的影响则变小。经过自适应梯度双边滤波后，图像边缘区域不会出现伪影现象，保边效果较好。
步骤2：自适应色调映射色彩纠正
针对高动态场景色调映射过程损坏色度信息，导致色调映射后的图像出现颜色失真的问题。本实施例提出了一种自适应色调映射色彩纠正算法。
传统的色彩纠正算法：
其中，C为颜色通道(R，G，B)，Lin为原始图像像素亮度，Lout为亮度映射值，γ为控制因子。在高动态图像进行色调映射处理后，图像中不同区域的像素亮度变化程度不同，在不考虑亮度变化程度时直接使用固定的γ则会引起部分区域出现失真的现象，影响图像质量。针对上式进行改进，引入线性颜色校正模型：
其中，β为色彩校正因子。β值可自适应调节，因为在不同区域其色调映射的程度不同，需要通过自适应改变β值纠正色彩失真区域。
亮度增益gain值的计算方式：
gain＝Lout/Lin
局部区域对比度因子计算方式：
其中，λ为对比度因子，Ii，j为(i，j)像素亮度值，为区域块像素平均亮度值。
根据色调映射曲线可知其映射比例gain值的最大值gainmax和最小值gainmin，结合对比度因子可知控制因子β的计算方式：
其中，α为控制因子，σβ为β因子控制方差。当gain较小时，说明该像素点的前后变化较小，即色彩变化差异也较小，应该使用接近于1的β值控制；β值的大小也受当前像素的对比度大小影响。在色度通道结合亮度压缩图像的信息变化，构建了自适应调节图像色彩的纠正模型，对色差校正，有效避免色调映射对图像造成主观色彩失真问题。当gain较大时，说明该像素点的前后变化较大，即色彩变化差异也较大，应该使用小于1的β值控制。
本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。
Claims (8)
1.一种自动驾驶高动态场景图像处理方法，其特征在于包括以下步骤：
S1、使用自适应梯度双边滤波算法对自动驾驶高动态场景图像进行处理，通过区域像素方差的大小自适应选择滤波窗口尺度，在计算权重时考虑空间距离权重、像素相似度权重和像素梯度权重；
S2、对自适应梯度双边滤波算法获得的图像低频基础信息进行色调映射，然后将自适应梯度双边滤波算法获得的图像高频信息进行回加；
S3、采用像素区域对比度和亮度增益影响因子自适应改变色彩纠正强弱程度的自适应色彩纠正算法，自适应的对色调映射后图像进行色彩纠正，输出处理后的自动驾驶高动态场景图像。
2.根据权利要求1所述的一种自动驾驶高动态场景图像处理方法，其特征在于步骤S1具体包括以下子步骤：
S11、首先，获得图像像素亮度值；
S12、之后，计算图像像素的梯度和方向；
S13、然后，根据像素方差信息自适应调节滤波窗口，像素变化较小的区域使用较大的滤波窗口，像素变化较大的区域采用较小的滤波窗口；
S14、最后，根据像素梯度信息和方向信息进行自适应梯度双边滤波函数计算。
3.根据权利要求2所述的一种自动驾驶高动态场景图像处理方法，其特征在于步骤S11：
输入RAW格式图像，使用插值的方式对每个像素点对应的block块进行处理，获得当前像素点的伪R`、G`、B`值，再对其伪R`、G`、B`值进行分析；
根据当前像素点的伪R`、G`、B`值计算亮度值，亮度值可以为R`、G`、B`值的最大值：Luma＝MAX(R`,G`,B`)，亮度值可以为R`、G`、B`值的平均值：Luma＝(R`+G`+B`)/3，亮度值可以为R`、G`、B`值的最大值与最小值的均值：Luma＝(MAX(R`,G`,B`)+MIN(R`,G`,B`))/2，亮度值可以为R`、G`、B`值的加权值：Luma＝R_r*R`+G_r*G`+B_r*B`；
将像素值划分为多个区间，各个区间使用不同的亮度获取方式，例如：
其中，α、β为控制因子，pixel表示像素，thresh0和thresh1为像素阈值。
4.根据权利要求3所述的一种自动驾驶高动态场景图像处理方法，其特征在于步骤S12使用Sobel算子计算像素梯度值：
首先，计算像素水平梯度，计算水平方向偏导数Gh；
然后，计算像素垂直梯度，计算垂直方向偏导数Gv；
最后，分析像素水平和垂直梯度大小，判别像素梯度大小及方向，像素梯度：像素梯度方向：。
5.根据权利要求4所述的一种自动驾驶高动态场景图像处理方法，其特征在于步骤S13具体包括以下步骤：
首先，计算滤波窗口内的像素方差，并分析方差的大小，滤波窗口为m*n的方差：其中，/>为滤波窗口的方差，Ycvg为滤波窗口内的平均亮度，Yi,j代表滤波窗口内(i,j)位置的像素亮度值；
然后，根据滤波窗口的方差自适应改变滤波窗口尺度，
其中，m*n为滤波窗口的大小，a<b<c，为滤波窗口bxb的方差，/>为滤波窗口cxc的方差，s_thr0为滤波窗口bxb的阈值，s_thr1为窗口cxc的滤波阈值。
6.根据权利要求5所述的一种自动驾驶高动态场景图像处理方法，其特征在于步骤S14自适应梯度双边滤波函数具体实现公式如下：
ω(i,j,k,l)＝f(i,j,k,l)*g(i,j,k,l)*u(d(i,j,k,l))*v(i,j,k,l,θ)
其中，I(k,l)为滤波窗口内(k,l)处像素亮度，ω(i,j,k,l)为窗口内(k,l)处像素权重，f(i,j,k,l)为空间域像素间距离权重，g(i,j,k,l)为像素相似度权重，i(d(i,j,k,l))为像素梯度差异权重，k为梯度差异影响因子，为像素的梯度差异值，v(i,j,k,l,θ)则为像素梯度方向权重，σg为像素梯度方差。
7.根据权利要求6所述的一种自动驾驶高动态场景图像处理方法，其特征在于步骤S3具体包括以下子步骤：
针对传统的色彩纠正算法进行改进，引入线性颜色校正模型： 其中，C为颜色通道(R,G,B)，Lin为原始图像像素亮度，Lout为亮度映射值，β为色彩校正因子；
β值可自适应调节，因为在不同区域色调映射的程度不同，通过自适应改变β值纠正色彩失真区域：其中，亮度增益：gain＝Lout/Lin，局部区域对比度因子：/>Ii,j为(i,j)像素亮度值，/>为区域块像素平均亮度值，亮度增益最大值为gainmax，亮度增益最小值为gainmin，α为控制因子，σβ为β因子控制方差。
8.一种自动驾驶高动态场景图像处理装置，其特征在于：用于执行权利要求1至权利要求7任一权利要求所述的一种自动驾驶高动态场景图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311780517.2A CN117876283A (zh) | 2023-12-22 | 2023-12-22 | 一种自动驾驶高动态场景图像处理方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311780517.2A CN117876283A (zh) | 2023-12-22 | 2023-12-22 | 一种自动驾驶高动态场景图像处理方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876283A true CN117876283A (zh) | 2024-04-12 |
Family
ID=90580299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311780517.2A Pending CN117876283A (zh) | 2023-12-22 | 2023-12-22 | 一种自动驾驶高动态场景图像处理方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876283A (zh) |
-
2023
- 2023-12-22 CN CN202311780517.2A patent/CN117876283A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5105209B2 (ja) | 画像処理装置および方法、プログラム、並びに記録媒体 | |
| JP4870617B2 (ja) | 画像データの自動マッピング方法及び画像処理デバイス | |
| EP2076013B1 (en) | Method of high dynamic range compression | |
| EP1811765B1 (en) | Color enhancing method, color enhancing system, color adjusting system and color gamut mapping method | |
| US8368779B2 (en) | Image processing apparatus for performing gradation correction on subject image | |
| JP4870618B2 (ja) | 画像データの自動マッピング方法及び画像処理デバイス | |
| US7068328B1 (en) | Method, apparatus and recording medium for image processing | |
| US20060093238A1 (en) | Method and apparatus for red-eye detection in an acquired digital image using face recognition | |
| US20070009167A1 (en) | Contrast enhancement of images | |
| KR101621614B1 (ko) | 디지털 이미지 향상 방법 및 장치와, 이를 이용한 영상 처리 장치 | |
| US8831346B2 (en) | Image processing apparatus and method, and program | |
| KR20070046010A (ko) | 디지털 이미지 개선방법 | |
| JP4021261B2 (ja) | 画像処理装置 | |
| JP2009093323A (ja) | 画像処理装置およびプログラム | |
| CN111292269B (zh) | 图像色调映射方法、计算机装置及计算机可读存储介质 | |
| WO2007036853A2 (en) | Image detail enhancement | |
| RU2298223C2 (ru) | Система и способ коррекции темных оттенков на цифровых фотографиях | |
| US7889280B2 (en) | Image processing apparatus and method thereof | |
| CN107862672B (zh) | 图像去雾的方法及装置 | |
| Yu et al. | Adaptive inverse hyperbolic tangent algorithm for dynamic contrast adjustment in displaying scenes | |
| US6323855B1 (en) | Sharpening edge features in digital image providing high frequency edge enhancement | |
| Albu et al. | One scan shadow compensation and visual enhancement of color images | |
| JP5410378B2 (ja) | 映像信号補正装置および映像信号補正プログラム | |
| US8582914B2 (en) | Tone mapping with adaptive slope for image sharpening | |
| Yu et al. | Color constancy-based visibility enhancement in low-light conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |