图像预处理方法、系统及相应设备和存储介质技术方案

本申请公开了图像预处理方法、系统及相应设备和存储介质，其中所述方法包括：对单通道灰度图像按一处理组合进行处理，所述处理组合包括模糊降噪处理、基于频域加强的高频细节去除处理、特征增强处理和对比度加强处理；其中，所述模糊降噪处理、所述高频细节去除处理、所述特征增强处理和所述对比度加强处理彼此之间的处理顺序为任意顺序。本发明专利技术对于不同光线条件下采集的图像，无论光线强弱，均能提高后续不同特征提取方法采集到的匹配特征点的数量。量。量。

【技术实现步骤摘要】
图像预处理方法、系统及相应设备和存储介质


[0001]本申请涉及图像预处理领域，尤其涉及一种图像预处理方法。本申请还涉及一种图像预处理系统及相应的计算机设备和计算机可读存储介质。

技术介绍

[0002]图像预处理是针对图像进行分析，强化图像的潜在特征，使得图像的特征更加容易被后续的特征提取方法提取，减少后续特征提取方法的误判。
[0003]目前，有多种不同的方法来预处理图像。模糊滤波在时域进行图像平滑处理，然而该方法对高频或重复性噪点无处理能力。图像转化为频域后的高频细节去除以及量化加强起到了减少关键点匹配错误的作用，但是仍然无法去除低频噪点。基于核函数的滤波函数处理，可有效去除低频能量，但也削弱了整体图像的对比度，对后续的特征提取造成了负面影响。
[0004]在机器视觉尤其是立体视觉特征点匹配领域，图像预处理技术对增加左右视图中可匹配的特征点数量起到重要作用。然而，在实时采集和处理图像领域，在不同地点、不同光线的条件下，获得的图像的质量相差甚大，导致特征匹配点的采集难度变化很大。现有的图像预处理技术，有些无法处理强光条件下或阴暗条件下的特征匹配点采集问题，例如模糊降噪、离散余弦、梯度加强等，有些则是在消除噪点时削弱了图像的特征，导致后续的特征提取中，提取的特征匹配点数量较少，例如模糊降噪、中值滤波等。
[0005]因而，需要提供一种能够高质量处理不同光线条件下的图像的全天候图像预处理技术。

技术实现思路

[0006]本专利技术提供一种图像预处理方法和系统，其对于不同光线条件下采集的图像，无论光线强弱，均能提高采集到的匹配特征点的数量。
[0007]在本专利技术的第一方面，提供一种图像预处理方法，包括：
[0008]对单通道灰度图像按一处理组合进行处理，所述处理组合包括模糊降噪处理、基于频域加强的高频细节去除处理、特征增强处理和对比度加强处理；
[0009]其中，所述模糊降噪处理、所述高频细节去除处理、所述特征增强处理和所述对比度加强处理彼此之间的处理顺序为任意顺序。
[0010]在本专利技术的第二方面，提供一种图像预处理系统，包括：
[0011]组合处理模块，用于对单通道灰度图像按一处理组合进行处理，所述处理组合包括模糊降噪处理、基于频域加强的高频细节去除处理、特征增强处理和对比度加强处理；
[0012]其中，所述模糊降噪处理、所述高频细节去除处理、所述特征增强处理和所述对比度加强处理彼此之间的处理顺序为任意顺序。
[0013]在本专利技术的第三方面，提供一种计算机设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中所述处理器执行所述计算机程序时实
现根据本专利技术的第一方面的方法的步骤或者实现根据本专利技术的第二方面的系统的功能。
[0014]根据本专利技术的第四方面，提供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根据本专利技术的第一方面的方法的步骤或者实现根据本专利技术的第二方面的系统的功能。
[0015]按照本专利技术，通过按照模糊降噪处理、高频细节去除处理、特征增强处理和对比度加强处理的组合预处理图像，结合了各种图像处理方法的优势，同时限制它们的缺点，有效地加强了图像中的关键特征，减少了非关键特征，使得后续的特征提取方法能够获得更多的匹配特征点。无论光线条件如何(从早到晚不同时间不同地点)，后续不同特征提取方法采集到的匹配特征点的数量相较经单一图像处理方法预处理的图像均可增加50％以上，为后续特征提取和处理效果提供了保障。
[0016]结合附图阅读本专利技术实施方式的详细描述后，本专利技术的其它特点和优点将变得更加清楚。
附图说明
[0017]图1为根据本专利技术方法的一实施例的流程图；
[0018]图2为使用本专利技术图像预处理方法和现有技术图像预处理方法处理图像后采集到的匹配特征点数量对比图；
[0019]图3为根据本专利技术系统的一实施例的框图。
[0020]为清晰起见，这些附图均为示意性及简化的图，它们只给出了对于理解本专利技术所必要的细节，而省略其他细节。
具体实施方式
[0021]下面参照附图对本专利技术的实施方式和实施例进行详细说明。
[0022]通过下面给出的详细描述，本专利技术的适用范围将显而易见。然而，应当理解，在详细描述和具体例子表明本专利技术优选实施例的同时，它们仅为说明目的给出。
[0023]在无人驾驶领域，由于时间和地点的不同，例如室外或室内或者从早到晚的不同时间或者不同地点，光线条件差异很大，导致后续特征提取方法提取到的关键匹配点的数量变化很大，现有技术均未很好解决确保不同光线条件下的匹配特征点数量的问题。
[0024]图1示出了根据本专利技术的图像预处理方法的一优选实施例的流程图。
[0025]在步骤S102，使用基于注意力机制的神经网络模型，识别并去除图像中的天空及云朵。在此例如可使用基于NVIDIA公司开源的HRNet(High
‑
Resolution Net)+OCR(Object
‑
Contextual Representations)+multi
‑
scale attention的神经网络模型(可称为“基于多尺度注意力机制和上下文表达的高精度网络”)，可利用已经标注好天空及云朵的cityscape数据集，来训练该神经网络模型。在训练之后，该神经网络模型用于对天空的识别，而非天空部分被归纳为背景，从而达到去除天空以及天空所包含的云朵的目的，进而可有效减少来自天空以及云朵的无效的匹配点。对于不包含天空的图像，可省略该步骤。
[0026]在步骤S104，将多通道彩色图像转化为单通道灰度图像，减少后续图像处理的工作量。可采用本领域已知的任何适当的方法进行多通道图像向单通道图像的转化，如加权平均法、最大最小平均法、平均法等。
[0027]例如，可采用加权平均法。设定一副图像为I，I(x,y)为图像的某一个像素，这个像素在图像中的坐标位置为横坐标x、纵坐标y。这个像素由3个通道值叠加而成，分别为红色通道值R(x,y)、绿色通道值G(x,y)和蓝色通道值B(x,y)，可以用以下公式将这个像素转化为灰度像素：
[0028]I(x,y)
G
＝0.2989*R(x,y)+0.5870*G(x,y)+0.1140*B(x,y)
[0029]其中，I(x,y)
G
为图像I在(x,y)点的灰度值。
[0030]在实施例中，如果采集到的图像本身即为灰度图像，则无需进行该步骤S104。
[0031]在步骤S106，对单通道灰度图像进行模糊降噪处理，减少对后续特征工程的干扰。
[0032]在实施例中，可采用整体均值降噪的方法，力求使用整体的图像信息，来去除噪点带来的图像扭曲，同时由光线明暗带来的图像整体噪点升高或者降低也会得到有效遏制。
[0033]具体公式如下：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像预处理方法，其特征在于，所述方法包括：对单通道灰度图像按一处理组合进行处理，所述处理组合包括模糊降噪处理、基于频域加强的高频细节去除处理、特征增强处理和对比度加强处理；其中，所述模糊降噪处理、所述高频细节去除处理、所述特征增强处理和所述对比度加强处理彼此之间的处理顺序为任意顺序。2.根据权利要求1所述的方法，其特征在于，所述方法在按所述处理组合进行处理前还包括：将多通道彩色图像转化为单通道灰度图像。3.根据权利要求1所述的方法，其特征在于，所述方法在按所述处理组合进行处理前还包括：使用基于注意力机制的神经网络模型，识别并去除图像中的天空及云朵，其中所述神经网络模型利用标注好天空及云朵的数据集进行训练。4.根据权利要求3所述的方法，其特征在于，所述神经网络模型为基于开源的HRNet+OCR+multi
‑
scale attention的神经网络模型。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：对按所述处理组合进行处理后的图像进行像素值中值滤波处理。6.根据权利要求1所述的方法，其特征在于，所述模糊降噪处理包括：获得单通道灰度图像的每一像素点灰度值并与其和另一像素点的相似度权重进行相乘而降低图像中的噪点，其中所述相似度权重为两个像素点的相似度欧式距离的一维高斯函数。7.根据权利要求1所述的方法，其特征在于，所述高频细节去除处理包括：将待处理的空域图像转化为频域图像；采用量化矩阵对所述频域图像进行量化处理，去除频域图像中的高频数据；将量化处理过的频域图像转化为空域图像。8.根据权利要求7所述的方法，其特征在于，所述量化矩阵设置成去除所述频域图像中的百分之一到百分之五的高频数据。9.根据权利要求1所述的方法，其特征在于，所述特征增强处理包括：将待处理的图像通过两个不同的高斯滤波器，...

【专利技术属性】
技术研发人员：葛丰璐，肖静怡，
申请(专利权)人：泛太通信导航珠海有限公司，
类型：发明
国别省市：