一种基于主成分分析的图像光照校正算法制造技术

本发明专利技术公开了一种基于主成分分析的图像光照校正算法，涉及图像恢复技术领域，包括以下步骤：将受相同光线条件影响的多幅图像映射为向量组；构造协方差矩阵，并计算协方差矩阵的特征值和特征向量；在特征向量中确定并剔除产生光线影响的基，利用主成分重构图像。本发明专利技术采用一种无监督学习方式，通过主成分分析找到并剔除光照影响的成分，适用于受相同光照条件影响的多幅图像做批量处理。经本发明专利技术算法处理后图像的标准差、平均梯度两项指标很好，意味着处理结果图像的对比度更高、层次更分明，边缘更清晰。边缘更清晰。边缘更清晰。

【技术实现步骤摘要】
一种基于主成分分析的图像光照校正算法


[0001]本专利技术涉及图像恢复
，具体为一种基于主成分分析的图像光照校正算法。

技术介绍

[0002]在图像采集过程中，常受到光照环境或物体表面反光等因素影响造成整体光照不均，从而改变了图像的原始面貌，给后续处理带来很大难度。在解决高速路面破损识别问题过程中，发现获取图像受相同光线条件干扰，严重影响后续的特征提取和识别定位。
[0003]常见的图像采集处理方法包括：直方图均衡化为代表的时域变换法，直方图均衡化通过拉伸图像灰度级来增强对比度，算法简单易于实现；同态滤波为代表的频域变换法，在频域内选取合适的传递函数对图像高低频进行处理。同态滤波算法广泛适用于处理光照不均图像，能在增强暗区图像细节的同时不损失亮区的图像细节；Retinex算法为代表的分离入射和反射分量方法，Retinex增强方法使用高斯平滑函数估计原图像的亮度分量,应用光照补偿方法逼近反射图像。Retinex算法在彩色图像增强、图像去雾等方面拥有很好的效果。以及基于深度学习和神经网络的算法被应用于图像的光照补偿也取得了很好的效果。
[0004]但是上述现有的技术中，直方图均衡化忽略了图像的频域变化。同态滤波方法容易出现处理后图像轮廓不清晰等问题，参数需要通过实验测试获得，算法相对复杂。Retinex增强方法在强光阴影过渡区容易出现光晕现象，对高亮度图像处理效果欠佳。基于深度学习和神经网络的算法被应用于图像的光照补偿的通用性不好，需要针对特定样本集进行有监督学习。

技术实现思路

[0005]本专利技术针对上述现有技术存在的不足，提供一种基于主成分分析的图像光照校正算法。
[0006]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0007]一种基于主成分分析的图像光照校正算法，包括以下步骤：
[0008]步骤101，将受相同光线条件影响的多幅图像映射为向量组；
[0009]步骤102，构造协方差矩阵，并计算协方差矩阵的特征值和特征向量；
[0010]步骤103，在特征向量中确定并剔除产生光线影响的基，利用主成分重构图像。
[0011]作为本专利技术的进一步技术方案为，所述将受相同光线条件影响的多幅图像映射为向量组；具体包括：将尺寸相同的图像映射为向量组：将每幅给定图像I
i
(尺寸为m
×
n)，表示为向量Γ
i
(m
×
n，1)，其中i＝1,2,...,M，形成向量组Γ。
[0012]作为本专利技术的进一步技术方案为，所述构造协方差矩阵，并计算协方差矩阵的特征值和特征向量；
[0013]根据向量组的均值向量获取差异矩阵，根据差异矩阵构造协方差矩阵；
[0014]计算协方差矩阵的特征值及特征向量。
[0015]作为本专利技术的进一步技术方案为，所述根据向量组的均值向量获取差异矩阵，根据差异矩阵构造协方差矩阵；具体包括：
[0016]计算向量组Γ的均值向量
[0017][0018]计算差异矩阵A：
[0019][0020]其中则A为(m
×
n,M)矩阵，A
T
为(M,m
×
n)矩阵；
[0021]按(2)式构造协方差矩阵C：
[0022][0023]其中，C为M
×
M阶矩阵。
[0024]作为本专利技术的进一步技术方案为，所述计算协方差矩阵的特征值及特征向量，具体包括：
[0025]计算A
T
A的特征值λ1，λ2，...，λ
M
和对应的特征向量
[0026]那么，AA
T
的M个个最大的特征值为：λ1,λ2,...,λ
M
，对应的特征向量为：
[0027]作为本专利技术的进一步技术方案为，在特征向量中确定并剔除产生光线影响的基，利用主成分重构图像；具体包括：从特征向量中剔除特征值最小对应的特征向量，剔除后的特征向量用于重构图像进行图像光照校正。
[0028]作为本专利技术的进一步技术方案为，所述剔除后的特征向量用于重构图像进行图像光照校正，具体包括：
[0029]按(3)式计算在标准正交基底下的投影，即坐标(w1,w2,...,w
M
‑1)；
[0030][0031]按(4)式重构列向量Γ'
i
，(m
×
n,1)维，并将列向量转换成图像I'
i
，(m,n)维，(i＝1,2,...,M)；
[0032][0033]本专利技术的有益效果是：
[0034]本专利技术针对受相同光照条件影响的图像光线校正问题，提出的基于主成分分析算法取得了较好的实验结果，能够很好的消除光照影响，图像对比度高，主要特征得到增强；本专利技术的算法可理解为一种无监督的自学习算法，本专利技术通过主成分分析找到并剔除光照影响的成分，适用于受相同光照条件影响的多幅图像做批量处理；本专利技术的算法处理后图像标准差、平均梯度两项指标很好，意味着处理结果的图像对比度更高、层次更分明，边缘更清晰。
附图说明
[0035]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0036]图1为本专利技术提供的一种基于主成分分析的图像光照校正算法流程图；
[0037]图2为本专利技术提供的一实施例原始图像；
[0038]图3为本专利技术提供的同态滤波处理后的图像；
[0039]图4为本专利技术提供的直方图均衡化处理后的图像；
[0040]图5为本专利技术提供的Retinex算法处理后的图像。
[0041]图6为本专利技术提供的一种基于主成分分析的图像光照校正算法处理后的图像。
具体实施方式
[0042]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0043]本专利技术用到以下算法数学基础：
[0044]定理：若A为n阶实对称矩阵，则存在实特征值λ1,λ2,...,λ
n
和正交的实特征向量使得：
[0045]命题1：矩阵A
T
A是实对称的，且其特征值为正。
[0046]证明：(A
T
A)
T
＝A
T
(A
T
)
T
＝A
T
A矩阵A
T
A是实对称的.
[0047]设为A
T
A的特征值λ对应的特征向量，则有：.
[0048][0049]注意：本文第2小节算法实现中构造的协方差矩阵为实对称矩阵，因此一定可得到一组正的特征值和正交的特征向量。
[0050]命题2：矩阵AA
T
与A
T
A有相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主成分分析的图像光照校正算法，其特征在于，包括以下步骤：将受相同光线条件影响的多幅图像映射为向量组；构造协方差矩阵，并计算协方差矩阵的特征值和特征向量；在特征向量中确定并剔除产生光线影响的基，利用主成分重构图像。2.根据权利要求1所述的一种基于主成分分析的图像光照校正算法，其特征在于，所述将受相同光线条件影响的多幅图像映射为向量组；具体包括：将尺寸相同的图像映射为向量组：将每幅给定图像I
i
(尺寸为m
×
n)，表示为向量Γ
i
(m
×
n，1)，其中i＝1,2,...,M，形成向量组Γ。3.根据权利要求1所述的一种基于主成分分析的图像光照校正算法，其特征在于，所述构造协方差矩阵，并计算协方差矩阵的特征值和特征向量；根据向量组的均值向量获取差异矩阵，根据差异矩阵构造协方差矩阵；计算协方差矩阵的特征值及特征向量。4.根据权利要求3所述的一种基于主成分分析的图像光照校正算法，其特征在于，所述根据向量组的均值向量获取差异矩阵，根据差异矩阵构造协方差矩阵；具体包括：计算向量组Γ的均值向量计算向量组Γ的均值向量计算差异矩阵A：其中则A为(m
×
n,M)矩阵，A
T
为(M,m
×

【专利技术属性】
技术研发人员：张震，朱留存，赵启鹏，罗俊琦，魏金占，
申请(专利权)人：北部湾大学，
类型：发明
国别省市：