基于稠密光流法自适应伽马矫正的视频增强算法制造技术

本发明专利技术公开了一种基于稠密光流法自适应伽马矫正的视频增强算法，本算法首先计算稠密光流场，然后对每帧图像进行像素级别的图像伽马矫正；其中，光流法的基本约束方程如下：I

【技术实现步骤摘要】
基于稠密光流法自适应伽马矫正的视频增强算法


[0001]本专利技术涉及一种基于稠密光流法自适应伽马矫正的视频增强算法。

技术介绍

[0002]在夜间场景下，容易发生诸多不易察觉的安全问题，International Commission on illumination(CIE)的研究结果表明，夜间交通事故率是白天的三倍。由此可见，在夜间受到光照不充足的情况下，或者在低光照的环境下，交通安全风险较高，容易造成人身伤亡或财产损失。使用低光照图像增强技术可以对事发地采集的低光照图像进行增强，可以有效的对事故进行预防，可以更好的对事故的原因进行分析，帮助人们寻找问题的源头。针对目前的国际形势，对边境等地区的夜间勘察同样面临着采集的图像亮度低和对比度差等问题，通过低光照图像增强技术可以帮助相关人员实现更加准确和及时的监视，最大程度上保障了人民的生命财产安全。
[0003]近些年来，国内外的学者对低光照环境下的图像如何进行修复和增强进行了研究。可大致分为三类，第一类是基于直方图均衡技术的原理进行改进；第二类是基于Retinex图像增强算法原理进行改进，第三类是基于深度学习的原理对图像进行增强。
[0004]第一类是基于直方图均衡(HE)技术的原理。1987年，Pizer等人提出利用直方图均衡技术，把给定的图像的直方图拉伸为均匀的直方图分布，传统的直方图均衡技术的方法无法有效的保留原始图像的亮度，并且会产生许多噪点，降低了有用信号的对比度，以及导致局部图片饱和度过高等问题，严重的影响了图像后续的操作，难以准确的完成特征点的提取和检测的任务。
[0005]第二类是基于Retinex图像增强算法原理。在1963年美国物理学家Edwin.H.Land提出Retinex算法，Retinex这个单词是由retina(视网膜)和cortex (大脑皮层)所组成。基于Retinex理论的图像增强的方法，增强后虽然对比度增强，但是存在明显的噪点多，失真的现象。
[0006]第三类是基于深度学习的原理。深度学习的方法需要大量的相同场景下，不同光照的数据集作为支撑，使得所训练的模型具有泛化能力。目前，对于低光照增强可使用的数据集有LOw Light Dataset，MIT
‑
Adobe FiveK Dataset 等。这些数据集是用单反相机拍摄的图片，通过后期的修图人员进行调整相片的的色调得到的数据集，缺乏真实性。真实的数据集需要通过调整相机，在正常光线条件下减少曝光时间或者增加曝光时间来获取承兑的低照度和正常光照下的成对的图像，但是由于需要繁琐的设置，例如相机需要固定并且对象无法移动等，并且在空间变化的光线下，简单地增加或减少曝光时间，可能会导致局部曝光过度、曝光不足或者伪影，因此正常光照下的照片和低光照的照片，成对的数据集是比较少的。在真正的夜间条件下拍摄到的所存在的问题存在着对比度不够，局部图像过度曝光，图像整体偏暗等情况。当将数据集中的照片换成真实环境下所拍摄到的照片，增强的效果较差，严重的失真，并且噪声较多。
[0007]目前学者们从三类算法对图像增强进行研究，第一类基于直方图均衡化理论的方
法以及改进算法，普遍存在着得到均衡化后的图像的均值分布与原图无关，容易丢失图像细节信息，形成色差，并且会形成许多噪点等缺点；第二类基于Retinex理论以及改进算法，计算复杂，实现时间长，噪点多，增强效果不明显；第三类基于深度学习的算法，计算量大，缺乏大量相同场景下照度不同的图片所制作而成的数据集，缺乏泛化性。
[0008]传统的方法都未考虑物体在实际情况下光流移动的距离，在现实生活中视频中，移动距离大的物体往往更加的模糊，比移动距离小的物体更加需要增强。

技术实现思路

[0009]为了解决上述问题，本专利技术提供一种能够有较好的增强图像亮度、保持较好的边缘细节信息，实现低光照环境下的视频增强的基于稠密光流法自适应伽马矫正的视频增强算法。
[0010]基于稠密光流法自适应伽马矫正的视频增强算法，其特征在于，本算法首先计算稠密光流场，然后对每帧图像进行像素级别的图像伽马矫正；
[0011]其中，光流法的基本约束方程如下：I
x
u+I
y
v+I
t
＝0。
[0012]进一步的，伽马矫正方法如下：假设图像梯度恒定且局部光流恒定，即对任意的y∈N(x)，不变，将图像像素点的灰度值看作为一个二维变量的函数f(x,y)，
[0013]f(x,y)＝x
T
Ax+b
T
x+c，
[0014]其中，x为二维列向量，A为2
×
2的对称矩阵，b为2
×
1的矩阵，
[0015]初始位置为：f1(x)＝x
T
A1x+b
1T
x+c1，
[0016]像素移动后：
[0017]其中，A2＝A2，b2＝b1‑
2A1d，c2＝d
T
A1d
‑
b
1T
d+c1，可以求得：
[0018][0019]其中A1＝A2，
[0020]构建加权目标函数进行优化求得位移：
[0021][0022]将x，y转换成极坐标，e(x)表示像素点的位移大小，即像素移动的像素距离，将光流法所得到的像素移动距离e(x)，将e(x)进行规范化到0.2到1.2 之间，normalize(e(x))作为伽马矫正系数，得到函数如下
[0023]G(x,y)＝(I
(x,y)
/255)
normalize(e(x))
·
255。
[0024]进一步的，通过求平均值来近似求真实值，令：
[0025][0026][0027]A(x)d(x)＝Δb(x)
[0028]d＝(A
T
A)
‑1(A
T
Δb)。
[0029]本专利技术的有益效果：
[0030]本专利技术能够保留自然图像较为清晰的边缘特征，对图像的损伤程度较小。本专利技术的算法能够有较好的增强图像亮度、保持较好的边缘细节信息，实现了低光照环境下的视频增强。本专利技术通过稠密光流法计算出各个像素点光流移动的距离，通过距离作为每个像素点的矫正系数，这样的方法更加符合人眼的视觉特性。
附图说明
[0031]图1为三维运动在二维平面内的投影图；
[0032]图2为Gamma函数不同系数的非线性曲线图；
[0033]图3为本专利技术实验结果对比图。
具体实施方式
[0034]下面结合附图1
‑
3对本专利技术做详细介绍：
[0035]本专利技术通过稠密光流法计算出各个像素点光流移动的距离，通过距离作为每个像素点的矫正系数，这样的方法更加符合人眼的视觉特性。
[0036]当人的眼睛观察运动物体时，物体的景象在人眼的视网膜上形成一系列连续变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稠密光流法自适应伽马矫正的视频增强算法，其特征在于，本算法首先计算稠密光流场，然后对每帧图像进行像素级别的图像伽马矫正；其中，光流法的基本约束方程如下：I
x
u+I
y
v+I
t
＝0。2.如权利要求1所述的基于稠密光流法自适应伽马矫正的视频增强算法，其特征在于，伽马矫正方法如下：假设图像梯度恒定且局部光流恒定，即对任意的y∈N(x)，不变，将图像像素点的灰度值看作为一个二维变量的函数f(x,y)，f(x,y)＝x
T
Ax+b
T
x+c，其中，x为二维列向量，A为2
×
2的对称矩阵，b为2
×
1的矩阵，初始位置为：f1(x)＝x
T
A1x+b
1T
x+c1，像素移动后：其中，A2＝A2...

【专利技术属性】
技术研发人员：吕文琪，向毅，马骁，雷亮，刘子樊，傅普杰，蒋鸿伟，吴锦洲，何龙，冯小渝，简夜明，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：