低照度图像序列增强方法、装置、电子设备以及存储介质制造方法及图纸

本发明专利技术涉及图像增强领域，揭露一种低照度图像序列增强方法、装置、电子设备以及存储介质，所述方法包括：计算采样图像的分量图像矩阵，构建分量图像矩阵的数据矩阵，计算数据矩阵的协方差矩阵，对协方差矩阵进行特征分解；确定特征值递推形式与分解特征向量的特征向量递推形式，计算分解特征值的更新参照值，计算分解特征向量的更新参照向量；对分解特征值进行特征值更新，得到更新特征值，对分解特征向量进行特征向量更新，得到更新特征向量；识别更新特征向量的局部向量空间，利用局部向量空间对更新特征向量进行向量正交投影，得到正交投影向量，对采样图像进行照度增强处理，得到增强照度图像。本发明专利技术可以实现对单帧图像的快速处理。快速处理。快速处理。

【技术实现步骤摘要】
低照度图像序列增强方法、装置、电子设备以及存储介质


[0001]本专利技术涉及图像增强领域，尤其涉及一种低照度图像序列增强方法、装置、电子设备以及存储介质。

技术介绍

[0002]低照度图像序列增强是指对低光照强度的图像进行颜色、饱和度与量度等方面的全方位增强的过。
[0003]目前，单帧图像处理低照度图像由于受到光照条件的影响，使得成像品质较低，物体成像较为模糊，从而影响了图像的进一步使用，而图像增强常用的RGB表示方法，不能够准确反映图像光照情况，不利于进一步通过图像处理提升原始图像的光亮度；HSV的图像增强方法能够反映图像的光亮度，但是往往计算复杂度过高，不能够对单帧图像进行快速处理。因此，亟待一种低照度图像增强的方案可以通过降低图像分析计算的复杂度，从而实现对单帧图像的快速处理。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种低照度图像序列增强方法、装置、电子设备以及存储介质，可以通过降低图像分析计算的复杂度，从而实现对单帧图像的快速处理。
[0005]第一方面，本专利技术提供了一种低照度图像序列增强方法，包括：
[0006]获取采样图像，计算所述采样图像的分量图像矩阵，构建所述分量图像矩阵的数据矩阵，计算所述数据矩阵的协方差矩阵，对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量；
[0007]确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，计算所述分解特征值的更新参照值，并计算所述分解特征向量的更新参照向量；
[0008]根据所述特征值递推形式与所述更新参照值，对所述分解特征值进行特征值更新，得到更新特征值，根据所述特征向量递推形式与所述更新参照向量，对所述分解特征向量进行特征向量更新，得到更新特征向量；
[0009]根据所述更新特征值，识别所述更新特征向量的局部向量空间，利用所述局部向量空间对所述更新特征向量进行向量正交投影，得到正交投影向量，根据所述正交投影向量，对所述采样图像进行照度增强处理，得到增强照度图像。
[0010]在第一方面的一种可能实现方式中，所述对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量，包括：
[0011]识别所述协方差矩阵中的初始协方差矩阵；
[0012]利用下述公式对所述初始协方差矩阵进行特征分解，得到初始分解值与初始分解向量：
[0013][0014]其中，σ
i
(1)表示所述初始分解值中的第i个特征值，u
i
(1)表示所述初始分解向量
中的第i个特征向量，C(1)表示第1时刻的协方差矩阵，即所述初始协方差矩阵，L表示特征值的总数，i表示特征值与特征向量的序号，H表示向量复共轭转置；
[0015]基于所述初始分解值与所述初始分解向量，利用下述公式确定所述初始协方差矩阵的待更新协方差矩阵：
[0016][0017]其中，C(k)表示所述待更新协方差矩阵，k表示时刻，α表示介于0和1之间的权重，x
k
表示第k时刻的分量图像矩阵的列向量，H表示向量复共轭转置；
[0018]根据所述待更新协方差矩阵，确定所述分解特征值与所述分解特征向量。
[0019]在第一方面的一种可能实现方式中，所述确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，包括：
[0020]利用下述公式构建所述分解特征值与所述分解特征向量的特征关系：
[0021][0022]其中，表示所述特征关系，σ
i
(k)表示第k时刻协方差矩阵C(k)的第i个特征值符号，u
i
(k)表示第k时刻协方差矩阵C(k)的第i个特征向量符号，H表示向量复共轭转置，i表示特征值与特征向量的序号，j表示与i相区分的特征向量序号，δ
ij
克罗内克函数，C(k)表示所述待更新协方差矩阵；
[0023]利用下述公式对所述特征关系进行泰勒展开处理，得到所述特征值递推形式与所述特征向量递推形式：
[0024][0025][0026]其中，表示所述特征值递推形式，表示所述特征向量递推形式，O(ε2)表示ε2的高阶无穷小，表示k时刻的由k
‑
1时刻的σ
i
得到，表示k时刻的由k
‑
1时刻的σ
i
得到，表示k时刻的由k
‑
1时刻的u
i
得到，表示更新参照值，表示更新参照向量，i表示特征值与特征向量的序号。
[0027]在第一方面的一种可能实现方式中，所述计算所述分解特征值的更新参照值，包括：
[0028]利用下述公式计算所述分解特征值的更新参照值：
[0029][0030][0031]其中，表示所述更新参照值，C(k
‑
1)表示k
‑
1时刻的协方差矩阵，H表示向量复共轭转置，i表示特征值与特征向量的序号，x
k
表示第k时刻的分量图像矩阵的列向量，k表
示时刻，表示k时刻的由k
‑
1时刻的u
i
得到，表示k时刻的
[0032]在第一方面的一种可能实现方式中，所述计算所述分解特征向量的更新参照向量，包括：
[0033]查询所述分解特征向量对应的当前数据矩阵与前序时刻空间基；
[0034]计算所述当前数据矩阵与所述前序时刻空间基之间的欧式距离；
[0035]基于所述欧式距离，从所述前序时刻空间基中选取目标空间基；
[0036]计算所述当前数据矩阵与所述目标空间基之间的向量内积；
[0037]根据所述目标空间基与所述向量内积，利用下述公式计算所述更新参照向量：
[0038][0039]其中，表示所述更新参照向量，u
i
(k
‑
1)表示k
‑
1时刻的特征向量，k表示时刻，∑
j∈{g,h,k,l,m}
β
j
u
j
中的u
g
,u
h
,u
k
,u
l
,u
m
表示U(k
‑
1)空间当中与x(k)欧式距离最近的5个基向量，即所述目标空间基，β
j
表示所述向量内积。
[0040]在第一方面的一种可能实现方式中，所述根据所述更新特征值，识别所述更新特征向量的局部向量空间，包括：
[0041]对所述更新特征值进行特征值排序，得到特征值序列；
[0042]从所述特征值序列中选取目标特征值；
[0043]根据所述目标特征值，从所述更新特征向量中查询目标特征向量；
[0044]利用所述目标特征向量构建所述局部向量空间。
[0045]在第一方面的一种可能实现方式中，所述根据所述正交投影向量，对所述采样图像进行照度增强处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低照度图像序列增强方法，其特征在于，所述方法包括：获取采样图像，计算所述采样图像的分量图像矩阵，构建所述分量图像矩阵的数据矩阵，计算所述数据矩阵的协方差矩阵，对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量；确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，计算所述分解特征值的更新参照值，并计算所述分解特征向量的更新参照向量；根据所述特征值递推形式与所述更新参照值，对所述分解特征值进行特征值更新，得到更新特征值，根据所述特征向量递推形式与所述更新参照向量，对所述分解特征向量进行特征向量更新，得到更新特征向量；根据所述更新特征值，识别所述更新特征向量的局部向量空间，利用所述局部向量空间对所述更新特征向量进行向量正交投影，得到正交投影向量，根据所述正交投影向量，对所述采样图像进行照度增强处理，得到增强照度图像。2.根据权利要求1所述的方法，其特征在于，所述对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量，包括：识别所述协方差矩阵中的初始协方差矩阵；利用下述公式对所述初始协方差矩阵进行特征分解，得到初始分解值与初始分解向量：其中，σ
i
(1)表示所述初始分解值中的第i个特征值，u
i
(1)表示所述初始分解向量中的第i个特征向量，C(1)表示第1时刻的协方差矩阵，即所述初始协方差矩阵，L表示特征值的总数，i表示特征值与特征向量的序号，H表示向量复共轭转置；基于所述初始分解值与所述初始分解向量，利用下述公式确定所述初始协方差矩阵的待更新协方差矩阵：其中，C(k)表示所述待更新协方差矩阵，k表示时刻，α表示介于0和1之间的权重，x
k
表示第k时刻的分量图像矩阵的列向量，H表示向量复共轭转置；根据所述待更新协方差矩阵，确定所述分解特征值与所述分解特征向量。3.根据权利要求1所述的方法，其特征在于，所述确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，包括：利用下述公式构建所述分解特征值与所述分解特征向量的特征关系：其中，表示所述特征关系，σ
i
(k)表示第k时刻协方差矩阵C(k)的第i个特征值符号，u
i
(k)表示第k时刻协方差矩阵C(k)的第i个特征向量符号，H表示向量复共轭转置，i表示特征值与特征向量的序号，j表示与i相区分的特征向量序号，δ
ij
克罗内克函数，C(k)表示所述待更新协方差矩阵；利用下述公式对所述特征关系进行泰勒展开处理，得到所述特征值递推形式与所述特
征向量递推形式：征向量递推形式：征向量递推形式：量，i表示特征值与特征向量的序号。4.根据权利要求1所述的方法，其特征在于，所述计算所述分解特征值的更新参照值，包括：利用下述公式计算所述分解特征值的更新参照值：利用下述公式计算所述分解特征值的更新参照值：其中，表示所述更新参照值，C(k
‑
1)表示k
‑
1时刻的协方差矩阵，H表示向量复共轭转置，i表示特征值与特征向量的序号，x
k
表示第k时刻的分量图像矩阵的列向量，k表示时刻，表示k时刻的由k
‑
1时刻的u
i
得到，表示k时刻的5.根据权利...

【专利技术属性】
技术研发人员：赵文勇，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：