1、第 44 卷 第 4 期2023 年 4 月 激光杂志LASER JOURNALVol.44,No.4April,2023http /收稿日期:2022-09-26基金项目:贵州省科技重大专项(No.黔科合重大专项字 ZNWLQC20193012)、贵州省交通运输厅科技项目(No.2019-312-020,2021-322-02)作者简介:代建琴(1995-),女,硕士研究生,主要研究方向:计算机视觉技术、智能驾驶图像处理。E-mail:daidjqin 通讯作者:冯治国(1978-),男,教授,硕(博)士生导师,主要研究方向:自动驾驶与车路协同技术、机器人应用控制技术。E-mail:图像处理
2、基于双曲映射变换的低照度道路图像增强方法研究代建琴1,冯治国1,崔明义1,赵雪峰1,袁 森21贵州大学,贵阳 550025;2贵州理工学院,贵阳 550003摘 要:在智能驾驶领域中,针对低照度环境下获取视觉图像中道路环境交通特征信息难的问题,提出一种基于双曲映射变换的低照度道路图像增强方法。采用最大熵法对 HSV 颜色空间中的 V 分量进行阈值分区,利用改进的双曲正切 S 型函数和双曲正割累积分布函数分别增强明暗区域的亮度,采取非线性变换函数 LC 补偿光照,进而用双尺度均值滤波法增强图像中道路特征信息。通过自建数据集对比验证相关算法,结果表明:本方法增强后的图像平均亮度提高了 111.54
3、%、信息熵提高了 11.8%,平均梯度提高了 159.75%,低照度环境下获取视觉图像中交通特征信息显著提升。关键词:低照度;图像增强;双曲正割累积分布函数;双曲正切 S 型函数中图分类号:TN391 文献标识码:A doi:10.14016/ki.jgzz.2023.04.146Research on low illumination road image enhancement method based on hyperbolic mapping transformationDAI Jianqin1,FENG Zhiguo1,CUI Mingyi1,ZHAO Xuefeng1,YUAN S
4、en21Guizhou University,Guiyang 550025,China;2Guizhou Institute of Technology,Guiyang 550003,ChinaAbstract:In the field of intelligent driving,aiming at the difficulty of obtaining the traffic characteristics of road environment in visual images under low illumination,a low illumination road image en
5、hancement method based on hy-perbolic mapping transformation is proposed.The maximum entropy method is used to divide the threshold value of the V component in the HSV color space.The improved hyperbolic tangent S-type function and hyperbolic secant cumula-tive distribution function are used to enha
6、nce the brightness of the light and dark regions respectively.The nonlinear transformation function LC is used to compensate for the illumination,and then the dual scale mean filtering method is used to enhance the road feature information in the image.By comparing and verifying the relevant algorit
7、hm with self-built datasets,the results show that the average brightness of the enhanced image is increased by 111.54%,the in-formation entropy is increased by 11.8%,the average gradient is increased by 159.75%,and the traffic feature infor-mation in the visual image obtained in low illumination env
8、ironment is significantly improved.Key words:low illumination;image enhancement;hyperbolic secant cumulative distribution function;hyperbolic tangent S-type function1 引言智能驾驶领域中视觉 SLAM 因其成本低,适应性强等特点已成为热点研究方向。而受雾、雨、光照能见度等因素的影响,造成视觉感知无法准确获得道路环境交通特征信息,导致依赖视觉 SLAM 的全天候智能驾驶车辆行驶风险增加。因此,研究低照度特殊环http /境下视觉图像
9、的增强技术是视觉 SLAM 中关键问题之一。近些年,国内外学者围绕低照度环境下视觉图像处理技术进行了相关研究。如韩梦妍1、Guo2、苏康友等3基于 Retinex 理论提出改进算法,其中,韩梦妍等用 L2 范数初始化光照图,改进 RTV 模型细化光照图,增强了图像的对比度;Guo 等加入一种结构先验来细化初始光照图,虽然有效改善大面积阴暗的低照度图像质量,但暗区的细节信息易丢失;苏康友等引入色彩恢复因子调整三原色通道比例,并融合 Gamma变换实现图像增强。崔圆斌等4利用多尺度梯度域引导滤波和二维自适应伽马校正算法提高了图像整体亮度,但阴影区域增强效果有待提高。Tao 等5用线性模型增强了图像
10、亮度,采用卷积平均方式增强图像对比度,改善了图像细节和饱和度。Dong 等6对图像进行反色去雾再反色处理,实现图像低照度增强,但轮廓区域易丢失图像细节。陈刚等7提出一种基于多帧的盲源分离、帧平均处理方法对低照度图像进行自适应增强。王改云等8融合遗传算法设计了多域值分块增强算法,有效还原了图像纹理信息。Zohair9提出了一种结合对数函数、指数函数、改进后的 LIP 方法和双曲正割累积分布函数的增强算法,提高了图像暗部细节特征。朱大昌等10针对水下图像低能见度问题,提出一种暗通道先验改进算法,结合同态滤波、CLAHE、MSRCR 进行多尺度融合,能够有效解决图像颜色失真现象。常戬等11采用空间转
11、换和灰度级校正方法,利用多聚焦融合算法将原始图像、频率域图像和空间域锐化图像进行融合,增强了图像的清晰度,但对图像融合的细节处理仍有不足。上述研究取得了一些成果,但仍旧存在图像亮度不足、细节缺失和算法自适应性差等缺陷,给后续智能驾驶视觉图像技术中的道路交通特征提取带来不便。因此,贵州大学智能驾驶研究团队根据前期山区城市道路自动驾驶技术研究基础,针对低照度特殊环境提出一种基于双曲映射变换的图像增强方法,旨在增强低照度环境下视觉图像质量,获取更多道路交通特征信息,为智能驾驶车辆决策控制提供基础数据。2 工作原理提出的方法主要包含两部分:(1)利用改进的双曲函数对图像进行区域性亮度增强,并提出一种光
12、照补偿函数 LC 进行光照补偿;(2)利用双尺度均值滤波法进行图像细节增强。具体流程如图 1 所示。图 1 算法流程2.1 亮度增强低照度图像的明显特征是整体亮度较暗,所以对亮度的增强是低照度图像增强的首要工作。在亮度增强过程中,需提高暗区强度,同时抑制亮区强度过度增强,以免产生曝光现象13。因此,提出使用最大熵原理14将图像分为暗区和亮区两部分,并对其分别处理,以符合人眼视觉观察习惯。最大熵算法的目标是找出一个最佳阈值使得两部分熵值的和最大,根据最佳阈值来区分图像的暗区和亮区部分。图像熵定义为H(I)=u,vp(I(u,v)log1p(I(u,v)()=-u,vp(g)log p(g)()(
13、1)式中,(u,v)为像素点的位置索引,g=I(u,v),I 为输入图像,p(g)为像素(u,v)的概率。给定一个阈值 q,分别求出 q 阈值分割出的暗区和亮区的累积概率 PL(q)、PD(q),两者和为 1。两区域对应的熵表示如下:HL(q)=-u,vp(g)PL(q)logp(g)PL(q)()(2)HD(q)=-u,vp(g)PD(q)logp(g)PD(q)()(3)在该阈值下,图像总熵为H(q)=HL(q)+HD(q)(4)H=max(H(q)(5)计算所有阈值下的图像总熵 H(q),将最大熵 H741代建琴,等:基于双曲映射变换的低照度道路图像增强方法研究http /对应的阈值作为
14、最佳阈值 T。在 HSV 颜色空间15中,当亮度分量 V 像素值 tT 时,为暗区部分。受文献9的启发,运用双曲正割分布的累积分布函数(CDF-HSD)来提高亮度。此类函数具有平滑性和渐进性,且保持单调递增。标准CDF-HSD16表示为F=2arctan(ex)(6)为了提高函数在较暗区域对亮度和对比度的增强能力,对其进行了改进。改进后的 New-CDF-HSD公式如下:Vnew-CDF-HSD(i,j)=(i,j)2arctan(eV(i,j)+1)(7)式中,Vnew-CDF-HSD(i,j)是增强后的亮度分量,V(i,j)是转换为 HSV 颜色空间后的 V 分量。(i,j)为权重矩阵,控
15、制亮度增强程度,计算公式为(i,j)=log(2-e-V(i,j)(8)当像素值 tT 时,认定为亮区。为避免过增强,对亮区进行数据平缓处理。tan-sigmoid 函数(双曲正切 S 型函数)特性是在大于零的领域内,图像光滑递增,达到一定值后,递增缓慢直至恒定,可以满足平缓处理需求,函数定义如下:f(x)=2(1+e-2x)-1(9)值域为-1,1,由于像素值为非零值,且为了避免像素值处理结果为负,故对该函数进行改进。改进后的 New-tan-sigmoid 函数定义如下:Vnew-tan-S(i,j)=2(1+e-2V(i,j)-1()1+1(2+1)()(10)式中,Vnew-tan-S
16、(i,j)是使用改进后的双曲正切 S 型函数对 V 分量进行映射处理后的结果,(i,j)是像素点的位置索引。V(i,j)是转换为 HSV 空间后的 V 分量。是控制增强过程的标量,计算公式如下:=log(s(X)+1)2(11)式中,s(X)为原始输入图像的灰度值方差,保留两位小数。由图 2(a)可以看出:值越小,亮度越大,但不宜过小,过度减小 会导致像素超出标准范围,成为无效像素,根据实验测试得出 最佳范围为 27。改进前后的函数图像对比如图 2(b)所示(取 2),在高强度像素区域(如曝光区域),函数值过度下降,而改进后的 Vnew-tan-S(i,j)做一个递缓处理,避免出现过增强现象。(a)不同 值对应的函数图像(b)f(x)与 Vnew-tan-S(i,j)函数图像图 2 改进函数图像即增强后的 Vnew(i,j)分量如式(12):Vnew(i,j)=Vnew-CDF-HSD(i,j)=(i,j)2arctan(eV(i,j)+1),tTVnew-tan-S(i,j)=2(1+e-2V(i,j)-1()1+1(2+1)(),t T|(12)经阈值分区处理后,将增强后的 Vne