一种基于Retinex和增强梯度的低照度车牌视频图像增强方法与流程

文档序号：14610199发布日期：2018-06-05 20:40阅读：608来源：国知局

本发明涉及图像处理技术，具体指一种基于Retinex和增强梯度的低照度车牌视频图像增强方法。

背景技术：

在低照度环境下采集车牌视频图像时，如果视频图像中车灯强度较强或较弱，都会降低车牌图像的对比度，从而影响后续车牌识别的精确度，因此需要对低照度环境下采集的车牌视频图像进行图像增强。

但是现有的低照度视频图像增强方法不能很好地处理图像中光源强度不确定的情况，比如Retinex方法和增强梯度是两种传统方法，Retinex方法的强光抑制效果明显，但局部对比度增强效果有限，使用增强梯度方法时，视频图像中存在的强光区域会增加对比度局部增强的难度，而且，传统视频图像增强方法的处理速度较慢，不利于实际应用。因此，针对光源强度不确定的低照度视频图像，提出更加快速有效的视频图像增强方法是急需解决的问题。

技术实现要素：

本发明为克服上述情况不足，旨在提供一种基于Retinex和增强梯度的低照度车牌视频图像增强方法，首先利用Retinex对低照度视频图像进行预处理，调整光源区域亮度，再利用增强梯度方法对视频图像进行快速增强，以解决现有低照度视频图像增强方法中增强效果差、速度慢的技术问题。

为解决上述技术问题，本发明提出的技术方案是：

一种基于基于Retinex和增强梯度的低照度车牌视频图像增强方法，其特征在于，包括以下步骤：

步骤一：对于输入的低照度车牌视频图像S(x,y)，利用Retinex原理进行预处理，对光源光照区域的亮度进行调整，得到预处理之后的图像R(x,y)。

所述利用Retinex原理进行预处理的公式为：

R(x,y)＝logS(x,y)-log[F(x,y)*S(x,y)] (1)

其中，R(x,y)表示预处理之后的图像，x和y表示图像的像素坐标，log表示自然对数，S(x,y)表示输入的车牌低照度视频图像，F(x,y)表示高斯卷积核，*表示卷积操作。

步骤二：求出预处理图像R(x,y)的相对梯度G'(x,y)，构建增强函数得到预处理之后的图像R(x,y)的增强梯度G(x,y)。

所述相对梯度的公式为：

其中，G'(x,y)表示图像R(x,y)的相对梯度，R(x,y)表示预处理之后的图像，G₀(x,y)表示图像R(x,y)的绝对梯度，x和y表示图像的像素坐标。

增强函数的公式为：

其中，表示构建的增强函数，G'(x,y)表示图像R(x,y)的相对梯度，表示G'(x,y)在所有像素坐标上的均值，α和β表示权重参数，x和y表示图像的像素坐标，log表示自然对数。

由增强函数得到增强梯度的公式为：

其中，G(x,y)表示图像R(x,y)的增强梯度场，G₀(x,y)表示图像R(x,y)的绝对梯度，表示增强函数，x和y表示图像的像素坐标。

步骤三：推导图像梯度散度的边界条件。

所述图像梯度散度的边界条件为：

(1)边界散度：

其中，D_1j表示坐标(1,j)处的散度，i、j、h和w表示像素坐标，G_x和G_y分别表示x轴方向和y轴方向的梯度。

(2)顶点散度

其中，D₁₁表示坐标(1,1)处的散度，h和w表示像素坐标，G_x和G_y分别表示x轴方向和y轴方向的梯度。

(3)内部点散度

D_ij＝G_x(1,j)-G_x(1,j-1)+G_y(1,j)-G_y(1,j-1) (7)

其中，D_ij表示坐标(i,j)处的散度，i和j表示像素坐标，G_x和G_y分别表示x轴方向和y轴方向的梯度。

步骤四：根据最小二乘重建目标函数，将目标函数的求解方程进行矩阵变换，利用Kronecker积变换形式进行快速求解，得到增强的低照度视频图像。

所述利用最小二乘重建目标函数如下：

其中，E(·)表示能量函数，u表示待求的增强图像，∫·dxdy表示积分操作，x和y表示图像中像素坐标，表示导数，G表示增强梯度，||·||²表示L2范数的平方。

目标函数的求解方程为：

Δu＝div(G) (9)

其中，Δ表示Laplacian算子，u表示待求的增强图像，div(·)表示求散度操作，G表示增强梯度。

目标函数求解方程的矩阵变换形式为：

其中，P₁和P₂表示正弦矩阵，P₁^-1和P₂^-1表示正弦矩阵P₁和P₂的逆，A₁和A₂表示对角阵，U表示增强图像u的矩阵形式，D表示增强梯度G的散度，λ₁⁽¹⁾,λ₂⁽¹⁾,…,λ_m⁽¹⁾表示对角阵A₁的特征值，λ₁⁽²⁾,λ₂⁽²⁾,…,λ_n⁽²⁾表示对角阵A₂的特征值，m和n表示图像维度。

Kronecker积变换形式为：

(I_nn×A₁+A₂×I_mm)v(P₁UP₂^-1)＝v(P₁DP₂^-1) (11)

求解Kronecker积解析表达式并带入方程，得到：

公式(11)和公式(12)中，I_mm和I_nn表示维度为m×m和n×n的单位矩阵，A₁和A₂表示对角阵，P₁和P₂表示正弦矩阵，P₁^-1和P₂^-1表示正弦矩阵P₁和P₂的逆，U表示增强图像的矩阵形式，D表示增强梯度G的散度，v表示矩阵向量化算子，m和n表示图像维度，λ₁⁽¹⁾,λ₂⁽¹⁾,…,λ_m⁽¹⁾表示对角阵A₁的特征值，λ₁⁽²⁾,λ₂⁽²⁾,…,λ_n⁽²⁾表示对角阵A₂的特征值。

直接对公式(12)进行求解，即可快速得到最终的增强图像U。

本发明有益效果：与现有技术中的低照度视频图像增强方法相比，针对低照度车牌视频图像中光源强度不确定的情况，本发明的方法首先对光源区域亮度进行调整，能够有效抑制低照度车牌区域的强光部分，在此基础上进一步提高对比度局部增强的效果，能有效解决低照度视频图像中车牌对比度低的问题，为后续的低照度车牌识别提供更高质量的车牌增强图像。

附图说明

图1是本发明方法的流程图；

图2是低照度车牌视频图像；

其中，(a)表示光源强度较弱的视频图像，(b)表示光源强度较强的视频图像。

图3为预处理之后光源光照区域的局部图像；

其中，(a)表示对弱光源光照区域的预处理图像，(b)表示对强光源光照区域的预处理图像。

图4为视频图像增强结果。

其中，(a)表示包含弱光源的视频图像增强结果，(b)表示包含强光源的视频图像增强结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供的一种基于Retinex和增强梯度的低照度车牌视频图像增强方法，包括如下步骤：

步骤一：输入低照度车牌视频图像S(x,y)，如图2所示，图2(a)为光源强度较弱的视频图像，图2(b)为光源强度较强的视频图像，利用Retinex原理进行预处理，对光源光照区域的亮度进行调整，得到预处理之后的图像R(x,y)。

利用Retinex原理进行预处理的公式为：

R(x,y)＝logS(x,y)-log[F(x,y)*S(x,y)] (1)

通过Retinex方法对输入图像进行预处理，可以有效调整视频图像中光源区域的亮度，便于后续图像增强处理，Retinex方法可以去除入射光的影响，尽量保留物体本质的反射属性图像。为取得较好的预处理效果，可以将公式(1)的预处理过程重复2-3遍。图3为预处理之后光源光照区域的局部图像。