一种车载红外图像彩色化方法

文档序号:9305071阅读:521来源:国知局
一种车载红外图像彩色化方法
【技术领域】
[0001] 本发明涉及一种车载红外图像彩色化技术。
【背景技术】
[0002] 在夜间或者雾霾等情况下肉眼的能见度非常低,非常容易导致交通安全等问题的 发生。由于车载红外摄像头具有抗干扰性强,视野稳定,克服了在车辆行驶中由于外界因素 导致的肉眼能见度极具下降的情况下无法获取完整的道路信息的问题。近年来基于车载红 外图像的辅助驾驶系统的研究越来越被人们所关注。研究内容包括红外图像目标检测、深 度估计、彩色化等。红外图像的彩色化技术是研究红外图像的关键技术之一,能够将颜色单 一,对比不明显的红外图像通过图像处理的技术手段将图像中所包含的信息更加友好、直 观的呈现给用户,改善用户对于红外图像的理解效果。
[0003] 近年来随着图像彩色化研究的不断深入,如基于标签转移算法的图像分类彩色化 技术和分层分割技术以及使用局部特征描述符和条件随机场(CRF)相结合的图像分类彩 色化技术。但在红外图像彩色化研究的领域中,主要依然停留在基于图像分割基础上的红 外图像彩色化算法,导致最终的彩色化结果过分依赖于图像分割的结果。基于标签转移的 彩色化算法则需要建立大量匹配图像库,且随着库中的图像增多,消耗的时间代价则越大。

【发明内容】

[0004] 本发明要解决的技术问题是能够在车载红外道路情况多变的条件下,正确进行车 载红外图像的彩色化工作。
[0005] 为了解决上述技术问题,本发明的技术方案是提供了一种车载红外图像彩色化方 法,其特征在于,包括如下步骤:
[0006] 第一步、收集用于训练随机森林分类的多幅车载红外图像以及与车载红外图像相 对应的分类图,提取每幅车载红外图像中各像素点的特征信息,将各幅车载红外图像的所 有像素点的特征信息及对应的分类图一起构建训练样本集;
[0007] 第二步、利用训练样本集训练随机森林分类器;
[0008] 第三步、将待测试的车载红外图像输入训练好的随机森林分类器,由随机森林分 类器对待测试的车载红外图像中的各个像素进行分类,得到分类结果图;
[0009] 第四步、对分类结果图进行超像素分割,并在每个超像素内部对每个像素点的分 类进行直方图统计,将每个超像素的分类标记为当前超像素内统计到的分类属性最多的那 一类,得到最终优化后的分类结果图;
[0010] 第五步、创建和待测试的车载红外图像大小一样的RGB图像,将RGB图像的色彩空 间转换至HSV色彩空间,根据最终优化后的分类结果图,将对应的像素赋予对应的色调,得 到最终彩色图像,并将待测试的车载红外图像的灰度值转为最终彩色图像的V层的值。
[0011] 优选地,在所述第一步中,用Law'S掩膜对每幅车载红外图像中各像素点进行3个 尺度的特征提取。
[0012] 优选地,在所述第四步中,利用SLIC超像素分割算法对分类结果图进行超像素分 割。
[0013] 本发明由于采取以上技术方案,其具有以下优点:
[0014] (1)本文彩色化算法适用于多种不同的车载红外场景,且算法的鲁棒性明显提高。
[0015] (2)文本的算法基于像素级别的分类,错误的分类只会影响该像素,而不会导致其 周围的像素出现问题。再结合超像素分割和直方图统计算法,将进一步有效的遏制错误像 素错误分类的情况,进而使得最终的红外图像的彩色化更加准确。
【附图说明】
[0016] 图1为本发明提供的一种车载红外图像彩色化方法的算法流程框图;
[0017] 图 2 为Law's掩膜;
[0018] 图3(a)至图3(c)为训练用图的3个不同尺度;
[0019] 图4(a)为原始训练图像;
[0020] 图4(b)为对应的分类结果图;
[0021] 图5 (a)至图5 (d)为彩色化算法结果图。
【具体实施方式】
[0022] 为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
[0023] 如图1所示,本发明主要包括:1、特征提取并训练随机森林分类器。2、测试图片 输入训练好的随机森林分类器进行分类,获得分类结果图。3、对分类结果图进行超像素分 害J,并在超像素内部进行直方图结果统计,最终确定超像素块的所属分类。4、将色彩空间转 为HSV空间,根据对应的分类赋予对应的色调,并将原图像的灰度值转为最终彩色图像的V 层的值。一下将会对这4个部分分别做出详细的描述。
[0024] 1、随机森林
[0025] 随机森林算法由LeoBreiman和AdeleCutler提出,该算法结合了Breim-ans的 "Bootstrapaggregating"思想和Ho的"randomsubspace"方法。其实质是一个包含多个 决策树的分类器,这些决策树的形成采用了随机的方法,因此也叫做随机决策树,随机森林 中的树之间是没有关联的。当测试数据进入随机森林时,即让每一棵决策树进行分类,最后 取所有决策树中分类结果最多的那类为最终的结果。因此随机森林是一个包含多个决策数 的分类器,并且其输出的类别是由个别树输出的类别的众数而定。它具有很高的的预测准 确率,对异常和噪声具有很好的容忍度,且不容易出现过拟合。
[0026] 随机森林算法是基于Bootstrap方法的重采样,产生多个训练集。随机森林算法 在构建决策树时采用了随机选取分裂属性集的方法。详细的随机森林算法流程如下:
[0027] (1)利用Bootstrap方法重采样,随机产生T个训练集SpS2…,ST。
[0028] (2)利用每个训练集,生成对应的决策树Q,C2,…,CT;在每个非叶子节点上选择 属性前,从M个属性中随机抽取m个属性作为当前节点的分裂属性集,并以这m个属性中最 好的分裂方式对该节点进行分裂。
[0029] (3)每棵树都完整生长,而不进行剪枝。
[0030] (4)对于测试样本X,利用每个决策树进行测试,得到对应的类别Q⑴,C2⑴,…, CT〇()〇
[0031] (5)采用投票的方法,将T个决策树中输出最多类别的作为测试急样本类别。
[0032] 2、基于Law's掩膜的多尺度特征提取
[0033] 对于每个像素点而言,需要计算一系列的特征值来捕捉每个像素及其周边一定 范围内的像素所蕴含的视觉特征,同时需要对还需要结合该像素点的位置信息等。使用 Law's掩膜对图像进行3个尺度的特征提取,其特征如图2所示。
[0034] 训练所使用的图像的三个不同尺度的图像如图3(a)至图3(c)所示。
[0035] 图2即为Law's特征掩膜,在特征提取时使用Law's掩膜分别在上述训练图像的 三个不同尺度上进行卷积,输出结果为Fn(x,y),n= 1,2, . . .,9。定义每个超像素块上的 纹理能量如式(3)所示.
[0036]
0}
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1