本发明涉及图像处理，尤其涉及一种提高光刺检测精度的图像处理方法及存储介质。
背景技术：
1、在车辆行驶过程中，cms(camera monitor system)摄像头的清洁度对驾驶安全至关重要。特别是在恶劣天气或不良环境下，摄像头表面容易积累脏污，如油污、水滴等，这些污渍不仅影响图像的清晰度，还可能在夜晚造成明显的光刺现象。光刺会严重干扰驾驶员的视线，增加交通事故的风险。
2、为了解决这一问题，基于深度学习算法的光刺识别功能应运而生。这种技术通过分析摄像头捕捉到的图像，能够智能识别出由于镜头脏污引起的光刺现象。深度学习模型通过大量的数据训练，学会了如何区分正常光线和异常光刺，即使在复杂的光线条件下也能准确判断。
3、当系统检测到光刺现象时，会立即向驾驶员发出提示，告知cms摄像头可能存在脏污，并建议驾驶员及时擦拭镜头。这一功能极大地提高了驾驶的安全性，因为它能够在驾驶员不易察觉的情况下，主动提醒潜在的问题，避免因视线受阻而导致的危险。
4、在现有技术方案中，存在以下几种场景局限性：
5、1、在车载环境中，cms摄像头由于成本限制，通常采用价格较为低廉的芯片，这些芯片在图像处理能力上远不如高端设备，因此在捕捉和传输图像时，原始画质可能已经存在噪声和模糊问题。这种情况下，将图像送入深度学习网络进行处理前，需要先进行图像增强以提升图像质量。
6、2、在车辆移动甚至是高速运动的状态下，车载cms摄像头采集的图像往往会受到多种因素的影响，导致图像质量下降。其中，残影和光散现象是两个显著的问题，它们严重影响了图像的清晰度和细节表现，进而可能干扰深度学习网络对图像内容的准确分析和理解。
7、3、在深度学习领域，处理大量数据以获取先验知识是模型训练的基础。然而，如果数据集中存在过多的脏数据，这不仅会影响模型对真实数据分布的理解，还会导致学习过程中的累计误差增大。这种误差的累积效应会显著降低模型的准确性和可靠性，使其在实际应用中表现不佳。
8、4、传统图像算法在处理图像时，常常面临鲁棒性不足的挑战。特别是在光照变化、雨天和雾天等复杂环境条件下，传统算法的表现往往不尽如人意。光照的变化可以显著影响图像的对比度和亮度，导致基于固定阈值或特定光照条件设计的算法失效。
9、针对目前车载芯片光刺识别算法存在的问题，为提高识别鲁棒性，采取深度学习的方案进行处理，但数据对于深度学习算法至关重要，在处理前需要对图像进行数据增强，以提高模型的识别精度，该图像增强算法需要处理数据中存在的光散问题和噪声问题。
技术实现思路
1、本发明提供一种提高光刺检测精度的图像处理方法及存储介质，解决了现有图像处理方案中无法有效过滤光散和噪声，进而无法有效检测光刺导致图像识别精度低的技术问题。
2、为解决以上技术问题，本发明提供一种提高光刺检测精度的图像处理方法，包括：
3、基于不同业务场景进行数据采集，获取对应的场景图像；
4、对所述场景图像进行泛化性筛选，得到代表图像；
5、对所述代表图像中的光刺进行感兴趣区域标注，确定第一区域及第二区域；
6、识别所述第一区域及所述第二区域，确定是否为对应的目标区域、邻域区域，若是则进入下一步执行图像增强；
7、执行图像增强，突出所述目标区域并抑制所述邻域区域，得到目标图像。
8、本基础方案针对性的对于光刺区域进行图像增强，一方面通过覆盖性的业务场景采集进行模型训练，有效提高深度学习模型对于图像的识别准确率；另一方面通过目标区域、领域区域的划分、标注、识别定义，可有效的筛选出对应的光刺图像，进而为后续光刺识别提供基础；再一方面执行图像增强，突出目标区域并抑制邻域区域，通过抑制图像的整体亮度，突出光刺区域的特征，有效降低误检情况的发生概率。
9、在进一步的实施方案中，对所述代表图像进行感兴趣区域标注，确定第一区域及第二区域，包括：
10、识别所述代表图像中光刺区域，进行感兴趣区域标注，得到第一区域；
11、基于所述第一区域，对所述光刺区域的两侧区域进行等幅标注，得到第二区域。
12、本方案设置等幅标注的第一区域、第二区域，采集标准一致，提高对比识别的准确率；直接从光刺区域的两侧区域进行等幅标注，能够更为直观的对是否为光刺区域进行判断。
13、在进一步的实施方案中，识别所述第一区域及所述第二区域，确定是否为对应的目标区域、邻域区域，包括：
14、基于梯度计算公式计算所述第一区域的第一梯度；
15、基于梯度计算公式计算所述第二区域的第二梯度；
16、对比所述第一梯度、第二梯度，判断梯度差值是否大于预设阈值，若是则确定所述第一区域、第二区域为对应的目标区域、邻域区域。
17、在进一步的实施方案中，所述梯度计算公式如下：
18、
19、式中，d(x,y)为梯度，(xi,yi)是第i个像素点的像素值，(x,y)第i个像素点的坐标。
20、本方案基于光刺区域与相邻区域像素值差距，采用梯度对比进行区域对比识别，能够直观且快速的确定采集到的代表图像是否包含光刺，进而为光刺识别提供稳定的基础。
21、在进一步的实施方案中，对所述场景图像进行泛化性筛选，得到代表图像，包括：
22、根据哈希函数计算每一所述场景图像的md5值，作为图像样本的名称并存储到预设文件夹内；
23、计算出所述预设文件夹中所有图像样本md5值最后一位数字的众数mo，对所述预设文件夹中每张图像样本ni的md5值对mo取余，当余数为0时将该图像样本挑出；
24、基于梯度计算公式计算跳出的所述图像样本的梯度；
25、基于所述梯度进行相似度对比，从相似度相近的图像样本中提取出具备代表性的一副作为代表图像。
26、本方案在进行图像识别之前，预先基于哈希函数和梯度计算，筛选掉相似度相近的图像样本，进而提取出具备代表性的一副作为代表图像，在保证图像场景覆盖率的前提下，还降低了对于系统运算的负载，提高了效率。
27、在进一步的实施方案中，执行图像增强，突出所述目标区域并抑制所述邻域区域，得到目标图像，包括：
28、预定义至少两个像素范围及对应的阶段增强函数；
29、获取所述代表图像中每一像素点的像素值；
30、根据所述像素值确定对应像素点的像素范围，进而确定对应的阶段增强函数；
31、根据所述阶段增强函数和所述像素值计算所述像素点的像素更新值；
32、基于所述像素更新值执行图像增强，突出所述目标区域并抑制所述邻域区域，得到目标图像。
33、在进一步的实施方案中，所述阶段增强函数如下：
34、
35、其中，x为像素点的像素值，f(x)为像素更新值，255为图像像素值最高位，127为图像中值，α为平滑系数，e为自然数。
36、本方案基于光刺场景下，其与周围场景本身的像素差，进一步设置阶段增强函数，对于不同的像素范围内的像素点进行不同变化幅度的像素增强，使得图像对比更为突出，进一步的能够突出光刺区域，从而为车辆驾驶识别提供基础。
37、在进一步的实施方案中，所述业务场景包括室内场景、室外场景、天气场景、行驶场景和路况场景中的一种或多种。
38、本方案通过采集多种场景下的图像，进行训练识别，从而能够有效提高识别算法模型对应实际场景的应用识别，进而提供良好的用户体验。
39、本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序用于实现如上所述的一种提高光刺检测精度的图像处理方法。其中，存储介质可以是磁碟、光盘、只读存储器(read only memory，rom)或者随机存取器(random access memory，ram)等。