论文部分内容阅读
在低照度、复杂的夜晚环境下,场景的复杂性会导致图像质量下降、光照不均、细节减少和边缘信息缺失等问题,进而影响智能驾驶辅助系统在车道线识别、车辆识别和行人识别等方面的准确率,因此需要进行图像复原处理。针对非均匀光照下的图像,经典的复原方法包括灰度变换法、同态滤波法、Retinex复原法和曝光补偿法等方法仅考虑光源在二维图像中的照明效果,而未考虑光源与被照物体的空间关系,对整幅图像使用同一参数调节,因此在具有复杂光照的城市夜间场景中,容易产生曝光过度或曝光不足等问题。针对以上问题,本文提出了一种基于空间关系的图像复原模型,基于该模型设计并实现了一个基于自适应曝光补偿技术的图像复原系统,该系统可对复杂光照下的城市夜间非均匀光照图像进行复原,避免曝光过度或曝光不足等问题。在图像复原前,本文首先采用映射法对图像中的多个光源进行检测,再利用基于深度学习(Deep Learning,DL)的光流法,预测光源的运动方向和确定光源在前后两帧图像中移动的像素距离差;本文采用基于单摄像机的测量方法,结合光流法的输出结果,采用基于视差原理(Parallax Theory,PT)的模型测算出光源到摄像机的像素距离“F”,并通过Zhang平面标定法完成二维图像到三维空间的映射,测算出实际场景中光源到摄像机的物理距离“f”。在图像复原阶段,根据光源、被照物体和摄像机的空间关系,建立了图像复原模型h=(?),得出光源到被照物体的距离“h”。再结合反射系数、光照强度、光衰减系数等因素,根据公式β(h)=r×I0× exp(-khc)得到自适应曝光补偿系数“β(h)”,通过自适应曝光补偿算法复原图像。为了比较基于自适应曝光补偿法与经典方法复原图像的效果,本文用城市夜晚复杂光照下的非均匀光照图像进行测试,实验结果证明,与经典图像复原方法的复原结果相比,经自适应曝光补偿复原系统处理后得到的复原图像,其图像感知质量的测量(Perceptual Quality Measure,PQM)值最接近理想值10,图像灰度平均值(Image Mean Gray Values,M)值和对比度增强因子(Contrast Enhancement Factor,E)值更加合理。