本發(fā)明涉及紅外圖像增強，具體指一種基于天空檢測的車載紅外圖像增強處理加速方法及系統(tǒng)。

背景技術：

1、在利用傳統(tǒng)的紅外圖像處理算法增強車載紅外圖像過程中，對地面區(qū)域進行對比度增強以提高輔助駕駛系統(tǒng)性能表現(xiàn)是非常有必要的。但車載紅外圖像通常需要關注的地方是除了天空以外的地面區(qū)域，對紅外圖像中的天空區(qū)域增強并不會提高輔助駕駛系統(tǒng)的性能表現(xiàn)。在車載紅外圖像中，天空區(qū)域在整幅圖像中有較高的占比，傳統(tǒng)的紅外圖像增強算法需要對整幅圖像的每一個像素都進行單獨的運算，因此不可避免的會對天空區(qū)域進行增強運算，這會造成大量的計算資源浪費，不利于提高紅外圖像增強模塊的輸出圖像幀率。

技術實現(xiàn)思路

1、本發(fā)明的目的在于針對常規(guī)紅外圖像增強算法應用于車載紅外圖像領域時不能針對非天空區(qū)域單獨增強，造成計算資源浪費這一問題，提出了一種基于天空檢測的車載紅外圖像增強處理加速方法，不僅減少計算資源，還提高紅外圖像增強后輸出圖像的幀率。

2、為了解決上述技術問題，本發(fā)明的技術方案為：

3、一種基于天空檢測的車載紅外圖像增強處理加速方法，包括如下步驟：

4、s1、獲取車載紅外圖像數(shù)據(jù)；

5、s2、通過對紅外圖像中的天空區(qū)域進行檢測與標定，得到天空邊界函數(shù)bopt(x)；

6、s3、將圖像分解為不同的頻率分量d1、d2，…，dm+1；

7、s4、對所有頻率分量進行多尺度顯著性提取運算，得到顯著性圖

8、s5、對顯著性提取結果與原始紅外圖像融合得到增強后的圖像e。

9、作為優(yōu)選，所述步驟s2包括如下子步驟：

10、s2-1、將紅外圖像轉換為灰度圖像；

11、s2-2、將灰度圖像作為輸入通過sobel算子對圖像中每個像素卷積得到整幅圖像的梯度圖grad；

12、s2-3、輸入梯度圖grad，通過天空邊界初步計算方法得到天空區(qū)域的邊界位置函數(shù)bopt(x)，其中，x表示像素點在整幅圖像中位置的橫坐標。

13、作為優(yōu)選，所述步驟s2-3中，天空邊界初步計算方法如下：

14、計算一次閾值t，其公式為：

15、

16、其中n、thresh_min、thresh_max的值會影響最終的效果，實際應用中，需要根據(jù)不同的應用場景選擇效果較佳的值。

17、對于當前計算得到的t和梯度圖grad，令變量x從1到w進行循環(huán)：初始化數(shù)組btmp(x)的所有元素為h，對于每個x，進行另一個循環(huán)，讓y從1到h：如果grad(x，y)＞t，則將btmp(x)設為y并結束當前y的循環(huán)，進入下一個x的循環(huán)直至所有的x與y的循環(huán)結束，其中，x表示像素點在整幅圖像中位置的橫坐標，y表示像素點在圖像中位置的縱坐標，w為圖像的橫向寬度，h為圖像的縱向高度；

18、根據(jù)btmp(x)計算圖像的能量函數(shù)jn，其公式為：

19、

20、其中，∑s和∑g分別為屬于天空區(qū)域和地面區(qū)域的每個像素灰度值的協(xié)方差矩陣，二者都是由當前像素點為中心的3x3矩陣計算得到，λs與λg為兩個上述兩個協(xié)方差矩陣的特征值；

21、如果此時的jn＞jn_max，那么更新一次jn_max的值，把此時jn的值賦給jn_max，同時把bopt(x)更新為此時的btmp(x)；

22、對于參數(shù)n，令其從1開始，每次累加1，當n的循環(huán)結束后輸出bopt(x)。

23、作為優(yōu)選，所述步驟s2還包括步驟s2-4：

24、假天空區(qū)域更正，輸入為bopt(x)，輸出為更正后的bopt(x)；

25、計算border_ave，公式如下：

26、

27、計算asadsbp，公式如下：

28、

29、判斷以下式子的結果：

30、(border_ave<thresh1)&(borde_ave<thresh2|asadsbp>thresh3)

31、其中thresh1＝h/30，thresh2＝h/10，thresh3＝5。

32、如果上式輸出為1，則此天空區(qū)域為假天空區(qū)域，令bopt(x)＝h，如果上式輸出為0，則bopt(x)保持不變。

33、作為優(yōu)選，所述步驟s3中，圖分解公式如下：

34、

35、其中，fk為使用第k個λ進行圖像平滑運算后得到的圖像，λ表示平滑因子，f0為平滑前的輸入圖像o，dm+1為fm，dk＝fk-1-fk，使用m個平滑因子對圖像平滑，對圖像分解后可以得到m+1層圖像，定義第k層圖像為dk。

36、作為優(yōu)選，所述圖像平滑運算采用基于l0范數(shù)最小化的圖像平滑運算方法。

37、作為優(yōu)選，所述步驟s4包括如下子步驟：

38、根據(jù)bopt(x)判斷d1，d2，...，dm+1共m+1個圖像分量中每個像素是否屬于天空區(qū)域，當對像素(x0，y0)判斷時，若y0＞bopt(x0)則該像素屬于天空區(qū)域，若y0≤bopt(x0)則該像素屬于非天空區(qū)域；

39、選取n個窗，基礎窗的邊長為t0，窗與窗之間邊長遞增的步長為δt，第n(1≤n≤n)個窗的邊長t＝t0+nδt；

40、對圖像的每個分量中屬于非天空區(qū)域的像素以上述的n個窗為單位進行基于頻率調諧的顯著性提取運算，對于屬于天空區(qū)域的像素以其自身的灰度值代替；對第k個分量dk進行第n個窗的顯著性提取后可以得到顯著性圖其提取過程可以表示為：

41、

42、最終可以得到(m+1)n個顯著性圖

43、作為優(yōu)選，所述步驟s5包括如下子步驟：

44、s5-1、首先讓每個顯著性圖與其對應的圖像分量相乘得到對應的中間量

45、s5-2、每個圖像分量對應有n個中間量，從中選取最大的一個，當對第k個分量dk運算時，用公式表示如下：

46、

47、s5-3、通過以下公式得到第k個圖像分量dk對應的增強后的圖像：

48、

49、其中w1，w2為0到1之間的系數(shù)，原圖像共有m+1個圖像分量，因此一共可以得到e1，e2，...，em+1共m+1個增強后的圖像；

50、s5-4、再將e1，e2，...，em+1與一組0到1之間的系數(shù)α1，α2，...，αm+1相乘后組合為整幅圖的增強后的圖像，用公式表示如下：

51、e＝α1e1+α2e2+...+αm+1em+1

52、e即為整幅圖像增強后的圖像。

53、本發(fā)明還提供了一種實現(xiàn)所述一種基于天空檢測的車載紅外圖像增強處理加速方法的系統(tǒng)，包括天空檢測預處理模塊、圖像分解模塊、顯著性提取模塊、圖像增強模塊，

54、所述天空檢測預處理模塊，用于天空區(qū)域檢測與標定，得到天空邊界函數(shù)bopt(x)；

55、所述圖像分解模塊，用于圖像的分解，通過基于l0范數(shù)最小化的圖像平滑將圖像分解為不同的頻率分量d1、d2，…，dm+1；

56、所述顯著性提取模塊，對圖像分解模塊得到的不同頻率分量進行多尺度局部顯著性提取運算，得到顯著性圖

57、所述圖像增強模塊，用于提高圖像的對比度，將得到的顯著性圖與原圖像融合后得到增強后的圖像。

58、本發(fā)明具有以下的特點和有益效果：

59、采用上述技術方案，通過在數(shù)據(jù)進入紅外圖像增強模塊之前進行天空檢測的預處理，對天空區(qū)域進行標定。數(shù)據(jù)進入紅外圖像增強模塊后，只對標定過的屬于非天空區(qū)域的像素進行增強運算，天空區(qū)域的像素保持不變進而減少單幀圖像的運算時間，提高紅外圖像增強后輸出圖像的幀率。