一種車載紅外圖像彩色化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種車載紅外圖像彩色化技術(shù)。
【背景技術(shù)】
[0002] 在夜間或者霧霾等情況下肉眼的能見(jiàn)度非常低，非常容易導(dǎo)致交通安全等問(wèn)題的 發(fā)生。由于車載紅外攝像頭具有抗干擾性強(qiáng)，視野穩(wěn)定，克服了在車輛行駛中由于外界因素 導(dǎo)致的肉眼能見(jiàn)度極具下降的情況下無(wú)法獲取完整的道路信息的問(wèn)題。近年來(lái)基于車載紅 外圖像的輔助駕駛系統(tǒng)的研究越來(lái)越被人們所關(guān)注。研究?jī)?nèi)容包括紅外圖像目標(biāo)檢測(cè)、深 度估計(jì)、彩色化等。紅外圖像的彩色化技術(shù)是研究紅外圖像的關(guān)鍵技術(shù)之一，能夠?qū)㈩伾珕?一，對(duì)比不明顯的紅外圖像通過(guò)圖像處理的技術(shù)手段將圖像中所包含的信息更加友好、直 觀的呈現(xiàn)給用戶，改善用戶對(duì)于紅外圖像的理解效果。
[0003] 近年來(lái)隨著圖像彩色化研究的不斷深入，如基于標(biāo)簽轉(zhuǎn)移算法的圖像分類彩色化 技術(shù)和分層分割技術(shù)以及使用局部特征描述符和條件隨機(jī)場(chǎng)（CRF)相結(jié)合的圖像分類彩 色化技術(shù)。但在紅外圖像彩色化研究的領(lǐng)域中，主要依然停留在基于圖像分割基礎(chǔ)上的紅 外圖像彩色化算法，導(dǎo)致最終的彩色化結(jié)果過(guò)分依賴于圖像分割的結(jié)果?；跇?biāo)簽轉(zhuǎn)移的 彩色化算法則需要建立大量匹配圖像庫(kù)，且隨著庫(kù)中的圖像增多，消耗的時(shí)間代價(jià)則越大。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問(wèn)題是能夠在車載紅外道路情況多變的條件下，正確進(jìn)行車 載紅外圖像的彩色化工作。
[0005] 為了解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案是提供了一種車載紅外圖像彩色化方 法，其特征在于，包括如下步驟：
[0006] 第一步、收集用于訓(xùn)練隨機(jī)森林分類的多幅車載紅外圖像以及與車載紅外圖像相 對(duì)應(yīng)的分類圖，提取每幅車載紅外圖像中各像素點(diǎn)的特征信息，將各幅車載紅外圖像的所 有像素點(diǎn)的特征信息及對(duì)應(yīng)的分類圖一起構(gòu)建訓(xùn)練樣本集；
[0007] 第二步、利用訓(xùn)練樣本集訓(xùn)練隨機(jī)森林分類器；
[0008] 第三步、將待測(cè)試的車載紅外圖像輸入訓(xùn)練好的隨機(jī)森林分類器，由隨機(jī)森林分 類器對(duì)待測(cè)試的車載紅外圖像中的各個(gè)像素進(jìn)行分類，得到分類結(jié)果圖；
[0009] 第四步、對(duì)分類結(jié)果圖進(jìn)行超像素分割，并在每個(gè)超像素內(nèi)部對(duì)每個(gè)像素點(diǎn)的分 類進(jìn)行直方圖統(tǒng)計(jì)，將每個(gè)超像素的分類標(biāo)記為當(dāng)前超像素內(nèi)統(tǒng)計(jì)到的分類屬性最多的那 一類，得到最終優(yōu)化后的分類結(jié)果圖；
[0010] 第五步、創(chuàng)建和待測(cè)試的車載紅外圖像大小一樣的RGB圖像，將RGB圖像的色彩空 間轉(zhuǎn)換至HSV色彩空間，根據(jù)最終優(yōu)化后的分類結(jié)果圖，將對(duì)應(yīng)的像素賦予對(duì)應(yīng)的色調(diào)，得 到最終彩色圖像，并將待測(cè)試的車載紅外圖像的灰度值轉(zhuǎn)為最終彩色圖像的V層的值。
[0011] 優(yōu)選地，在所述第一步中，用Law'S掩膜對(duì)每幅車載紅外圖像中各像素點(diǎn)進(jìn)行3個(gè) 尺度的特征提取。
[0012] 優(yōu)選地，在所述第四步中，利用SLIC超像素分割算法對(duì)分類結(jié)果圖進(jìn)行超像素分 割。
[0013] 本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)：
[0014] (1)本文彩色化算法適用于多種不同的車載紅外場(chǎng)景，且算法的魯棒性明顯提高。
[0015] (2)文本的算法基于像素級(jí)別的分類，錯(cuò)誤的分類只會(huì)影響該像素，而不會(huì)導(dǎo)致其 周圍的像素出現(xiàn)問(wèn)題。再結(jié)合超像素分割和直方圖統(tǒng)計(jì)算法，將進(jìn)一步有效的遏制錯(cuò)誤像 素錯(cuò)誤分類的情況，進(jìn)而使得最終的紅外圖像的彩色化更加準(zhǔn)確。
【附圖說(shuō)明】
[0016] 圖1為本發(fā)明提供的一種車載紅外圖像彩色化方法的算法流程框圖；
[0017] 圖 2 為L(zhǎng)aw's掩膜；
[0018] 圖3(a)至圖3(c)為訓(xùn)練用圖的3個(gè)不同尺度；
[0019] 圖4(a)為原始訓(xùn)練圖像；
[0020] 圖4(b)為對(duì)應(yīng)的分類結(jié)果圖；
[0021] 圖5 (a)至圖5 (d)為彩色化算法結(jié)果圖。
【具體實(shí)施方式】
[0022] 為使本發(fā)明更明顯易懂，茲以優(yōu)選實(shí)施例，并配合附圖作詳細(xì)說(shuō)明如下。
[0023] 如圖1所示，本發(fā)明主要包括：1、特征提取并訓(xùn)練隨機(jī)森林分類器。2、測(cè)試圖片 輸入訓(xùn)練好的隨機(jī)森林分類器進(jìn)行分類，獲得分類結(jié)果圖。3、對(duì)分類結(jié)果圖進(jìn)行超像素分 害J，并在超像素內(nèi)部進(jìn)行直方圖結(jié)果統(tǒng)計(jì)，最終確定超像素塊的所屬分類。4、將色彩空間轉(zhuǎn) 為HSV空間，根據(jù)對(duì)應(yīng)的分類賦予對(duì)應(yīng)的色調(diào)，并將原圖像的灰度值轉(zhuǎn)為最終彩色圖像的V 層的值。一下將會(huì)對(duì)這4個(gè)部分分別做出詳細(xì)的描述。
[0024] 1、隨機(jī)森林
[0025] 隨機(jī)森林算法由LeoBreiman和AdeleCutler提出，該算法結(jié)合了Breim-ans的 "Bootstrapaggregating"思想和Ho的"randomsubspace"方法。其實(shí)質(zhì)是一個(gè)包含多個(gè) 決策樹(shù)的分類器，這些決策樹(shù)的形成采用了隨機(jī)的方法，因此也叫做隨機(jī)決策樹(shù)，隨機(jī)森林 中的樹(shù)之間是沒(méi)有關(guān)聯(lián)的。當(dāng)測(cè)試數(shù)據(jù)進(jìn)入隨機(jī)森林時(shí)，即讓每一棵決策樹(shù)進(jìn)行分類，最后 取所有決策樹(shù)中分類結(jié)果最多的那類為最終的結(jié)果。因此隨機(jī)森林是一個(gè)包含多個(gè)決策數(shù) 的分類器，并且其輸出的類別是由個(gè)別樹(shù)輸出的類別的眾數(shù)而定。它具有很高的的預(yù)測(cè)準(zhǔn) 確率，對(duì)異常和噪聲具有很好的容忍度，且不容易出現(xiàn)過(guò)擬合。
[0026] 隨機(jī)森林算法是基于Bootstrap方法的重采樣，產(chǎn)生多個(gè)訓(xùn)練集。隨機(jī)森林算法 在構(gòu)建決策樹(shù)時(shí)采用了隨機(jī)選取分裂屬性集的方法。詳細(xì)的隨機(jī)森林算法流程如下：
[0027] (1)利用Bootstrap方法重采樣，隨機(jī)產(chǎn)生T個(gè)訓(xùn)練集SpS2…，ST。
[0028] (2)利用每個(gè)訓(xùn)練集，生成對(duì)應(yīng)的決策樹(shù)Q，C2，…，CT;在每個(gè)非葉子節(jié)點(diǎn)上選擇 屬性前，從M個(gè)屬性中隨機(jī)抽取m個(gè)屬性作為當(dāng)前節(jié)點(diǎn)的分裂屬性集，并以這m個(gè)屬性中最 好的分裂方式對(duì)該節(jié)點(diǎn)進(jìn)行分裂。
[0029] (3)每棵樹(shù)都完整生長(zhǎng)，而不進(jìn)行剪枝。
[0030] (4)對(duì)于測(cè)試樣本X，利用每個(gè)決策樹(shù)進(jìn)行測(cè)試，得到對(duì)應(yīng)的類別Q⑴，C2⑴，…， CT〇()〇
[0031] (5)采用投票的方法，將T個(gè)決策樹(shù)中輸出最多類別的作為測(cè)試急樣本類別。
[0032] 2、基于Law's掩膜的多尺度特征提取
[0033] 對(duì)于每個(gè)像素點(diǎn)而言，需要計(jì)算一系列的特征值來(lái)捕捉每個(gè)像素及其周邊一定 范圍內(nèi)的像素所蘊(yùn)含的視覺(jué)特征，同時(shí)需要對(duì)還需要結(jié)合該像素點(diǎn)的位置信息等。使用 Law's掩膜對(duì)圖像進(jìn)行3個(gè)尺度的特征提取，其特征如圖2所示。
[0034] 訓(xùn)練所使用的圖像的三個(gè)不同尺度的圖像如圖3(a)至圖3(c)所示。
[0035] 圖2即為L(zhǎng)aw's特征掩膜，在特征提取時(shí)使用Law's掩膜分別在上述訓(xùn)練圖像的 三個(gè)不同尺度上進(jìn)行卷積，輸出結(jié)果為Fn(x，y)，n= 1，2, . . .，9。定義每個(gè)超像素塊上的 紋理能量如式（3)所示.
[0036]
0}