[发明专利]一种用于海事无人机的低照度视频图像增强方法

权利要求书

1.一种用于海事无人机的低照度视频图像增强方法，其特征在于，所述方法包括如下步骤：

1)提取海事无人机拍摄的视频图像，采用基于Harris角点检测算子的多尺度金字塔机载视频图像特征提取算法进行视频去抖动操作；具体步骤包括：

1.1)在多尺度金字塔框架下，利用Harris角点检测方法对当前帧与前一帧相应的图像进行特征点检测，然后采用SIFT算子在所提取特征点上计算特征描述值，得到视频相邻帧的最优匹配特征点；

1.2)在最优匹配点的基础上，采用4参数的仿射变换模型计算运动矢量：

M＝[X^TX]^-1X^TY

其中，M为运动矢量矩阵，X和Y分别表示前一帧和当前帧的特征点坐标；

1.3)将运动矢量矩阵M作为观测矩阵，进行Kalman滤波，获取运动补偿分量M'，对当前帧图像进行逐帧补偿，得到去抖动后的低照度视频图像：

(X_n,Y_n)和(X'_n,Y'_n)分别表示当前帧和稳像后的特征点坐标；

2)采用融合主特征提取模型计算照射分量图像的估计值，然后基于Retinex分解模型对视频图像进行分解，得到反射分量图像；

3)使用限制对比度自适应直方图均衡化方法对所述照射分量图像的估计值进行对比度增强，得到增强后的照射分量图像；

4)建立卷积神经网络，对反射分量图像进行噪声抑制处理，得到去噪后的反射分量图像；

5)基于Retinex合成模型，对步骤3)中增强后的照射分量图像和步骤4)中去噪后的反射分量图像进行合成，得到海事无人机的视频增强图像。

2.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤2)中的主特征提取模型，根据去抖动后的视频图像计算照射分量图像的估计值，在提取图像主特征时可以较好地保持低照度图像的主要边缘信息，计算公式为：

其中，p为像素点；x和y分别表示水平和垂直方向；ε0为保证分母不为零的常数值；S表示照射分量图像；S_p表示像素点p的照射分量值；I表示原始输入图像；I_p表示像素点p的原始输入图像；λ表示正则化参数，D_x(p)和D_y(p)表示像素点p在x和y方向上窗口的总变化函数，L_x(p)和L_y(p)表示像素点p在x和y方向上的窗口固有方差：

w(p)为以像素点p为中心的窗口区域，q是以p为中心的一个正方形区域内所有像素点的索引，g_p,q为高斯核函数,σ为纹理尺度参数。

3.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤2)中反射分量图像R的计算方法为：

R_p＝I_p/S_p

其中，p为像素点；R_p表示像素点p的反射分量图像；S_p表示像素点p的照射分量值；I_p表示像素点p的原始输入图像。

4.根据权利要求2所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述纹理尺度参数σ用于控制纹理尺度的大小。

5.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤4)中卷积神经网络由D层卷积单元组成，D为大于1的自然数，其中第1个卷积单元由卷积层和ReLU层组成，第2到D-1个卷积单元分别由卷积层、批归一化层和ReLU层组成，第D个卷积单元由一个卷积层组成。

6.根据权利要求1所述的一种用于海事无人机的低照度视频图像增强方法，其特征在于：所述步骤5)中对增强后的照射分量图像和去噪后的反射分量图像进行合成的方法为：

I_e＝R_d·S_e

其中，I_e表示增强后的视频图像，R_d表示去噪后的反射分量图像，由基于改进的残差卷积神经网络输出得到，S_e表示增强后的照射分量图像。