[发明专利]一种基于图像增强模型的低照度交通图像增强方法

说明书

本发明公开了一种基于图像增强模型的低照度交通图像增强方法，包括以下步骤：S1、将拍摄的RGB空间的交通图像转换为HSV空间，得到H、S、V分量；S2、将H、S、V分量输入图像增强模型，得到增强H、S、V分量；S3、将增强H、S、V分量转换到RGB空间，得到增强交通图像；本发明解决了现有技术对图像阴影区域的增强效果不佳的问题。

技术领域

本发明涉及图像处理领域，具体涉及一种基于图像增强模型的低照度交通图像增强方法。

背景技术

虽然在现代社会路上的路灯随处可见，但仍有一些地方被灯光所忽视，在昏暗的环境下，由于照度(即光照强度)的降低，交通监控图像存在着能见度低、视觉效果差、色彩被破坏等问题，降低了交通图像的应用价值，同时增强了图像后期信息提取的难度。因此，对低照度交通监控图像进行增强处理，能有效提高交通图像的可实用性，利于公安机关更明晰的分辨出交通违章行为和违法犯罪行为，并获取车辆和相关人员信息。

针对低照度图像增强，有很多在不同方向研究出的方法，但都存在一定的缺陷。早期如Pizer等提出局部直方图均衡化的方法，对原始图像的像素灰度做某种映射变换，使变换后的图像灰度的概率密度呈均匀分布，提高了图像的对比度，但容易造成图像细节丢失。研究者近年来提出了各种不同的算法：基于Retinex算法，基于卷积神经网络算法，基于HSV色彩空间等。如：李淼等结合深度残差神经网络与Retinex理论提出了改进的U-net型网络，利用深度学习的方法对低光照的图片进行增强，使图像细节描述更准确，色彩深度更丰富，局部对比度更强，但主观感受上仍有些欠缺。吴若有等将HSI颜色空间和卷积神经网络的优点相结合，提出了A-Unet网络增强模型，利用HSI空间的优势来解决颜色失衡问题，再通过构建一个A-Unet模型对亮度分量进行增强，有效提高图像清晰度，避免颜色失真，在图像细节增强方面表现较好，但对图像阴影区域的增强效果不佳。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于图像增强模型的低照度交通图像增强方法解决了现有技术对图像阴影区域的增强效果不佳的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于图像增强模型的低照度交通图像增强方法，包括以下步骤：

S1、将拍摄的RGB空间的交通图像转换为HSV空间，得到H、S、V分量；

S2、将H、S、V分量输入图像增强模型，得到增强H、S、V分量；

S3、将增强H、S、V分量转换到RGB空间，得到增强交通图像。

进一步地，所述图像增强模型包括依次连接的编码解码网络、优化模型网络和改进残差神经网络。

进一步地，所述编码解码网络包括依次连接的第一编码块、第一最大池化层、第二编码块、第二最大池化层、第三编码块、第一反卷积层、第一解码块、第二反卷积层和第二解码块。

进一步地，所述第一编码块、第二编码块、第三编码块、第一解码块和第二解码块均包括依次连接的第一卷积层Conv2D、第一激活层LReLU、第二卷积层Conv2D和第二激活层LReLU。

进一步地，所述第一编码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n32s1，其中，K3表示卷积核大小为3，n32表示卷积核数量为32，s1表示卷积步长为1；

所述第二编码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n64s1，其中，n64表示卷积核数量为64；

所述第三编码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n128s1，其中，n128表示卷积核数量为128；

所述第一解码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n64s1；