CN112581404A - 轨道交通视频监控图像增强算法 - Google Patents

Abstract

本发明提出了一种轨道交通视频监控图像增强算法，包括以下步骤：S1、将一幅图像分为两个色块和边缘两分量，且分别对应到频域，色块对应图像的低频分量，边缘细节对应图像的高频分量；S2、对低频分量使用全局自适应伽马校正进行增强，高频分量使用傅里叶变换进行增强；S3、将低频分量和高频分量对应的增强图叠加得到输出图像。本发明属于一种高、低频分离的亮度调整算法，对于低频和高频图像采用各自合适的不同方法进行分别增强会取得更好的结果。

Description

轨道交通视频监控图像增强算法

技术领域

本发明涉及图像增强处理的技术领域，尤其涉及一种轨道交通视频监控图像增强算法。

背景技术

轨道交通视频监控***可以方便值班人员实时监控地铁运营状况、客流及乘客上下车情况，方便维保人员及时监测设备状况，确保管理人员有效把控和指挥现场情况。轨道交通视频***的画面往往存在低照度的情况，这直接导致采集的图像质量差，极大地降低了视频监控***的实用价值。因此，探索轨道交通视频监控***的图像增强算法及应用对于充分发挥视频***的使用价值具有较大的实际意义。

对于轨道交通视频监控中的低照度图像，主要目的是调整其亮度以便查看目标。但是，现有的BBHE、DHE等增强算法对细节的保真度不高，往往在增强对比度的同时丢失了原有的细节，增强效果欠佳。

发明内容

为了改善低照度图像的增强效果，本专利提出了一种轨道交通视频监控图像增强方法，具体方案如下：

轨道交通视频监控图像增强算法，包括以下步骤：

S1、将一幅图像分为两个色块和边缘两分量，且分别对应到频域，色块对应图像的低频分量，边缘细节对应图像的高频分量；

S2、对低频分量使用全局自适应伽马校正进行增强，高频分量使用傅里叶变换进行增强；

S3、将低频分量和高频分量对应的增强图叠加得到输出图像。

具体地说，步骤S1具体为：图像的低频分量由高斯低通滤波器获取，获得低频图像记为Z；在高频分量提取过程中，采用了保留所有像素代替直接相减的方式。

具体地说，步骤S1中高频分量提取过程为：

分别判断原图像在R、G、B三个通道内像素值a_c和低频分量像素值b_c大小，其中c∈{R，G，B}，如果原图像素大于低频图像像素，直接相减，得到的差值存入高频图像X；如果原图像素小于低频分量像素，则取差值的相反数并存入高频图像Y；图像在R、G、B三个通道内分别计算的数学表达式如下：

X＝a_c-b_c，a_c＞b_c，c∈{R，G，B}

Y＝b_c-a_c，a_c＜b_c，c∈{R，G，B}。

具体地说，步骤S2中对低频分量进行增强的步骤具体为：通过伽马校正幂函数实现，所述幂函数的数学表达式为：

L＝Z^γ

其中，L是输出的增强后的低频图像，Z是输入的低频原图，γ是幂指数。

具体地说，γ取值为2.2。

具体地说，步骤S2中对高频分量的增强具体为：

S21、经过傅里叶变换将图像从空间域变换到频率域；

S22、在频率域对频谱进行同态滤波操作和处理；

S23、将其反变换到空间域，从而得到增强后的图像，高频图像X增强后的图像为P，高频图像Y增强后的图像为Q。

具体地说，步骤S3具体如下：将高频图像X和高频图像Y对应的增强图像和低频增强图像三幅图进行叠加，由于q存储的像素值是负值，叠加时要作相反数处理，其数学表达式如下：

J＝P_c+L_c+Q_c，c∈{R，G，B}

其中，J为叠加后的图像，P_c为X增强后的图像，L_c为低频图像Z增强后的图像，Q_c为Y增强后的图像。

本发明的有益效果在于：

(1)本发明属于一种高、低频分离的亮度调整算法，对于低频和高频图像采用各自合适的不同方法进行分别增强会取得更好的结果。

(2)图像的低频分量就是图像的色块部分，也就是图像的大部分像素，这部分像素一定程度上决定了图像的亮度。本发明中低频分量采用伽马校正的方法进行增强，伽马校正是指对图像的伽马曲线进行编辑来对图像做非线性亮度调整的方式，本质是通过灰度级变换方程分离图像中的深色像素与浅色像素，拉大两部分的差距，从而增强图像的对比度。

(3)高频图像增强常用的算法是导向图滤波，这种方式要对R、G、B三个通道分别处理步骤繁琐，而增强效果并不显著。导向图滤波后的图像纹理特性可以保持，但无法实现细节的突出。本申请采用傅里叶变换的方式，使得步骤简单，并且能够实现细节的突出。

附图说明

图1为本发明提出的一种轨道交通视频监控图像增强算法的流程图。

图2为实验处理的原图。

图3为现有技术中BBHE算法处理的效果图。

图4为现有技术中DHE算法处理的效果图。

图5为本申请算法处理的效果图。

具体实施方式

参照图1，本发明提出轨道交通视频监控图像增强算法，包括以下步骤：

S1、将一幅图像分为两个色块和边缘两分量，且分别对应到频域，色块对应图像的低频分量，边缘细节对应图像的高频分量；具体地说，图像的低频分量由高斯低通滤波器获取，获得低频图像记为Z；在高频分量提取过程中，采用了保留所有像素代替直接相减的方式。其中原图如图2所示，为视频监控中随机抽取的某市轨道交通视频监控***采集的实况视频切片，图片大小均为702×525。

高频分量提取过程为：

分别判断原图像在R、G、B三个通道内像素值a_c和低频分量像素值b_c大小，其中c∈{R，G，B}，如果原图像素大于低频图像像素，直接相减，得到的差值存入高频图像X；如果原图像素小于低频分量像素，则取差值的相反数并存入高频图像Y；图像在R、G、B三个通道内分别计算的数学表达式如下：

X＝a_c-b_c，a_c＞b_c，c∈{R，G，B}

Y＝b_c-a_c，a_c＜b_c，c∈{R，G，B}。

S2、对低频分量使用全局自适应伽马校正进行增强，高频分量使用傅里叶变换进行增强；

对低频分量进行增强的步骤具体为：

通过伽马校正幂函数实现，所述幂函数的数学表达式为：

L＝Z^γ

其中，L是输出的增强后的低频图像，Z是输入的低频原图，γ是幂指数。

具体地说，γ取值为2.2。

对高频分量的增强具体为：

S21、经过傅里叶变换将图像从空间域变换到频率域；

S22、在频率域对频谱进行同态滤波操作和处理；

S23、将其反变换到空间域，从而得到增强后的图像，高频图像X增强后的图像为P，高频图像Y增强后的图像为Q。

S3、将低频分量和高频分量对应的增强图叠加得到输出图像。具体如下：

将高频图像X和高频图像Y对应的增强图像和低频增强图像三幅图进行叠加，由于q存储的像素值是负值，叠加时要作相反数处理，其数学表达式如下：

J＝P_c+L_c+Q_c，c∈{R，G，B}

其中，J为叠加后的图像，P_c为X增强后的图像，L_c为低频图像Z增强后的图像，Q_c为Y增强后的图像。

基于上述算法，可得到如图5所示的效果图，和图3和图4对比可知：BBHE算法的信息熵、平均亮度很大，但部分细节被模糊；DHE算法处理结果对比度增强明显、清晰度高，但在站点指示栏处产生了明显的灰度溢出效应；本专利算法结果既保持了较高的亮度高和清晰度，也克服了细节模糊、灰度溢出效应等问题。下表通过定量分析的方式表明本算法的优越性：

方法	信息熵	对比度	平均亮度	清晰度
					BBHE	7.94	377	138	9.88
DHE	7.14	628	85	11.73
					本专利算法	7.91	644	145	12.52

从上表可以看出，本专利算法得到的图像信息熵与BBHE算法相当，但是好于DHE算法；在对比度方面，本专利算法显著高于BBHE算法且略微高于DHE算法；在平均亮度方面，本专利算法略微高于BBHE算法且显著高于DHE算法；在清晰度方面，本专利算法也由于BBHE算法和DHE算法；总体而言，本专利算法更为优越。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.轨道交通视频监控图像增强算法，其特征在于，包括以下步骤：

S1、将一幅图像分为两个色块和边缘两分量，且分别对应到频域，色块对应图像的低频分量，边缘细节对应图像的高频分量；

S2、对低频分量使用全局自适应伽马校正进行增强，高频分量使用傅里叶变换进行增强；

S3、将低频分量和高频分量对应的增强图叠加得到输出图像。

2.根据权利要求1所述的轨道交通视频监控图像增强算法，其特征在于，步骤S1具体为：图像的低频分量由高斯低通滤波器获取，获得低频图像记为Z；在高频分量提取过程中，采用了保留所有像素代替直接相减的方式。

3.根据权利要求2所述的轨道交通视频监控图像增强算法，其特征在于，步骤S1中高频分量提取过程为：

分别判断原图像在R、G、B三个通道内像素值a_c和低频分量像素值b_c大小，其中c∈{R，G，B}，如果原图像素大于低频图像像素，直接相减，得到的差值存入高频图像X；如果原图像素小于低频分量像素，则取差值的相反数并存入高频图像Y；图像在R、G、B三个通道内分别计算的数学表达式如下：

X＝a_c-b_c，a_c＞b_c，c∈{R，G，B}

Y＝b_c-a_c，a_c＜b_c，c∈{R，G，B}。

4.根据权利要求1或3所述的轨道交通视频监控图像增强算法，其特征在于，步骤S2中对低频分量进行增强的步骤具体为：通过伽马校正幂函数实现，所述幂函数的数学表达式为：

L＝Z^γ

其中，L是输出的增强后的低频图像，Z是输入的低频原图，γ是幂指数。

5.根据权利要求3所述的轨道交通视频监控图像增强算法，其特征在于，γ取值为2.2。

6.根据权利要求3所述的轨道交通视频监控图像增强算法，其特征在于，步骤S2中对高频分量的增强具体为：

S21、经过傅里叶变换将图像从空间域变换到频率域；

S22、在频率域对频谱进行同态滤波操作和处理；

S23、将其反变换到空间域，从而得到增强后的图像，高频图像X增强后的图像为P，高频图像Y增强后的图像为Q。

7.根据权利要求6所述的轨道交通视频监控图像增强算法，其特征在于，步骤S3具体如下：将高频图像X和高频图像Y对应的增强图像和低频增强图像三幅图进行叠加，由于q存储的像素值是负值，叠加时要作相反数处理，其数学表达式如下：

J＝P_c+L_c+Q_c，c∈{R，G，B}

其中，J为叠加后的图像，P_c为X增强后的图像，L_c为低频图像Z增强后的图像，Q_c为Y增强后的图像。

Images