CN116188327B - 一种用于安防监控视频的图像增强方法 - Google Patents

一种用于安防监控视频的图像增强方法 Download PDF

Info

Publication number
CN116188327B
CN116188327B CN202310429940.1A CN202310429940A CN116188327B CN 116188327 B CN116188327 B CN 116188327B CN 202310429940 A CN202310429940 A CN 202310429940A CN 116188327 B CN116188327 B CN 116188327B
Authority
CN
China
Prior art keywords
gray level
image
gray
pixel point
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310429940.1A
Other languages
English (en)
Other versions
CN116188327A (zh
Inventor
王秀芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jining Polytechnic
Original Assignee
Jining Polytechnic
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jining Polytechnic filed Critical Jining Polytechnic
Priority to CN202310429940.1A priority Critical patent/CN116188327B/zh
Publication of CN116188327A publication Critical patent/CN116188327A/zh
Application granted granted Critical
Publication of CN116188327B publication Critical patent/CN116188327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Burglar Alarm Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于安防监控视频的图像增强方法，获取夜间监控视频每帧的监控图像，获取相邻两帧的HIS图像的色调差；获取得到目标图像中每个像素点的相似度；获取划分灰度级的区间个数；根据区间个数将灰度直方图所对应的灰度级范围等分为多段得到多段灰度级范围，根据每段灰度级范围、所有灰度级线性拉伸的线段的初始斜率、每段灰度级范围对应的像素点的重要程度的均值得到每段灰度级范围线性拉伸的线段斜率,根据每段灰度级范围线性拉伸的线段斜率得到拉伸后每个像素点的灰度值，根据拉伸后每个像素点的灰度值得到增强后的灰度图像。本发明实现了监控视频图像的增强。

Description

一种用于安防监控视频的图像增强方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于安防监控视频的图像增强方法。
背景技术
视频监控是安全防范***的重要组成部分，随着技术的不断发展，视频监控***应用于现代社会的各个场所，尤其是人员流动少，且偏僻的场所，如写字楼、住宅楼安全通道、偏僻的巷子，偏僻的场所极易发生事故，发生事故后，需要进行责任认定，但是，责任认定时往往因为缺少依据导致认定无法进行，而监控视频恰好可以解决这一问题，当监控区域内发生事故时，可以在事后通过查看监控录像，取得事发时的画面，对事故责任认定提供有力证据，提高治安环境和安防工作的管理。
现有的对视频图像进行分析往往采用神经网络，使用样本集训练神经网络，利用训练好的神经网络获取视频图像中的重要信息；但是，夜间的监控视频易受亮度条件因素的影响，导致视频不清晰，甚至极度模糊，因此，利用神经网络无法准确的获取视频图像的细节信息，导致最终获取的视频信息不准确，且盗窃事故、打架斗殴事故发生的形式多种多样，所以神经网络所需样本集过多，且无法囊括每种事故的形式，因此，在利用神经网络进行事故甄别时极易遗漏重要信息，导致最终获取的视频信息不准确，最终影响事故责任认定。
发明内容
本发明提供一种用于安防监控视频的图像增强方法，以解决现有的获取的视频信息不准确的问题。
本发明的一种用于安防监控视频的图像增强方法，采用如下技术方案：
获取夜间监控视频每帧的监控图像，将每帧的监控图像转化为HIS图像，获取相邻两帧的HIS图像中相同位置像素点的色调差，根据相邻两帧的HIS图像中相同位置像素点的色调差得到相邻两帧的HIS图像的色调差，根据相邻两帧的HIS图像的色调差得到待增强图像；
获取待增强图像的灰度图像，将待增强图像的灰度图像作为目标图像，获取目标图像前一帧图像的灰度图像，根据目标图像的灰度图像与其前一帧图像的灰度图像中的每个像素点的灰度值得到目标图像中每个像素点灰度值的相似度；
根据目标图像中每个像素点的相似度和该像素点与前一帧HIS图像中相同位置的像素点的色调差得到该像素点的重要程度，根据每个像素点的重要程度得到划分目标图像对应的灰度级范围的区间个数；
根据区间个数将灰度直方图所对应的灰度级范围等分为多段得到多段灰度级范围，获取每段灰度级范围线性拉伸的线段斜率，根据每段灰度级范围线性拉伸的线段斜率、每段灰度级范围起始节点和终止节点的灰度值得到拉伸后每个像素点的灰度值，根据拉伸后每个像素点的灰度值得到增强后的灰度图像。
进一步的，所述相邻两帧的HIS图像的色调差是按如下方法确定的：
将相邻两帧的HIS图像中所有相同位置像素点的色调差进行求和得到相邻两帧的HIS图像的色调差。
进一步的，所述待增强图像是按如下方法确定的：
选取十组连续相邻两帧的HIS图像的色调差，获取该十组连续相邻两帧的HIS图像的色调差的均值；
将该均值的1.5倍作为色调差阈值，当相邻两帧的HIS图像的色调差大于色调差阈值时将后一帧HIS图像作为待增强图像。
进一步的，所述目标图像中每个像素点灰度值的相似度的具体表达式为：
Figure SMS_1
式中：
Figure SMS_12
表示目标图像中第/>
Figure SMS_5
个像素点的相似度，/>
Figure SMS_7
表示滑窗尺寸，/>
Figure SMS_4
表示目标图像中以像素点/>
Figure SMS_8
为滑窗中心像素点的滑窗内第/>
Figure SMS_10
个像素点的灰度值，/>
Figure SMS_17
表示目标图像与该目标图像前一帧图像的灰度图像同一位置的滑窗内第/>
Figure SMS_11
个像素点的灰度值，/>
Figure SMS_14
表示目标图像中以像素点/>
Figure SMS_3
为滑窗中心像素点的灰度值，/>
Figure SMS_9
表示目标图像中以像素点/>
Figure SMS_13
为滑窗中心像素点的滑窗内第/>
Figure SMS_15
个像素点的灰度值，/>
Figure SMS_16
表示滑窗内像素点的灰度均值，/>
Figure SMS_18
表示滑窗内除中心像素点/>
Figure SMS_2
外的其他像素点的个数，/>
Figure SMS_6
表示滑窗内所有像素点的个数。
进一步的，所述像素点的重要程度是按如下方法确定的：
将每个像素点与该像素点所在HSI图像的前一帧HIS图像中相同位置的像素点的色调差作为分子，以360作为分母得到比值，将该比值与该像素点的相似度相加得到该像素点的重要程度。
进一步的，所述划分目标图像对应的灰度级范围的区间个数是按如下方法确定的：
将目标图像对应的灰度级范围等分为多个区间，其中多个区间为2-10个区间；
计算每次等分时对应的每个区间中像素点的重要程度的方差，获取最小方差，将最小方差对应的该次等分时的区间个数作为划分目标图像对应的灰度级范围的区间个数。
进一步的，所述每段灰度级范围线性拉伸的线段斜率是按如下方法确定的：
获取每段灰度级范围对应的像素点的重要程度的均值，获取所有灰度级线性拉伸的线段的初始斜率，根据所有灰度级线性拉伸的线段的初始斜率得到每段灰度级范围线性拉伸的线段初始斜率之和；
获取每段灰度级范围对应的像素点的重要程度的均值的累加和，将该段灰度级范围对应的像素点的重要程度的均值与每段灰度级范围对应的像素点的重要程度的均值的累加和的比值与每段灰度级范围线性拉伸的线段初始斜率之和相乘得到每段灰度级范围线性拉伸的线段斜率。
进一步的，所述拉伸后每个像素点的灰度值是按如下方法确定的：
根据所有灰度级中的最大灰度级、最小灰度级、区间个数得到每个等分节点的灰度值；
获取每个等分节点前每段灰度级范围线性拉伸的线段斜率之和与所有段灰度级范围线性拉伸的线段斜率之和的比值，将该比值与255相乘得到乘积，将乘积作为该等分节点拉伸后的灰度值；
根据每段灰度级范围的起始节点拉伸后的灰度值、终止节点的灰度值、每段灰度级范围内每个像素点的灰度值和每段灰度级范围线性拉伸的线段斜率得到拉伸后每个像素点的灰度值。
本发明的有益效果是：本发明的一种用于安防监控视频的图像增强方法，首先获取了相邻两帧的HIS图像的色调差，根据相邻两帧的HIS图像的色调差得到了需要增强的图像，后续对需要增强的图像进行分析，缩小了关键信息的寻找范围，提高了效率；
其次，本发明对需要增强的图像，即目标图像中每个像素点的相似度进行了计算，根据每个像素点的相似性和色调差对每个像素点的重要程度进行了量化，根据量化的结果划分了图像线性拉伸的区间，最终对每个区间内的灰度级进行了拉伸得到拉伸后的灰度级，实现了图像的增强，通过该方法分区间的自适应增强，避免了拉伸过程中原始信息的丢失，保证了增强后图像信息的完整性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种用于安防监控视频的图像增强方法的实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种用于安防监控视频的图像增强方法的实施例，如图1所示，包括：
S1、获取夜间监控视频每帧的监控图像，将每帧的监控图像转化为HIS图像（彩色空间图像），获取相邻两帧的HIS图像中相同位置像素点的色调差，根据相邻两帧的HIS图像中相同位置像素点的色调差得到相邻两帧的HIS图像的色调差，根据相邻两帧的HIS图像的色调差得到待增强图像。
获取夜间监控视频每帧的监控图像的具体步骤为：夜间图像采集时间段为晚上9点至早上6点，由于监控视频一般一秒有24帧，故在监控视频中每隔23帧，抽取一帧图像，作为每帧图像，对所采集的RGB图像利用矢量中值滤波进行去噪得到去噪后的RGB图像，可抑制由于拍摄设备和光照环境的影响所产生的噪声，避免噪声干扰后续RGB图像分析。
已知夜间环境内光照昏暗，当人或物未使用照明物进入监控图像采集范围内时，图像内的亮度变化较小，但进入图像中的人或物会遮挡部分原始的场景物，其颜色变化较大，因此将去噪后的RGB图像转化为HIS图像，利用H通道图像来判断需要增强的HIS图像。
得到相邻两帧的HIS图像的色调差的具体步骤为：获取相邻两帧的HIS图像中相同位置像素点的色调差
Figure SMS_19
，将相邻两帧的HIS图像中所有相同位置像素点的色调差进行求和得到相邻两帧的HIS图像的色调差/>
Figure SMS_20
。
得到待增强图像的具体步骤为：选取十组连续相邻两帧的HIS图像的色调差，获取该十组连续相邻两帧的HIS图像的色调差的均值
Figure SMS_21
，令/>
Figure SMS_22
为色调差阈值，当相邻两帧的HIS图像的色调差大于色调差阈值时将后一帧HIS图像作为待增强图像。
S2、获取待增强图像的灰度图像，将待增强图像的灰度图像作为目标图像，获取目标图像前一帧图像的灰度图像，根据目标图像的灰度图像与其前一帧图像的灰度图像中的每个像素点的灰度值得到目标图像中每个像素点灰度值的相似度。
获取待增强图像的灰度图像，将待增强图像的灰度图像作为目标图像，获取目标图像前一帧图像的灰度图像。
得到目标图像中每个像素点的相似度的具体步骤为：设置滑窗，获取每个滑窗内像素点的灰度值、目标图像与该目标图像前一帧图像的灰度图像中同一滑窗位置处的像素点的灰度值，根据每个滑窗内像素点的灰度值得到对应滑窗内像素点的灰度均值，据此，目标图像中每个像素点的相似度的具体表达式为：
Figure SMS_23
式中：
Figure SMS_34
表示目标图像中第/>
Figure SMS_32
个像素点的相似度，/>
Figure SMS_33
表示滑窗尺寸，本发明取滑窗尺寸为/>
Figure SMS_35
，/>
Figure SMS_41
表示目标图像中以像素点/>
Figure SMS_39
为滑窗中心像素点的滑窗内第/>
Figure SMS_40
个像素点的灰度值，/>
Figure SMS_26
表示目标图像与该目标图像前一帧图像的灰度图像同一位置的滑窗内第/>
Figure SMS_27
个像素点的灰度值，/>
Figure SMS_24
表示目标图像中以像素点/>
Figure SMS_25
为滑窗中心像素点的灰度值，/>
Figure SMS_28
表示目标图像中以像素点/>
Figure SMS_29
为滑窗中心像素点的滑窗内第/>
Figure SMS_30
个像素点的灰度值，/>
Figure SMS_31
表示滑窗内像素点的灰度均值，/>
Figure SMS_36
表示滑窗内除中心像素点/>
Figure SMS_37
外的其他像素点的个数，/>
Figure SMS_38
表示滑窗内所有像素点的个数。
其中，
Figure SMS_42
表示目标图像与该目标图像前一帧图像的灰度图像中同一滑窗位置处的像素点的灰度值的变化均值，该值越大，说明该滑窗内前一帧至后一帧的灰度值发生了较大的变化，该滑窗内的信息越重要，因此，滑窗中心像素点需要增强的概率越大；而/>
Figure SMS_43
表示目标图像中滑窗内中心像素点与相邻像素点的灰度值变化，该值越大，说明滑窗中心像素点为图像边缘细节的概率越大，即该中心像素点需要增强的概率越大。
S3、根据目标图像中每个像素点的相似度和该像素点与前一帧HIS图像中相同位置的像素点的色调差得到该像素点的重要程度，根据每个像素点的重要程度得到划分目标图像对应的灰度级范围的区间个数。
得到像素点的重要程度的具体步骤为：根据目标图像中每个像素点的相似度和该像素点与该像素点所在HSI图像的前一帧HIS图像中相同位置的像素点的色调差得到该像素点的重要程度，具体表达式为：
Figure SMS_44
式中：
Figure SMS_46
表示第/>
Figure SMS_48
个像素点在后一帧HIS图像中的色调值，/>
Figure SMS_50
表示第/>
Figure SMS_47
个像素点在前一帧HIS图像中的色调值，/>
Figure SMS_49
表示该第/>
Figure SMS_51
个像素点在目标图像中的相似度，/>
Figure SMS_52
表示第/>
Figure SMS_45
个像素点的重要程度。
其中，360表示色调H的取值范围，故
Figure SMS_53
表示目标图像内各像素点在颜色上识别目标区域的概率，其中目标区域指人或物进入监控范围后再监控画面中形成的区域，目标区域的/>
Figure SMS_54
的值较大，而非目标区域的/>
Figure SMS_55
的值接近于0，而/>
Figure SMS_56
表示各像素点为目标图像内的边缘细节的概率。
统计目标图像的灰度直方图中的最大和最小灰度级为
Figure SMS_57
和/>
Figure SMS_58
，根据灰度级范围将所有灰度级等分为两区间，统计灰度值不大于/>
Figure SMS_59
的像素点的重要程度值的方差和灰度值大于/>
Figure SMS_60
的像素点的重要程度值的方差，取两者的较大值为/>
Figure SMS_61
。故/>
Figure SMS_62
表示划分的两个区间中像素点的重要程度值的均匀性较差的区间内的像素点重要程度方差。
然后根据灰度级范围将灰度级等分为三个区间，获取方差
Figure SMS_63
表示划分的三个区间中像素点的重要程度值的均匀性较差的区间内的像素点重要程度方差。依次增加划分的区间数量，直至根据灰度级将其等分为十个区间，获得方差/>
Figure SMS_64
。
最后取这9个方差中的最小值对应的区间数量y为区间个数，这9个方差中的最小值表示这种区间划分方式下，各区间内的像素点的重要程度值的均匀程度达到最大，即此时划分的区间中，同一区内像素点的重要程度值相似性最大。
S4、根据区间个数将灰度直方图所对应的灰度级范围等分为多段得到多段灰度级范围，获取每段灰度级范围线性拉伸的线段斜率，根据每段灰度级范围线性拉伸的线段斜率、每段灰度级范围起始节点和终止节点的灰度值得到拉伸后每个像素点的灰度值，根据拉伸后每个像素点的灰度值得到增强后的灰度图像。
根据区间个数y将灰度直方图所对应的灰度级范围等分为多段得到多段灰度级范围，记为y段灰度级范围，获取每段灰度级范围对应的像素点的重要程度的均值，获得重要程度的均值集合
Figure SMS_65
。
获取所有灰度级线性拉伸的线段的初始斜率的具体步骤为：由于灰度级的范围为[0，255]，因此，该所有灰度级线性拉伸的线段的高为255，长为最大灰度级减去最小灰度级，即所有灰度级线性拉伸的线段的初始斜率为255除以
Figure SMS_66
，可表示为
Figure SMS_67
。
得到每段灰度级范围线性拉伸的线段斜率的具体步骤为：将所有灰度级线性拉伸的线段与划分后的每段灰度级范围相对应，得到每段灰度级范围所对应的线性拉伸的线段的初始斜率之和为
Figure SMS_68
，其中，每段灰度级范围线性拉伸的线段的初始斜率公式中分母相同，均为/>
Figure SMS_69
，而灰度级的范围为[0，255]，因此，每段灰度级范围所对应的线性拉伸的线段的初始斜率之和为/>
Figure SMS_70
，因此，每段灰度级范围线性拉伸的线段斜率的具体表达式为：
Figure SMS_71
式中：
Figure SMS_72
表示第/>
Figure SMS_73
段灰度级范围线性拉伸的线段斜率，/>
Figure SMS_74
表示第/>
Figure SMS_75
段灰度级范围对应的像素点的重要程度的均值，/>
Figure SMS_76
表示每段灰度级范围所对应的线性拉伸的线段的初始斜率之和，/>
Figure SMS_77
表示每段灰度级范围对应的像素点的重要程度的均值的累加和，y表示区间个数。
其中，该公式根据每段灰度级范围对应的像素点的重要程度和每段灰度级范围所对应的线性拉伸的线段的初始斜率之得到了该段灰度级范围线性拉伸的线段斜率，相当于，根据重要程度对初始斜率进行了拉伸，每段灰度级范围对应的像素点的重要程度的均值越大，则该段灰度级范围线性拉伸的线段的斜率越大，拉伸的范围越大，灰度值拉伸后的对比度越大，获得每段灰度级范围线性拉伸的线段斜率集合
Figure SMS_78
。
得到拉伸后每个像素点的灰度值的具体步骤为：获取等分灰度级范围的等分节点，根据所有灰度级中的最大灰度级、最小灰度级、区间个数得到每个等分节点的灰度值，具体表达式如下：
Figure SMS_79
式中：
Figure SMS_81
表示第/>
Figure SMS_83
个等分节点的灰度值，/>
Figure SMS_85
表示最小灰度级，/>
Figure SMS_82
表示最大灰度级，/>
Figure SMS_84
表示区间个数即等分后灰度级范围的段数，/>
Figure SMS_86
表示第/>
Figure SMS_87
个等分节点，
Figure SMS_80
。
其中，该公式中
Figure SMS_88
表示最小灰度级，/>
Figure SMS_91
表示最大灰度级，/>
Figure SMS_94
表示区间个数即等分后灰度级范围的段数，故/>
Figure SMS_89
表示等分的单个区间的大小，/>
Figure SMS_92
表示将区间
Figure SMS_93
等分为/>
Figure SMS_95
段灰度级范围的第/>
Figure SMS_90
个节点，即/>
Figure SMS_96
表示对应段灰度级范围的起始节点的灰度级。
获取每个等分节点前每段灰度级范围线性拉伸的线段斜率之和与所有段灰度级范围线性拉伸的线段斜率之和的比值，将该比值与255相乘得到乘积，将乘积作为该等分节点拉伸后的灰度值
Figure SMS_97
，/>
Figure SMS_98
，其中，若/>
Figure SMS_99
，则灰度级范围线性拉伸的线段斜率之和为第一段灰度级范围线性拉伸的线段斜率，斜率值表示各线段的纵坐标范围比其横坐标范围，横坐标范围相同，因此各线段的斜率比对应其纵坐标范围比，故/>
Figure SMS_100
表示各线段的起始点的纵坐标值，即拉伸范围255乘以对应线段的前几个线段的斜率之和占总斜率的比值。
根据每段灰度级范围的起始节点拉伸后的灰度值和终止节点的灰度值、每段灰度级范围内每个像素点的灰度值和每段灰度级范围线性拉伸的线段斜率得到拉伸后每个像素点的灰度值，具体表达式如下：
Figure SMS_101
式中：
Figure SMS_117
表示第/>
Figure SMS_118
段灰度级范围内拉伸后第/>
Figure SMS_122
个像素点的灰度值，/>
Figure SMS_102
表示第/>
Figure SMS_120
段灰度级范围线性拉伸的线段斜率，/>
Figure SMS_125
表示目标图像对应的第/>
Figure SMS_126
段灰度级范围内第/>
Figure SMS_105
个像素点的灰度值， />
Figure SMS_106
表示第/>
Figure SMS_108
段灰度级范围起始节点的灰度值，若第/>
Figure SMS_110
段灰度级范围为第一个灰度级范围，则/>
Figure SMS_104
为/>
Figure SMS_107
，/>
Figure SMS_109
表示第/>
Figure SMS_111
段灰度级范围起始节点拉伸后的灰度值，若第/>
Figure SMS_113
段灰度级范围为第一个灰度级范围，则拉伸后的灰度值为/>
Figure SMS_115
，/>
Figure SMS_116
表示第/>
Figure SMS_119
段灰度级范围终止节点的灰度值，当第/>
Figure SMS_103
段灰度级范围为最后一段灰度级范围时/>
Figure SMS_121
为255，/>
Figure SMS_123
，
Figure SMS_124
，/>
Figure SMS_112
表示区间个数即等分后灰度级范围的段数，/>
Figure SMS_114
。
其中，该公式利用了每段灰度级范围线性拉伸的线段斜率对每段灰度级范围内每个像素点的灰度值进行拉伸，由于对每段灰度级范围内每个像素点的灰度值进行拉伸的主要依靠每段灰度级范围线性拉伸的线段斜率，利用每段灰度级范围内每个像素点的灰度值减去终止节点的灰度值与该段灰度级范围线性拉伸的线段斜率相乘，对该段灰度级范围进行了拉伸，再加上
Figure SMS_127
保证了每段灰度级范围的拉伸，因此，根据每段灰度级范围的起始节点拉伸后的灰度值和终止节点的灰度值、每段灰度级范围内每个像素点的灰度值和每段灰度级范围线性拉伸的线段斜率得到拉伸后每个像素点的灰度值。
至此，可得到目标图像中拉伸后每个像素点的灰度值，根据目标图像中拉伸后每个像素点的灰度值得到增强后的目标图像，即增强后的待增强图像，提取增强后的待增强图像中的信息，进行事故责任认定，保证治安环境和安防工作的管理。
本发明的有益效果是：本发明的一种用于安防监控视频的图像增强方法，首先获取了相邻两帧的HIS图像的色调差，根据相邻两帧的HIS图像的色调差得到了需要增强的图像，后续对需要增强的图像进行分析，缩小了关键信息的寻找范围，提高了效率；
其次，本发明对需要增强的图像，即目标图像中每个像素点的相似度进行了计算，根据每个像素点的相似性和色调差对每个像素点的重要程度进行了量化，根据量化的结果划分了图像线性拉伸的区间，最终对每个区间内的灰度级进行了拉伸得到拉伸后的灰度级，实现了图像的增强，通过该方法分区间的自适应增强，避免了拉伸过程中原始信息的丢失，保证了增强后图像信息的完整性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于安防监控视频的图像增强方法，其特征在于，包括：
获取夜间监控视频每帧的监控图像，将每帧的监控图像转化为HIS图像，获取相邻两帧的HIS图像中相同位置像素点的色调差，根据相邻两帧的HIS图像中相同位置像素点的色调差得到相邻两帧的HIS图像的色调差，根据相邻两帧的HIS图像的色调差得到待增强图像；
获取待增强图像的灰度图像，将待增强图像的灰度图像作为目标图像，获取目标图像前一帧图像的灰度图像，根据目标图像的灰度图像与其前一帧图像的灰度图像中的每个像素点的灰度值得到目标图像中每个像素点灰度值的相似度；
所述目标图像中每个像素点灰度值的相似度的具体表达式为：
Figure QLYQS_1
式中：
Figure QLYQS_9
表示目标图像中第/>
Figure QLYQS_4
个像素点的相似度，/>
Figure QLYQS_11
表示滑窗尺寸，/>
Figure QLYQS_5
表示目标图像中以像素点/>
Figure QLYQS_10
为滑窗中心像素点的滑窗内第/>
Figure QLYQS_14
个像素点的灰度值，/>
Figure QLYQS_17
表示目标图像与该目标图像前一帧图像的灰度图像同一位置的滑窗内第/>
Figure QLYQS_8
个像素点的灰度值，/>
Figure QLYQS_13
表示目标图像中以像素点/>
Figure QLYQS_2
为滑窗中心像素点的灰度值，/>
Figure QLYQS_6
表示目标图像中以像素点/>
Figure QLYQS_12
为滑窗中心像素点的滑窗内第/>
Figure QLYQS_16
个像素点的灰度值，/>
Figure QLYQS_15
表示滑窗内像素点的灰度均值，/>
Figure QLYQS_18
表示滑窗内除中心像素点/>
Figure QLYQS_3
外的其他像素点的个数，/>
Figure QLYQS_7
表示滑窗内所有像素点的个数；
根据目标图像中每个像素点的相似度和该像素点与前一帧HIS图像中相同位置的像素点的色调差得到该像素点的重要程度，根据每个像素点的重要程度得到划分目标图像对应的灰度级范围的区间个数；
根据区间个数将灰度直方图所对应的灰度级范围等分为多段得到多段灰度级范围，获取每段灰度级范围线性拉伸的线段斜率，根据每段灰度级范围线性拉伸的线段斜率、每段灰度级范围起始节点和终止节点的灰度值得到拉伸后每个像素点的灰度值，根据拉伸后每个像素点的灰度值得到增强后的灰度图像；
所述拉伸后每个像素点的灰度值是按如下方法确定的：
根据所有灰度级中的最大灰度级、最小灰度级、区间个数得到每个等分节点的灰度值；
获取每个等分节点前每段灰度级范围线性拉伸的线段斜率之和与所有段灰度级范围线性拉伸的线段斜率之和的比值，将该比值与255相乘得到乘积，将乘积作为该等分节点拉伸后的灰度值；
根据每段灰度级范围的起始节点拉伸后的灰度值、终止节点的灰度值、每段灰度级范围内每个像素点的灰度值和每段灰度级范围线性拉伸的线段斜率得到拉伸后每个像素点的灰度值。
2.根据权利要求1所述的一种用于安防监控视频的图像增强方法，其特征在于，所述相邻两帧的HIS图像的色调差是按如下方法确定的：
将相邻两帧的HIS图像中所有相同位置像素点的色调差进行求和得到相邻两帧的HIS图像的色调差。
3.根据权利要求1所述的一种用于安防监控视频的图像增强方法，其特征在于，所述待增强图像是按如下方法确定的：
选取十组连续相邻两帧的HIS图像的色调差，获取该十组连续相邻两帧的HIS图像的色调差的均值；
将该均值的1.5倍作为色调差阈值，当相邻两帧的HIS图像的色调差大于色调差阈值时将后一帧HIS图像作为待增强图像。
4.根据权利要求1所述的一种用于安防监控视频的图像增强方法，其特征在于，所述像素点的重要程度是按如下方法确定的：
将每个像素点与该像素点所在HSI图像的前一帧HIS图像中相同位置的像素点的色调差作为分子，以360作为分母得到比值，将该比值与该像素点的相似度相加得到该像素点的重要程度。
5.根据权利要求1所述的一种用于安防监控视频的图像增强方法，其特征在于，所述划分目标图像对应的灰度级范围的区间个数是按如下方法确定的：
将目标图像对应的灰度级范围等分为多个区间，其中多个区间为2-10个区间；
计算每次等分时对应的每个区间中像素点的重要程度的方差，获取最小方差，将最小方差对应的该次等分时的区间个数作为划分目标图像对应的灰度级范围的区间个数。
6.根据权利要求1所述的一种用于安防监控视频的图像增强方法，其特征在于，所述每段灰度级范围线性拉伸的线段斜率是按如下方法确定的：
获取每段灰度级范围对应的像素点的重要程度的均值，获取所有灰度级线性拉伸的线段的初始斜率，根据所有灰度级线性拉伸的线段的初始斜率得到每段灰度级范围线性拉伸的线段初始斜率之和；
获取每段灰度级范围对应的像素点的重要程度的均值的累加和，将该段灰度级范围对应的像素点的重要程度的均值与每段灰度级范围对应的像素点的重要程度的均值的累加和的比值与每段灰度级范围线性拉伸的线段初始斜率之和相乘得到每段灰度级范围线性拉伸的线段斜率。
CN202310429940.1A 2023-04-21 2023-04-21 一种用于安防监控视频的图像增强方法 Active CN116188327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310429940.1A CN116188327B (zh) 2023-04-21 2023-04-21 一种用于安防监控视频的图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310429940.1A CN116188327B (zh) 2023-04-21 2023-04-21 一种用于安防监控视频的图像增强方法

Publications (2)

Publication Number Publication Date
CN116188327A CN116188327A (zh) 2023-05-30
CN116188327B true CN116188327B (zh) 2023-07-14

Family

ID=86438676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310429940.1A Active CN116188327B (zh) 2023-04-21 2023-04-21 一种用于安防监控视频的图像增强方法

Country Status (1)

Country Link
CN (1) CN116188327B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433657B (zh) * 2023-06-08 2023-08-25 金乡县明耀玻璃有限公司 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法
CN117078676B (zh) * 2023-10-16 2024-01-12 青岛盛鑫达机械有限公司 基于图像处理的破碎锤外壳视觉检测方法
CN117422627B (zh) * 2023-12-18 2024-02-20 卓世科技(海南)有限公司 基于图像处理的ai仿真教学方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512231A (zh) * 2022-11-15 2022-12-23 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 适用于国土空间生态修复的遥感解译方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6393148B1 (en) * 1999-05-13 2002-05-21 Hewlett-Packard Company Contrast enhancement of an image using luminance and RGB statistical metrics
CN104952052A (zh) * 2014-03-28 2015-09-30 南京理工大学 一种对emccd图像进行增强的方法
CN105354865B (zh) * 2015-10-27 2018-01-26 武汉大学 多光谱遥感卫星影像自动云检测方法及***
CN112116536A (zh) * 2020-08-24 2020-12-22 山东师范大学 一种低光照图像增强方法及***
CN114598849B (zh) * 2022-05-06 2022-07-15 青岛亨通建设有限公司 一种基于物联网的建筑施工安全监控***
CN115115554B (zh) * 2022-08-30 2022-11-04 腾讯科技（深圳）有限公司 基于增强图像的图像处理方法、装置和计算机设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512231A (zh) * 2022-11-15 2022-12-23 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 适用于国土空间生态修复的遥感解译方法

Also Published As

Publication number Publication date
CN116188327A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116188327B (zh) 一种用于安防监控视频的图像增强方法
CN101738394B (zh) 室内烟雾检测方法及***
CN109902633A (zh) 基于固定位摄像机监控视频的异常事件检测方法及装置
CN116188462B (zh) 一种基于视觉鉴定的贵金属质量检测方法及***
CN107944359A (zh) 基于视频的火焰检测方法
CN103763515A (zh) 一种基于机器学习的视频异常检测方法
JP4653207B2 (ja) 煙検出装置
CN105354563A (zh) 结合深度和彩色图像的遮挡人脸检测预警装置及实现方法
CN107563985B (zh) 一种红外图像空中运动目标的检测方法
CN110717408B (zh) 一种基于tof相机的人流计数方法
CN108921857A (zh) 一种面向监视场景的视频图像焦点区域分割方法
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN112200807B (zh) 一种视频质量诊断方法与***
CN111460964A (zh) 一种广电传输机房低照度条件下运动目标检测方法
CN107346421B (zh) 一种基于颜色不变性的视频烟雾检测方法
Miranto et al. Adaptive background subtraction for monitoring system
CN116342644A (zh) 一种适用于煤场的智能化监控方法及***
JP7092616B2 (ja) 物体検出装置、物体検出方法、及び物体検出プログラム
CN114598849B (zh) 一种基于物联网的建筑施工安全监控***
CN116703755A (zh) 用于医疗废弃物冷库的遗漏风险监控***
CN108510527B (zh) 一种基于帧差法和运动点聚类的运动目标检测方法
Lai et al. Advanced real time fire detection in video surveillance system
CN101620729B (zh) 获取质量最好灰度图像的方法
CN111402189B (zh) 一种视频图像偏色检测装置及方法
CN118172296B (zh) 一种基于图像处理的火源精确定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant