KR101774735B1 - 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법 - Google Patents

차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법 Download PDF

Info

Publication number
KR101774735B1
KR101774735B1 KR1020170073196A KR20170073196A KR101774735B1 KR 101774735 B1 KR101774735 B1 KR 101774735B1 KR 1020170073196 A KR1020170073196 A KR 1020170073196A KR 20170073196 A KR20170073196 A KR 20170073196A KR 101774735 B1 KR101774735 B1 KR 101774735B1
Authority
KR
South Korea
Prior art keywords
retinex
image
layer
low
license plate
Prior art date
Application number
KR1020170073196A
Other languages
English (en)
Inventor
김태경
이정현
Original Assignee
주식회사 넥스파시스템
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 주식회사 넥스파시스템 filed Critical 주식회사 넥스파시스템
Priority to KR1020170073196A priority Critical patent/KR101774735B1/ko
Application granted granted Critical
Publication of KR101774735B1 publication Critical patent/KR101774735B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G06K9/3258—
    • G06T5/006—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G06K2209/15—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 해결하고자 하는 과제는 차량 번호판 주변의 그림자를 제거하여 양질의 이미지를 획득하는 것이 가능한 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법을 제공하는 것이다.
상기의 기술적 과제를 달성하기 위한 수단으로는 주차장에 설치되며, 차량의 번호판이 포함된 영상을 획득하는 적어도 하나 이상의 카메라 및 카메라에서 획득한 영상에서 차량의 번호를 인식하는 제어부를 포함하고, 제어부는 레티넥스(retinex) 알고리즘을 통해 영상을 보정하여 차량의 번호를 인식하고, 제어부는 영상을 레티넥스 알고리즘을 통해 모드(mode) 별로 레티넥스 유니폼(uniform) 레이어, 레티넥스 로우(low) 레이어 및 레티넥스 하이(high) 레이어를 생성하고, 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득하는 것을 특징으로 본 발명의 일 실시예에 따른 차량 번호 인식 시스템을 제공한다.

Description

차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법{METHOD FOR IMPROVEMENT OF SHADOW AREA AROUND CAR NUMBER PLATE AND CAR NUMBER RECOGNITION}
본 발명은 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법에 관한 것이다. 보다 상세하게는 차량 번호판 주변의 그림자를 제거하여 양질의 이미지를 획득하는 것이 가능한 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법에 관한 것이다.
현대 사회에서 경제 발전과 이에 따른 핵심적 교통수단인 차량의 수요가 계속적으로 증가하고 있고, 더불어 급격히 증가하는 인구와 치안 유지를 위한 관리 인력과 시설은 이에 미치지 못하고 있다. 한정된 자원과 관리 체계를 극복하려는 이유들이 맞물려 다양한 연구와 개발이 많이 이루어지고 있으며 CCTV를 이용한 지능형 시스템들이 많이 개발되고 있다. 지능형 불법 주정차 단속시스템, 지능형 주차유도시스템 등 다양한 분야의 시스템이 개발되고 있으며 모든 지능형 시스템엔 차량 번호인식이 선행되어야 한다.
이러한 차량 번호 인식기술은 차량의 통제, 단속, 주차 유도 등 다양한 분야에 응용될 수 있으며, 인식률이 높아질수록 지능형 관리 시스템의 신뢰성이 높아진다.
높은 인식률에 양질의 영상은 필수적인 요소이며 이는 저조도 영역과 고조도 영역의 분포가 고르게 형성되어 있어야 한다. 조도 영역의 분포는 주변의 밝기에 영향을 받거나 날씨조건, 카메라의 위치, 조명 위치, 차량의 외형 정보에 따른 영상 밝기 불균형에 따라 분포가 달리 된다.
특히 차량의 번호판은 실외 환경에서는 태양광 실내 환경에서는 실내조명으로부터 카메라의 위치나 자동차가 갖고 있는 외형의 변화, 고정된 배경물체와 같은 제약조건에 의해 다르게 보일 수 있다. 이때 카메라로부터 입력된 영상에서 차량번호판을 중심으로 보통 상-하단의 밝기가 서로 달리 표현된다.
도 1은 주차면을 촬영하는 카메라로부터 촬영된 영상으로 차량 번호판에서 서로 다른 조도분포를 갖는 예시 이미지이다. 도 1에서 차량 번호판을 크게 두 영역으로 구분했을 때 주변의 밝기에 영향을 받아 저조도 영역과 고조도 영역으로 나뉘어 원 영상이 왜곡된 것을 나타낸다.
도 1과 같은 이미지들은 번호 인식 과정에서 밝기 차이로 오인식 혹은 미인식될 경우가 발생된다. (a), (b)의 경우 태양광과 카메라 위치 및 자동차의 외형 생김새로 인해 조도영역의 분포가 달라지며, 이는 영상처리를 통해 개선될 수 있다.
영상 왜곡 보정을 함에 있어서 차량 번호판의 그림자 영역은 보통 저조도 분포를 갖는 특징이 있기 때문에, 주차면에서 촬영된 영상의 경우 주차면의 색상과 유사하여 전처리하는 단계인 이진화(binarization) 과정에서 실제 가지고 있는 차량 번호의 정보 값을 잃거나 왜곡되는 경우가 발생할 수 있다. 이는 이진화 과정은 임계치(threshold) 값의 의존도가 높기 때문이다. 이러한 이유로 인해 차량 번호판 주변의 그림자를 제거하여 양질의 이미지를 획득하기 위해 하나의 이미지에서 서로 다른 조도 값들의 변화를 갖는 영상분포 이미지를 생성하고 이를 융합하여 차량 번호판을 보정하는 방법이 요구된다. 이는 주차 유도 시스템과 같은 차량 번호 인식 시스템이 사용되는 곳에 응용되어 활용될 수 있다.
도 2는 실내 및 실외 환경에서 차량 번호판에 그림자가 발생된 예시 이미지이다.
주차된 차량에서 태양광이나 내부 조명과 차량의 후면 굴곡 등으로 인해 도 2와 같이 차량 번호판에 그림자가 생기는 경우가 발생한다.
주로 차량의 정면부 보다는 후면부에서 많이 발견되며 차량의 구조적인 특징과 차량보다 위에 설치된 조명위치 때문에 이러한 현상이 발생하게 된다. 그림자로 인해 정보가 왜곡된 번호판의 경우 번호 인식률 저하를 발생시키는 원인이 되며, 영상의 왜곡된 정보를 처리하기 위해 감마 보정(Gamma Correction)이나 히스토그램 평활화(Histogram Equalization), 레티넥스 알고리즘(retinex algorithm) 등의 여러 영상처리 알고리즘이 존재한다.
도 3은 저조도 분포가 적은 번호판 영상에 대해 감마 보정이나 히스토그램 평활화, 레티넥스 알고리즘을 통해 영상 처리 결과를 나타내는 예시 이미지이고, 도 4는 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 감마 보정이나 히스토그램 평활화, 레티넥스 알고리즘을 통해 영상 처리 결과를 나타내는 예시 이미지이다.
먼저, 전체 영상의 전역적인 처리를 위한 감마 보정이나 히스토그램 평활화 알고리즘은 다음과 같은 특징이 있다. 감마 보정(B)의 경우 감마는 이미지 내에서 명암 대비 정도를 나타내는데 쓰이며, 이는 영상 내 명암의 대비 보정하는 것을 말한다. 감마값에 따라 저조도 영상에 대해 어느 정도 개선시킬 수 있으나, 각 값이 환경마다 다르게 적용되기 때문에 환경 변화에 적응적으로 대응하기 어렵다는 단점이 있다. 따라서, 도 3에 나타난 바와 같이 감마보정 영상의 경우 번호판 영역 내 저조도 영역이 개선되지 않았음을 확인할 수 있다. 또한, 도 4에 나타난 바와 같이 감마보정은 번호판 영역의 저조도 분포를 조금 개선한 것을 확인할 수 있다.
한편, 히스토그램 평활화(C)는 일정부분에 치우쳐진 영상의 화소 값들을 균일하게 분산시키는 것을 의미한다. 하지만 각 영상마다 적절한 임계치 값들이 다르고 원 영상의 히스토그램이 치우쳐진 영역에 따라 영상의 히스토그램 평활화 결과가 각각 다르게 나오는 결과를 얻을 수 있다. 따라서, 도 3에 나타난 바와 같이 히스토그램 평활화 역시 저조도 영역이 개선되지 않았지만 화소 값들이 평활화되어 대비상태는 좋아짐을 확인할 수 있다. 또한, 도 4에 나타난 바와 같이 히스토그램 평활화의 경우 저조도 영역에 대부분의 화소 값들이 존재하다가 평활화하며 강제적으로 펼쳐놨기 때문에 영상이 많이 왜곡된 것을 확인할 수 있다.
즉, 두 가지 알고리즘 모두 선형적인 특성을 보이며 시스템에 의존적이기 때문에 입력하는 영상마다 원하는 결과영상을 얻기 어렵다.
또한, 레티넥스 알고리즘(D)은 감마 보정 알고리즘이나 히스토그램 평활화 알고리즘과는 다르게 비선형적인 특징을 가지고 있기 때문에, 입력 영상에 따라 결과 영상 값이 달라진다.
특히, 레티넥스 알고리즘은 다음과 같은 특징이 있다. 카메라와 다르게 사람의 눈은 시간에 따라 적응하여 저조도 환경에서도 물체에 대한 컬러 정보를 구분할 수 있다는 특성을 적용시킨 알고리즘으로 영상 내 주변 환경에 적응하여 대비를 향상시키는 알고리즘이다. 그렇기 때문에 레티넥스 알고리즘은 전역적 영상 처리 방식보다 우수한 결과를 보여줄 수 있다는 장점이 있다.
하지만, 저조도와 고조도가 분리된 영상의 특성에 따라 양질의 결과를 얻지 못하는 문제점이 있었다. 즉, 도 3에 나타난 바와 같이 조도 영역은 개선되었으나 밝은 영역부분이 포화상태가 되어 글씨 부분의 인지도가 다소 떨어지는 것을 확인할 수 있다. 또한, 원본 영상의 해상도가 높지 않기 때문에 영상처리 결과에서도 잡음 등이 함께 강조되어 전체적으로 영상의 왜곡이 발생되었음을 확인할 수 있다. 또한, 도 4에 나타난 바와 같이 경우 번호판 영역의 저조도 영상이 개선된 것을 확인할 수 있으나, 대비를 향상시켜 차량 부분에 노이즈가 형성된 것을 확인할 수 있다.
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 해결하고자 하는 과제는 차량 번호판 주변의 그림자를 제거하여 양질의 이미지를 획득하는 것이 가능한 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법을 제공하는 것이다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위한 수단으로는 주차장에 설치되며, 차량의 번호판이 포함된 영상을 획득하는 적어도 하나 이상의 카메라 및 카메라에서 획득한 영상에서 차량의 번호를 인식하는 제어부를 포함하고, 제어부는 레티넥스(retinex) 알고리즘을 통해 영상을 보정하여 차량의 번호를 인식하고, 제어부는 영상을 레티넥스 알고리즘을 통해 모드(mode) 별로 레티넥스 유니폼(uniform) 레이어, 레티넥스 로우(low) 레이어 및 레티넥스 하이(high) 레이어를 생성하고, 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득하는 것을 특징으로 본 발명의 일 실시예에 따른 차량 번호 인식 시스템을 제공한다.
또한, 일 실시예에서, 제어부는 다음의 [식 1]을 통해 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득할 수 있다.
[식 1]
Figure 112017055677439-pat00001
(여기서,
Figure 112017055677439-pat00002
는 레티넥스 유니폼 레이어,
Figure 112017055677439-pat00003
는 레티넥스 로우 레이어,
Figure 112017055677439-pat00004
는 레티넥스 하이 레이어를 나타낸다.)
또한, 일 실시예에서, 제어부는 레티넥스 알고리즘에서 스케일(scale), 엔스케일(nscales) 및 베리언트(variant)를 파라미터로 설정할 수 있다.
또한, 일 실시예에서, 제어부는 파라미터에서 스케일은 200 내지 250 값을 가질 수 있다.
또한, 일 실시예에서, 제어부는 파라미터에서 엔스케일은 3 값을 가질 수 있다.
또한, 일 실시예에서, 제어부는 파라미터에서 베리언트는 1.0 내지 1.5 값을 가질 수 있다.
또한, 일 실시예에서, 번호판은 후면 번호판일 수 있다.
또한, 일 실시예에서, 저조도 영역과 고조도 영역으로 구성된 번호판 영역에서 저조도 영역은 번호판 영역 대비 40% 내지 60%로 구성될 수 있다.
또한, 일 실시예에서, 저조도 영역과 고조도 영역으로 구성된 번호판 영역에서 저조도 영역은 번호판 영역 대비 10% 내지 20%로 구성될 수 있다.
본 발명의 일 실시예에 따르면, 차량 번호판 주변의 그림자를 제거하여 양질의 이미지를 획득하는 것이 가능한 효과가 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 주차면을 촬영하는 카메라로부터 촬영된 영상으로 차량 번호판에서 서로 다른 조도분포를 갖는 예시 이미지,
도 2는 실내 및 실외 환경에서 차량 번호판에 그림자가 발생된 예시 이미지,
도 3은 저조도 분포가 적은 번호판 영상에 대해 감마 보정이나 히스토그램 평활화, 레티넥스 알고리즘을 통해 영상 처리 결과를 나타내는 예시 이미지,
도 4는 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 감마 보정이나 히스토그램 평활화, 레티넥스 알고리즘을 통해 영상 처리 결과를 나타내는 예시 이미지,
도 5는 저조도 분포가 적은 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 유니폼 레이어 이미지,
도 6은 저조도 분포가 적은 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 로우 레이어 이미지,
도 7은 저조도 분포가 적은 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 하이 레이어 이미지,
도 8은 도 5 내지 도 7의 레이어 이미지를 멀티플라이 한 결과 영상 이미지,
도 9는 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 유니폼 레이어 이미지,
도 10은 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 로우 레이어 이미지,
도 11은 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 하이 레이어 이미지,
도 12는 도 9 내지 도 11의 레이어 이미지를 멀티플라이 한 결과 영상 이미지,
도 13은 본 발명의 일 실시예에 따른 차량 인식 방법을 나타내는 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시 예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시 예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
제 1 실시예의 구성
이하, 첨부된 도면을 참조하여 바람직한 실시예의 구성을 상세히 설명하기로 한다.
우선, 레티넥스 알고리즘(Retinex algorithm)의 기본원리를 설명하면 다음과 같다. 레티넥스 알고리즘은 입력영상
Figure 112017055677439-pat00005
에 들어있는 배경성분
Figure 112017055677439-pat00006
을 제거하는 것이다. 입력영상의 평균적인 영상을 배경영상으로 생각할 수 있으며, [수학식 1]과 같이 나타낼 수 있다.
Figure 112017055677439-pat00007
여기서, 배경영상은 입력영상에 가우시안 필터
Figure 112017055677439-pat00008
를 컨벌루션 한 결과이다. 이때 적당한 크기의 필터사이즈를 갖는 가우시안 필터를 적용하여 얻을 수 있다. 필터를 적용하면 입력영상에서 필터 사이즈보다 작은 스케일은 무시하는 효과를 줄 수 있다.
여기서, 가우시안 필터는 다음의 [수학식 2]와 같이 정의될 수 있다.
Figure 112017055677439-pat00009
[수학식 2]에서의 A는 가우시안 함수의 최댓값의 크기를 1로 만들어주기 위한 정규화 계수이며,
Figure 112017055677439-pat00010
는 표준 편차로 영상의 블러링 양을 조절한다. 이 값의 크기에 따라 영상의 다이내믹 레인지 압축과 디테일의 차이가 생기게 된다.
배경조명과 무관한 입력영상의 반사성분
Figure 112017055677439-pat00011
은 다음의 [수학식 3]과 같이 입력영상을 앞서 구한 배경영상으로 나누면 된다.
Figure 112017055677439-pat00012
또한, 레티넥스 출력
Figure 112017055677439-pat00013
은 앞서 구한 반사성분에 로그 값을 취해 다음의 [수학식 4]와 같이 얻을 수 있으며, 이는 로그 특성으로 인해 분포범위(다이내믹레인지)를 압축하는 효과를 얻을 수 있다.
Figure 112017055677439-pat00014
여기서, 레티넥스 알고리즘을 하나의 스케일에 대해 적용하는 경우를 SSR(single-scale retinex) 알고리즘이라 하며, 컬러영상의 경우 R, G, B 각각의 채널에 대해 알고리즘을 적용한다. SSR 알고리즘은 log 연산을 기반으로 가우시안 함수를 이용하여 입력 영상의 조명 성분을 추정한다. 입력영상으로부터 추정된 조명성분을 제거하여 반사성분을 구해내 컬러 복원, 게인 및 오프셋을 적용하여 결과 영상을 얻어낸다.
또한, 레티넥스 알고리즘을 여러 스케일로 영상을 생성하여 그 결과를 하나로 합쳐 출력하게 되면 MSR(multi-scale retinex)알고리즘이라 한다. 이때 각각의 단일 스케일에 대해 적절한 가중치를 주고 다음의 [수학식 5]와 같이 결과영상을 생성할 수 있다.
Figure 112017055677439-pat00015
이때,
Figure 112017055677439-pat00016
는 스케일에 대한 가중치를 나타내며,
Figure 112017055677439-pat00017
은 출력영상이다.
Figure 112017055677439-pat00018
은 각각의 스케일이 적용된 영상들을 의미한다.
이렇게 획득한 레티넥스 영상들은 적당한 오프셋(offset)과 스트레칭(stretching)을 통하여 픽셀 값의 범위가 [0,255]사이에 있게 한다. 이때 offset은 상수이며, stretching은 영상 이미지의 픽셀 값이 0~255사이인데, 실제 최솟값과 최댓값이 0과 255가 아닐 경우 실제 화소 값에서 최솟값을 0으로, 최댓값을 255로 비율을 맞추어 화소 값들을 재배치한다. 컬러 영상의 레티넥스 출력 영상은 전체적으로 그레이화 되는 경향이 있어서 다음의 [수학식 6], [수학식 7] 및 [수학식 8]과 같이 이것을 보완하는 과정을 거친다.
Figure 112017055677439-pat00019
Figure 112017055677439-pat00020
Figure 112017055677439-pat00021
이때
Figure 112017055677439-pat00022
,
Figure 112017055677439-pat00023
,
Figure 112017055677439-pat00024
는 R, G, B 각각의 채널 별 스케일이 적용된 영상을 의미하며, C는 상수이고
Figure 112017055677439-pat00025
,
Figure 112017055677439-pat00026
,
Figure 112017055677439-pat00027
는 입력영상의 RGB 채널을 나타낸다.
본 발명에서 레티넥스 멀티플라이(retinex multiply)는 레티넥스 알고리즘의 모드(mode)를 변경해 각각 다른 특성을 갖는 결과 레이어 이미지들을 획득하고, 각각의 영상들을 멀티플라이 하여 얻는 결과를 말한다. 다음의 [수학식 9]는 본 발명에서 제안하는 최종 영상의 알고리즘의 수식을 나타낸다.
Figure 112017055677439-pat00028
Figure 112017055677439-pat00029
,
Figure 112017055677439-pat00030
,
Figure 112017055677439-pat00031
는 각각 레티넥스 유니폼(retinex uniform), 레티넥스 로우(retinex low), 레티넥스 하이(retinex high)로 각 출력 이미지를 나타낸다. 각각의 레이어 이미지들은 레티넥스 모드(retinex mode)를 통해 출력되는 결과로 가우시안 필터의 크기에 따라 각각의 특징을 갖는 출력 결과를 나타낸다 레티넥스 로우 영상은 필터의 크기가 작아 영상 내 특징점이나 에지 정보를 강조하며, 레티넥스 하이 영상은 필터의 크기가 커 영상을 전체적으로 블러 시키지만 색상 정보를 많이 갖는다. 그리고 레티넥스 유니폼 영상은 중간 정도의 결과를 생성한다. 3개의 레티넥스 레이어 영상을 이용하여 멀티플라이(multiply) 하는 이유는 각각의 영상을 단순히 더하는 것과 다르게 각각의 컬러정보와 에지 정보를 증폭시켜 나타내기 위함이다. 각 영상에서 가지고 있는 컬러정보와 에지 정보들이 하나의 영상으로 합쳐 원본 영상보다 개선된 결과를 얻을 수 있게 된다. 각 영상들을 곱한 후 255의 제곱으로 나누어주는 것은 영상에서 표현하는 픽셀 값의 최대치는 255이기 때문에 영상이 멀티플라이 될 때마다 픽셀 값들을 255로 나누어 정규화 해주는 과정이 필요하기 때문이다.
레티넥스 알고리즘은 모드(mode) 이외에 스케일(scale), 엔스케일(nscales) 및 베리언트(variant)를 포함하는 3개의 파라미터가 영상의 결과를 결정 짓는 파라미터로 존재한다.
먼저, 엔스케일은 레티넥스 알고리즘의 영상 복원에 있어 레티넥스 모드 사용 여부를 결정 짓는 파라미터로, 최솟값 1부터 2, 최댓값은 3이다. 3일 때 레티넥스 모드를 이용해 레티넥스 유니폼, 레티넥스 로우, 레티넥스 하이 영상 중 하나의 결과 영상을 획득할 수 있다.
최솟값 1일 땐 스케일 분포를 메디안 필터(median filter) 하나로 결정하여 스케일 값을 반으로 나누어 사용한다. 값이 2일 땐 스케일 필터를 메디안 스케일(median scale)과 맥시멈 스케일(maximum scale)로 결정하여 각각의 스케일 값을 이용해 결과 영상을 획득한다.
스케일은 레티넥스 알고리즘의 스케일의 크기를 나타내며, 의미 있는 파라미터의 변화 값 폭은 최솟값 0부터 최댓값 250이다. 값이 작아질수록 영상이 그레이화 되는 경향이 있으며, 값이 커질수록 색상 정보가 포화되는 경향이 있다. 스케일은 240일 때 가장 좋은 결과를 갖는다.
마지막으로 베리언트는 결과 영상의 채도에 영향을 주는 파라미터로 의미 있는 파라미터의 변화 값 폭은 최솟값 0부터 최댓값 3.0이었다. 값이 작아질수록 채도가 높아지고 커질수록 채도가 낮아지며 베리언트는 1.2일 때 가장 좋은 결과를 나타낸다.
도 5는 저조도 분포가 적은 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 유니폼 레이어 이미지, 도 6은 저조도 분포가 적은 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 로우 레이어 이미지, 도 7은 저조도 분포가 적은 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 하이 레이어 이미지, 도 8은 도 5 내지 도 7의 레이어 이미지를 멀티플라이 한 결과 영상 이미지, 도 9는 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 유니폼 레이어 이미지, 도 10은 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 로우 레이어 이미지, 도 11은 저조도 분포와 고조도 분포가 유사한 번호판 영상에 대해 레티넥스 알고리즘을 통해 생성된 레티넥스 하이 레이어 이미지, 도 12은 도 9 내지 도 11의 레이어 이미지를 멀티플라이 한 결과 영상 이미지이다.
상술한 바와 같이 우선, 도 5 내지 도 8에 나타난 바와 같이, 멀티 레이어로 사용할 영상은 원본 영상을 레티넥스 알고리즘을 이용해서 각각의 중간 단계의 이미지로 생성하며, 이는 다음과 같은 기준으로 생성한다.
여기서, 원본 영상은 주차장에 구비된 적어도 하나 이상의 카메라를 통해 획득한 영상 중 차량의 번호판이 포함된 영상이며, 여기서, 번호판은 차량의 후면 번호판인 것이 바람직하다.
레티넥스 알고리즘은 레티넥스 유니폼, 레티넥스 로우, 레티넥스 하이 총 3가지가 있으며 각각 스케일의 크기에 따라 가우시안 필터링하여 결과가 달라진다. 각각의 특징은 레티넥스 로우 영상은 영상 내 에지 정보 및 특징정보를 강조하며, 레티넥스 하이 영상은 색상정보를 많이 가지는 결과를 만들어낸다. 또한, 유니폼 방식은 앞서 언급한 두 가지 방식 중간 정도의 결과를 만들어낸다. 이렇게 생성된 3개의 레이어 영상을 이용해 멀티플라이 하게 되면 각 영상에서 가지고 있는 유의미한 정보들이 하나의 영상으로 합쳐지게 되며, 결과 영상을 통해 원본 영상보다 개선된 결과를 얻을 수 있다. 여기서, 도 5 내지 도 8에 나타난 번호판 영상은 저조도 영역과 고조도 영역으로 구성된 번호판 영역에서 저조도 영역이 번호판 영역 대비 10% 내지 20%로 구성될 수 있다.
즉, 해상도가 낮은 영상이라도 각각의 유의미한 영상성분을 하나의 영상으로 합쳤기 때문에 단일 레이어 기반 영상처리 결과보다 더 개선된 결과를 얻을 수 있다.
또한, 도 9 내지 도 12에 나타난 바와 같이, 레티넥스 로우 결과 이미지에서는 번호판 영역의 뚜렷한 대비결과로 선명한 번호판 영상을 확인할 수 있으며 레티넥스 하이 결과에서는 번호판 영상이 다소 포화되어 번호판 영역이 왜곡되었으나 다른 영역에서의 영상 컬러정보가 좋아졌음을 알 수 있다. 레티넥스 유니폼 결과는 이 둘의 중간 정도의 결과를 확인할 수 있다. 또한, 각각의 결과영상을 멀티플라이 하여 도 12와 같이 개선된 영상을 확인할 수 있다. 여기서, 도 9 내지 도 12에 나타난 번호판 영상은 저조도 영역과 고조도 영역으로 구성된 번호판 영역에서 저조도 영역이 상기 번호판 영역 대비 40% 내지 60%로 구성될 수 있다.
상술한 실시예와 같이 원본 영상대비 영상처리를 통해 얻어진 결과 영상에 대하여 화질 손실 정보는 최대 신호 대 잡음비(Peak Signal-to-Noise-Ratio, PSNR)를 통해 평가할 수 있다.
여기서, 최대 신호 대 잡음비는 다음의 [수학식 10]과 같이 정의할 수 있다.
Figure 112017055677439-pat00032
이때, MAX는 해당 영상의 최댓값으로 해당 채널의 최댓값에서 최솟값을 빼서 구한 값이다. 예를 들어, 8bit grayscale 영상의 경우 255(255-0)이 된다. MSE는 Mean Square Error의 약자로 평균 제곱 오차라는 의미이다. 픽셀 값들의 차이에 대한 측정값으로 원본 이미지와 출력 이미지 사이의 픽셀 값의 차이를 측정한 값을 나타낸다. 단, 무손실 영상의 경우 MSE가 0이 되기 때문에 PSNR은 정의될 수 없다.
다음의 [표 1]과 [표 2]는 PSNR을 이용해 영상품질을 비교한 결과를 나타낸다. 원본영상과 각각의 레티넥스 모드 출력영상 및 멀티플라이 결과 영상 간에 측정한 값을 수치로 나타낸다. 이를 통해, 레티넥스 멀티플라이 방식이 단일 레이어 방식에 비해 PSNR값이 더 높은 것을 확인할 수 있다.
여기서, [표 1]은 저조도 분포가 적은 번호판 영상의 레티넥스 결과의 PSNR을 나타내고, [표 2]는 저조도 분포와 고조도 분포가 비슷한 영상의 레티넥스 결과의 PSNR을 나타낸다.
원본 영상 retinex uniform retinex low retinex high retinex multiply
PSNR 9.5dB 9.4dB 9.6dB 16.2dB
원본 영상 retinex uniform retinex low retinex high retinex multiply
PSNR 12.3dB 11.8dB 11.7dB 13.9dB
제 2 실시예의 방법
도 13은 본 발명의 일 실시예에 따른 차량 인식 방법을 나타내는 흐름도이다.
도 13을 참조하면, 본 발명의 일 실시예에 따른 차량 인식 방법은 영상 획득 단계(S10) 및 영상 보정 단계(S20)를 포함한다.
영상 획득 단계(S10) 단계에서는 실내 또는 실외 주차장에 구비된 적어도 하나 이상의 카메라(미도시)를 통해 차량의 번호판을 촬영하여, 번호판이 포함된 영상을 획득한다.
영상 보정 단계(S20)에서는 상술한 바와 같이, 카메라를 통해 획득한 영상을 레티넥스 알고리즘을 통해 모드를 변경하여 3가지 특징을 갖는 결과 영상(retinex uniform, retinex low, retinex high)을 생성한다. 여기서, 각 영상들은 가우시안 필터의 크기에 따라 레티넥스 로우 영상은 영상 내 에지 정보를 강조하고, 레티넥스 하이 영상은 영상 내 컬러 정보를 강조한다. 그리고 레티넥스 유니폼 영상은 에지 정보 및 컬러 정보를 골고루 가지고 있다.
제어부에서는 이 세 가지 영상을 멀티플라이 하여 저해상도 영상이나 환경적 요소에 의해 왜곡된 영역의 영상을 개선하고 양질의 영상을 획득하며, 차량 번호판의 그림자 영역 밝기 보정을 수행한다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시 예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시 형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.

Claims (12)

  1. 주차장에 주차된 차량의 번호를 인식하는 인식 시스템에 있어서,
    상기 주차장에 설치되며, 상기 차량의 번호판이 포함된 영상을 획득하는 적어도 하나 이상의 카메라; 및
    상기 카메라에서 획득한 영상에서 상기 차량의 번호를 인식하는 제어부; 를 포함하고,
    상기 제어부는 레티넥스(retinex) 알고리즘을 통해 상기 영상을 보정하여 상기 차량의 번호를 인식하고,
    상기 제어부는 상기 영상을 상기 레티넥스 알고리즘을 통해 모드(mode) 별로 레티넥스 유니폼(uniform) 레이어, 레티넥스 로우(low) 레이어 및 레티넥스 하이(high) 레이어를 생성하고, 상기 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득하는 것을 특징으로 하는 차량 번호 인식 시스템.
  2. 제 1 항에 있어서,
    상기 제어부는
    다음의 [식 1]을 통해 상기 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득하는 것을 특징으로 하는 차량 번호 인식 시스템.
    [식 1]
    Figure 112017055677439-pat00033

    (여기서,
    Figure 112017055677439-pat00034
    는 레티넥스 유니폼 레이어,
    Figure 112017055677439-pat00035
    는 레티넥스 로우 레이어,
    Figure 112017055677439-pat00036
    는 레티넥스 하이 레이어를 나타낸다.)
  3. 제 1 항에 있어서,
    상기 제어부는
    상기 레티넥스 알고리즘에서 스케일(scale), 엔스케일(nscales) 및 베리언트(variant)를 파라미터로 설정하는 것을 특징으로 하는 차량 번호 인식 시스템.
  4. 제 3 항에 있어서,
    상기 제어부는
    상기 파라미터에서
    상기 스케일은 200 내지 250 값을 갖는 것을 특징으로 하는 차량 번호 인식 시스템.
  5. 제 3 항에 있어서,
    상기 제어부는
    상기 파라미터에서
    상기 엔스케일은 3 값을 갖는 것을 특징으로 하는 차량 번호 인식 시스템.
  6. 제 3 항에 있어서,
    상기 제어부는
    상기 파라미터에서
    상기 베리언트는 1.0 내지 1.5 값을 갖는 것을 특징으로 하는 차량 번호 인식 시스템.
  7. 제 1 항에 있어서,
    상기 번호판은 후면 번호판인 것을 특징으로 하는 차량 번호 인식 시스템.
  8. 제 1 항에 있어서,
    저조도 영역과 고조도 영역으로 구성된 번호판 영역에서
    상기 저조도 영역은 상기 번호판 영역 대비 40% 내지 60%로 구성되는 것을 특징으로 하는 차량 번호 인식 시스템.
  9. 제 1 항에 있어서,
    저조도 영역과 고조도 영역으로 구성된 번호판 영역에서
    상기 저조도 영역은 상기 번호판 영역 대비 10% 내지 20%로 구성되는 것을 특징으로 하는 차량 번호 인식 시스템.
  10. 제 1 항에 따른 차량 번호 인식 시스템을 이용한 차량 번호 인식 방법에 있어서,
    상기 카메라를 이용해 상기 주차장에 주차 중인 차량의 번호판이 포함된 영상을 획득하는 제 1 단계; 및
    상기 제어부에서 레티넥스(retinex) 알고리즘을 통해 상기 영상을 보정하여 상기 차량의 번호를 인식하는 제 2 단계; 를 포함하고,
    상기 제 2 단계에서 상기 제어부는 상기 영상을 상기 레티넥스 알고리즘을 통해 모드(mode) 별로 레티넥스 유니폼(uniform) 레이어, 레티넥스 로우(low) 레이어 및 레티넥스 하이(high) 레이어를 생성하고, 상기 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득하는 것을 특징으로 하는 차량 번호 인식 방법.
  11. 제 10 항에 있어서,
    상기 제 2 단계에서 상기 제어부는
    다음의 [식 1]을 통해 상기 레티넥스 유니폼 레이어, 레티넥스 로우 레이어 및 레티넥스 하이 레이어를 멀티플라이(multiply)하여 최종 영상을 획득하는 것을 특징으로 하는 차량 번호 인식 방법.
    [식 1]
    Figure 112017067639519-pat00037

    (여기서,
    Figure 112017067639519-pat00038
    는 레티넥스 유니폼 레이어,
    Figure 112017067639519-pat00039
    는 레티넥스 로우 레이어,
    Figure 112017067639519-pat00040
    는 레티넥스 하이 레이어를 나타낸다.)
  12. 제 10 항에 있어서,
    상기 제 2 단계에서 상기 제어부는
    상기 레티넥스 알고리즘에서 스케일(scale), 엔스케일(nscales) 및 베리언트(variant)를 파라미터로 설정하는 것을 특징으로 하는 차량 번호 인식 방법.
KR1020170073196A 2017-06-12 2017-06-12 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법 KR101774735B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170073196A KR101774735B1 (ko) 2017-06-12 2017-06-12 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170073196A KR101774735B1 (ko) 2017-06-12 2017-06-12 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법

Publications (1)

Publication Number Publication Date
KR101774735B1 true KR101774735B1 (ko) 2017-09-06

Family

ID=59925101

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170073196A KR101774735B1 (ko) 2017-06-12 2017-06-12 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법

Country Status (1)

Country Link
KR (1) KR101774735B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102062579B1 (ko) 2019-09-23 2020-01-06 주식회사 아프로시스템즈 영상 보정을 통해 그림자 및 빛 반사로 훼손된 차량번호판을 인식하는 차량번호판 인식 시스템
KR102099397B1 (ko) * 2019-11-06 2020-04-09 주식회사 알고씽 노상 주차 관리 장치 및 그 방법
KR20210035360A (ko) * 2019-09-23 2021-04-01 주식회사 딥비전 교행 다차로를 위한 차량번호 인식방법 및 장치
CN113689710A (zh) * 2021-09-01 2021-11-23 深圳市博思凯电子有限公司 一种用在智慧停车无人值守的边缘计算方法及***
US20220101017A1 (en) * 2020-09-30 2022-03-31 Rekor Systems, Inc. Systems and methods for efficient information extraction in traffic monitoring

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101321840B1 (ko) 2012-04-25 2013-10-23 연세대학교 산학협력단 퍼지 기반 레티넥스를 이용한 영상 정규화 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101321840B1 (ko) 2012-04-25 2013-10-23 연세대학교 산학협력단 퍼지 기반 레티넥스를 이용한 영상 정규화 방법 및 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102062579B1 (ko) 2019-09-23 2020-01-06 주식회사 아프로시스템즈 영상 보정을 통해 그림자 및 빛 반사로 훼손된 차량번호판을 인식하는 차량번호판 인식 시스템
KR20210035360A (ko) * 2019-09-23 2021-04-01 주식회사 딥비전 교행 다차로를 위한 차량번호 인식방법 및 장치
KR102369824B1 (ko) * 2019-09-23 2022-03-07 주식회사 딥비전 교행 다차로를 위한 차량번호 인식방법 및 장치
KR102099397B1 (ko) * 2019-11-06 2020-04-09 주식회사 알고씽 노상 주차 관리 장치 및 그 방법
US20220101017A1 (en) * 2020-09-30 2022-03-31 Rekor Systems, Inc. Systems and methods for efficient information extraction in traffic monitoring
US11804046B2 (en) * 2020-09-30 2023-10-31 Rekor Systems, Inc. Systems and methods for efficient information extraction in traffic monitoring
CN113689710A (zh) * 2021-09-01 2021-11-23 深圳市博思凯电子有限公司 一种用在智慧停车无人值守的边缘计算方法及***

Similar Documents

Publication Publication Date Title
KR101774735B1 (ko) 차량번호판 주변 그림자 영역 개선 및 차량번호 인식 방법
US11127122B2 (en) Image enhancement method and system
CN105654437B (zh) 一种对低照度图像的增强方法
CN104240194B (zh) 一种基于抛物线函数的低照度图像增强算法
Huang et al. Efficient contrast enhancement using adaptive gamma correction with weighting distribution
CN104156921B (zh) 一种低照度或亮度不均图像的自适应图像增强方法
CN105608677B (zh) 一种任意光线环境下的图像肤色美化方法及***
CN106886985B (zh) 一种减小色偏的自适应低照度图像增强方法
CN106897981A (zh) 一种基于引导滤波的低照度图像增强方法
US7949185B2 (en) Method of performing robust auto white balance
CN111968065B (zh) 一种亮度不均匀图像的自适应增强方法
CN110163807B (zh) 一种基于期望亮通道的低照度图像增强方法
CN108198155B (zh) 一种自适用色调映射方法及***
CN108288258A (zh) 一种针对恶劣天气条件下的低质图像增强方法
CN103714520A (zh) 基于fpga实现数字视频图像增强***及其方法
CN111476732B (zh) 一种图像融合及去噪的方法及***
Fan et al. An improved single image defogging method based on Retinex
CN110381303A (zh) 基于皮肤颜色统计的人像自动曝光白平衡矫正方法及***
CN109447912B (zh) 一种荧光导航内窥镜***的荧光图像自适应增强及降噪方法
CN111968041A (zh) 一种自适应图像增强方法
CN107316278A (zh) 一种水下图像清晰化处理方法
CN109639994B (zh) 嵌入式车载相机曝光时间动态调整方法
Priyanka et al. Low-light image enhancement by principal component analysis
CN113822826B (zh) 一种低照度图像亮度增强方法
CN110473158A (zh) 一种车牌图像亮度的处理方法、装置及设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant