一种用于建筑工地的弱光图像增强方法与流程

本发明涉及计算机视觉领域，尤其涉及一种用于建筑工地的弱光图像增强方法。

背景技术：

1、夜间建筑工地目标检测面临着图像质量差、目标与背景区分度低等问题，现有的夜间图像增强方法通常依赖于成本较高的硬件设备，如夜视仪、红外相机等，计算机视觉领域中的目标检测方法虽然在白天条件下取得了显著成果，但夜间条件下仍存在性能下降的问题。

2、中国专利公开号：cn109886901a，公开了一种基于多通路分解的夜间图像增强方法，应用于图像处理技术领域，该发明首先根据待处理夜间图像全局噪声水平的估计，将待处理夜间图像分解为基底层图像和细节层图像；然后对基底层图像进行亮度适应计算；其次对基底层亮度适应图像的颜色进行矫正；再次对细节层图像进行边缘保护和噪声抑制；最后将颜色矫正后的基底层图像跟边缘保护与噪声抑制后的细节层图像进行融合，得到增强后的夜间图像。

3、但是，现有技术中还存在以下问题，

4、现有技术中，在面对大面积建筑工地的弱光环境监测时，由于目标区域广泛，采集端会采集海量的图像数据，并且，由于建筑工地对应的图像中可能包括若干无特征区域不具备价值信息，例如重复空旷区域等，采用遍历增强分析的方式对海量图像数据进行分析算力消耗大。

技术实现思路

1、为此，本发明提供一种用于建筑工地的弱光图像增强方法，用以克服现有技术中在面对大面积建筑工地的弱光环境监测时，由于目标区域广泛，采集端会采集海量的图像数据，由于建筑工地对应的图像中可能包括若干无特征区域不具备价值信息，采用遍历增强分析的方式对海量图像数据进行分析算力消耗大的问题。

2、为实现上述目的，本发明提供一种用于建筑工地的弱光图像增强方法，包括：

3、步骤s1，控制移动图像采集单元在不符合弱光条件下对目标区域进行采集，以获取覆盖目标区域的若干第一图像数据；

4、步骤s2，提取针对不同子目标区域的第一图像数据，识别第一图像数据中的物体凸显特征，基于物体凸显特征计算物体凸显特征表征参量，以判定所述子目标区域的特征凸显类别，所述物体凸显特征包括物体轮廓的数量以及物体轮廓中的纹理密度；

5、步骤s3，依据子目标区域的特征凸显类别确定针对子目标区域进行采集的图像采集精度，在弱光照条件下以对应图像采集精度对目标区域进行采集，获取覆盖目标区域的若干第二图像数据；

6、步骤s4，依据子目标区域的特征凸显类别对子目标区域的第二图像数据进行处理，包括，

7、依据所述子目标区域的第一图像数据确定特征区域，对所述子目标区域的第二图像数据中的特征区域进行图像增强并验证，将验证通过后的第二图像数据传输至监管端；

8、或，对子目标区域的第二图像数据进行全域图像增强并传输至监管端。

9、进一步地，所述步骤s2中，基于物体凸显特征按照公式（1）计算物体凸显特征表征参量，包括，

10、

11、公式（1）中，r表示物体凸显特征表征参量，fe（x）表示特征凸显函数，n表示物体轮廓的数量，n0表示数量阈值，m表示物体轮廓中的纹理密度，m0表示纹理密度阈值，α表示物体轮廓的数量权重系数，β表示物体轮廓中的纹理密度权重系数，e表示自然常数。

12、进一步地，所述步骤s2中，判定所述子目标区域的特征凸显类别，包括，

13、若物体凸显特征表征参量大于或等于物体凸显特征表征参量阈值，则判定子目标区域的特征凸显为强特征凸显类别；

14、若物体凸显特征表征参量小于物体凸显特征表征参量阈值，则判定子目标区域的特征凸显为弱特征凸显类别。

15、进一步地，所述步骤s3中，依据子目标区域的特征凸显类别确定针对子目标区域进行采集的图像采集精度，包括，

16、若子目标区域的特征凸显类别为弱特征凸显类别，则确定针对子目标区域进行采集时采用基准图像采集精度；

17、若子目标区域的特征凸显类别为强特征凸显类别，则针对子目标区域进行采集时增加基准图像采集精度。

18、进一步地，所述步骤s4中，依据子目标区域的特征凸显类别对子目标区域的第二图像数据进行处理，包括，

19、若子目标区域的特征凸显为弱特征凸显类别，则依据所述子目标区域的第一图像数据确定特征区域，对所述子目标区域的第二图像数据中的特征区域进行图像增强并验证，将验证通过后的第二图像数据传输至监管端；

20、若子目标区域的特征凸显为强特征凸显类别，则对子目标区域的第二图像数据进行全域图像增强并传输至监管端。

21、进一步地，所述步骤s4中，依据所述子目标区域的第一图像数据确定特征区域的过程包括，

22、将所述第一图像数据划分为若干图像区域并设置序号；

23、将符合特征筛选条件的图像区域以及所述图像区域的邻接图像区域确定为特征区域；

24、其中，所述特征筛选条件为图像区域中存在物体轮廓且物体轮廓的面积需大于预定面积阈值。

25、进一步地，所述步骤s4中，对所述子目标区域的第二图像数据中的特征区域进行图像增强的过程包括，

26、将所述第二图像数据划分为若干图像区域并设置序号；

27、基于已确定特征区域中各图像区域的序号确定所述第二图像数据中所需增强的图像区域。

28、进一步地，所述步骤s4中，所述验证的过程包括，

29、确定所述第二图像数据对应的子目标区域；

30、提取所述子目标区域对应的第一图像数据；

31、确定所述第一图像数据与所述第二图像数据的物体轮廓重合度；

32、若所述物体轮廓重合度大于预定重合度阈值，则判定所述第二图像数据符合验证标准。

33、进一步地，所述步骤s1中，移动图像采集单元以预定路线移动且在固定采集点采集图像数据。

34、进一步地，所述弱光条件为，当前环境光强小于预定的光强阈值。

35、与现有技术相比，本发明通过控制移动图像采集单元在不符合弱光条件下对目标区域进行采集，以获取覆盖目标区域的若干第一图像数据；提取针对不同子目标区域的第一图像数据，识别物体凸显特征，以计算物体凸显特征表征参量，以判定子目标区域的特征凸显类别；依据子目标区域的特征凸显类别确定针对子目标区域进行采集的图像采集精度，在弱光照条件下以对应图像采集精度对目标区域进行采集，获取覆盖目标区域的若干第二图像数据；依据子目标区域的特征凸显类别对子目标区域的第二图像数据进行处理；本发明对海量图像数据针对处理，在保证可靠性的前提下，减少分析图像数据所带来的算力消耗。

36、尤其，本发明预先在不符合弱光条件下，对建筑工地各目标区域进行统一的图像采集获取第一图像数据作为参照，第一图像数据在不符合弱光条件所采集，较为清晰，特征明显，在实际情况中，在面对大面积建筑工地进行图像采集时，重点需监测特征区域，例如，物料堆积区域、施工区域等，但是，对于大面积建筑区域，也可能存在大量的无特征区域，例如，空旷土地，其体现在图像数据中无明显特征，无价值信息，且图像数据单一，不易进行特征提取分析，且分析价值较低，因此，本发明考虑通过第一图像数据预先确定各目标区域的物体凸显特征，对应计算物体凸显特征表征参量，由于物体凸显特征包括了物体轮廓的数量以及物体轮廓中的纹理密度，所计算的物体凸显特征表征参量能够表征不同目标区域中所包含价值信息的情况，为后续适应性地分析第二图像数据提供支持，进而，对海量图像数据针对性处理，在保证可靠性的前提下，减少分析图像数据所带来的算力消耗。

37、尤其，本发明以第一图像数据为依据划分子目标区域的特征凸显类别，进而，后续在获取第二图像数据时采用不同的采集精度，对于强特征凸显区域由于该特征区域特征较多，以较高精度进行采集，便于后续对所采集的针对强特征凸显区域的第二凸显数据进行全域图像增强，对于弱特征凸显区域，考虑其中可能存在无明显特征，无价值信息的细分区域，因此，对于所采集针对弱特征凸显区域的图像数据，确定存在特征的特征区域，仅对特征区域进行图像增强，避免特征遗漏，进而，在保证可靠性的前提下，减少分析图像数据所带来的算力消耗。