本發(fā)明涉及計算機視覺領(lǐng)域，具體而言，涉及一種用于低照度圖像處理的方法及裝置。

背景技術(shù)：

多媒體、視頻監(jiān)控等技術(shù)發(fā)展迅猛，已成為人們交流以及記錄的常用工具。但在夜晚、陰天、會議室等低照度環(huán)境下進行拍攝時，所得到的圖片對比度低、信噪比小、視覺效果差，圖像中的細節(jié)信息無法清晰體現(xiàn)出來，這使成像系統(tǒng)無法正常工作。因此，研究如何對低照度條件下的圖像進行快速有效處理，如何提高圖片的亮度，降低光照條件對成像系統(tǒng)的影響具有重要的研究意義。

現(xiàn)有的低照度條件下成像方法，大多僅通過對低照度下獲取的單幅圖像進行先去噪再增強的處理，采用該方法在一定程度上無法準確體現(xiàn)出圖像細節(jié)，同時對于單幅低照度下獲取的圖像的增強算法而言，由于低照度下圖像信噪比已接近探測極限，同時輸出圖像不僅附加了嚴重的量子噪聲而且圖像的對比度已接近視覺的靈敏限。而利用幀累積的方法，通過增加積分時間，提高低照度下獲取的圖像的信噪比，但在幀累積的過程中，需要對多幀圖像進行每幀圖像的特征點檢測、匹配和校準，這過程需要消耗大量的時間，所以對算法實時性方面的改善很重要。近年來，基于surf算法的圖像特征配對方法在圖像處理等關(guān)鍵技術(shù)中得到了廣泛的應(yīng)用?；谔卣鞯钠ヅ涫紫葘ふ覂煞鶊D像中的關(guān)鍵特征(如關(guān)鍵點、線)，然后對這些關(guān)鍵特征做篩選、映射，得到準確的匹配。sift(scaleinvariantfeaturetransform)算法是一種魯棒性好、具有尺度不變性的特征點檢測方法，但算法復(fù)雜度高，實時性較差。

因此，需要一種新的用于低照度圖像處理的方法及裝置。

在所述背景技術(shù)部分公開的上述信息僅用于加強對本發(fā)明的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供一種用于低照度圖像處理的方法及裝置，能夠提高了提取特征點的速度，從而提高了低照度下成像的效率。

本發(fā)明的其他特性和優(yōu)點將通過下面的詳細描述變得顯然，或部分地通過本發(fā)明的實踐而習(xí)得。

根據(jù)本發(fā)明的一方面，提出一種用于低照度圖像處理的方法，該方法包括：通過改進fast算法獲取第一圖像的特征點；確定特征點的主方向；通過特征點的主方向，獲取特征點描述子；通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點；以及進行特征點匹配，以獲取校準圖像。

在本公開的一種示例性實施例中，通過改進fast算法獲取第一圖像的特征點，包括：獲取當前像素點的灰度與預(yù)定范圍內(nèi)的鄰域點的灰度；獲取當前像素點的灰度與預(yù)定范圍內(nèi)的鄰域點的灰度差值超過預(yù)定閾值的鄰域點的數(shù)量；通過原始圖像中亮點與暗點的比重與鄰域點的數(shù)量，獲取第一特征點；通過剔除函數(shù)對第一特征點進行篩選，以獲取特征點。

在本公開的一種示例性實施例中，通過原始圖像中亮點與暗點的比重與鄰域點的數(shù)量，獲取第一特征點，包括：判斷鄰域點的數(shù)量是否超過預(yù)定數(shù)值；如果鄰域點的數(shù)量超過預(yù)定數(shù)值，則判斷當前像素點為第一特征點；獲取原始圖像中亮點與暗點的比重；以及通過比重與剔除函數(shù)，調(diào)整第一特征點以獲取特征點。

在本公開的一種示例性實施例中，通過所述比重與剔除函數(shù)，調(diào)整第一特征點以獲取特征點，包括：通過比重與剔除函數(shù)，調(diào)整第一特征點以獲取第二特征點；以及通過最小約束策略，剔除第二特征點中的冗余點，以得到特征點。

在本公開的一種示例性實施例中，剔除函數(shù)為：

sb＝{n|hi≥h0+t}，sd＝{n|hi≤h0+t}，sb為較亮點區(qū)域，sd為較暗點區(qū)域，hi為第i個領(lǐng)域點的灰度值，h0為當前像素點的灰度，n為正整數(shù)，t為所述預(yù)定閾值。

在本公開的一種示例性實施例中，所述通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點，包括：通過所述聚類算法對所述特征點進行聚類；以及將不滿足預(yù)定條件的特征點做為噪聲點進行去除處理。

在本公開的一種示例性實施例中，所述將不滿足預(yù)定條件的特征點做為噪聲點進行去除處理，包括：通過去噪判定公式進行所述噪聲點判定；其中所述噪聲判定公式為：其中，xi，yi，為所述特征點的坐標，a為單位矩陣，k為聚類個數(shù)，e為所有特征點的誤差的平方和。

在本公開的一種示例性實施例中，還包括：對原始圖像進行圖像處理，以獲取第一圖像。

在本公開的一種示例性實施例中，還包括：對校準圖像進行后續(xù)處理生成輸出圖像。

在本公開的一種示例性實施例中，對校準圖像進行后續(xù)處理生成輸出圖像，包括：對校準圖像進行加權(quán)累加以獲得第二圖像；以及對第二圖像進行對比度調(diào)整，以生成輸出圖像。

在本公開的一種示例性實施例中，對第二圖像進行對比度調(diào)整，以生成輸出圖像，包括：根據(jù)指定的對比度，對原始rgb色彩分類進行縮放，以生成輸出圖像。

根據(jù)本發(fā)明的一方面，提出一種用于低照度圖像處理的裝置，該裝置包括：fast模塊，用于通過改進fast算法獲取第一圖像的特征點；方向模塊，用于確定特征點的主方向；特征子模塊，用于通過特征點的主方向，獲取特征點描述子；以及特征匹配模塊，用于進行特征點匹配，以獲取校準圖像。

根據(jù)本發(fā)明的用于低照度圖像處理的方法及裝置，能夠提高了提取特征點的速度，從而提高了低照度下成像的效率。

應(yīng)當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性的，并不能限制本發(fā)明。

附圖說明

通過參照附圖詳細描述其示例實施例，本發(fā)明的上述和其它目標、特征及優(yōu)點將變得更加顯而易見。下面描述的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是根據(jù)一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。

圖2是根據(jù)另一示例性實施例示出的一種用于低照度圖像處理的方法中特征點探測的模板圖。

圖3是根據(jù)另一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。

圖4是根據(jù)一示例性實施例示出的一種用于低照度圖像處理的方法處理前后對比圖。

圖5是根據(jù)另一示例性實施例示出的一種用于低照度圖像處理的方法處理前后對比圖。

圖6是根據(jù)一示例性實施例示出的一種用于低照度圖像處理的裝置的框圖。

具體實施例

現(xiàn)在將參考附圖更全面地描述示例實施例。然而，示例實施例能夠以多種形式實施，且不應(yīng)被理解為限于在此闡述的實施例；相反，提供這些實施例使得本發(fā)明將全面和完整，并將示例實施例的構(gòu)思全面地傳達給本領(lǐng)域的技術(shù)人員。在圖中相同的附圖標記表示相同或類似的部分，因而將省略對它們的重復(fù)描述。

此外，所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個或更多實施例中。在下面的描述中，提供許多具體細節(jié)從而給出對本發(fā)明的實施例的充分理解。然而，本領(lǐng)域技術(shù)人員將意識到，可以實踐本發(fā)明的技術(shù)方案而沒有特定細節(jié)中的一個或更多，或者可以采用其它的方法、組元、裝置、步驟等。在其它情況下，不詳細示出或描述公知方法、裝置、實現(xiàn)或者操作以避免模糊本發(fā)明的各方面。

附圖中所示的方框圖僅僅是功能實體，不一定必須與物理上獨立的實體相對應(yīng)。即，可以采用軟件形式來實現(xiàn)這些功能實體，或在一個或多個硬件模塊或集成電路中實現(xiàn)這些功能實體，或在不同網(wǎng)絡(luò)和/或處理器裝置和/或微控制器裝置中實現(xiàn)這些功能實體。

附圖中所示的流程圖僅是示例性說明，不是必須包括所有的內(nèi)容和操作/步驟，也不是必須按所描述的順序執(zhí)行。例如，有的操作/步驟還可以分解，而有的操作/步驟可以合并或部分合并，因此實際執(zhí)行的順序有可能根據(jù)實際情況改變。

應(yīng)理解，雖然本文中可能使用術(shù)語第一、第二、第三等來描述各種組件，但這些組件不應(yīng)受這些術(shù)語限制。這些術(shù)語乃用以區(qū)分一組件與另一組件。因此，下文論述的第一組件可稱為第二組件而不偏離本公開概念的教示。如本文中所使用，術(shù)語“及/或”包括相關(guān)聯(lián)的列出項目中的任一個及一或多者的所有組合。

本領(lǐng)域技術(shù)人員可以理解，附圖只是示例實施例的示意圖，附圖中的模塊或流程并不一定是實施本發(fā)明所必須的，因此不能用于限制本發(fā)明的保護范圍。

圖1是根據(jù)一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。

如圖1所示，在s102中，通過改進fast算法獲取第一圖像的特征點。

第一圖像可例如為需要進行圖像處理的原始輸入圖像，第一圖像也可例如為，將原始圖像利用現(xiàn)有技術(shù)中圖像處理手段進行處理之后生成的圖像，本發(fā)明不以此為限。

如上文所述，圖像處理中，在局部特征點檢測快速發(fā)展的時候，人們對于特征的認識也越來越深入，近幾年來許多學(xué)者提出了許許多多的特征檢測算法及其改進算法。從最早期的moravec，到harris，再到sift、susan、gloh、surf算法，可以說特征提取算法層出不窮。也有各種改進算法可例如：pca-sift、ica-sift、p-asurf、r-asurf、radon-sift。surf(speededuprobustfeatures)算法是繼sift算法后的有一個穩(wěn)定快速的特征提取算法，它除了具有sift算法的穩(wěn)定性外，最突出的優(yōu)點是算法速度快，實時性較強。surf特征也是一種尺度、旋轉(zhuǎn)不變的特征描述方法。它對圖像的卷積做相似處理，在特征點定位環(huán)節(jié)引入的積分圖的概念，使求解hessian矩陣的計算量大大降低，運算時間相比sift大大減少。fast算法是surf算法中提取特征點算法的一種。

fast算法的提出者rosten等將fast角點定義為：若某像素與其周圍鄰域內(nèi)足夠多的像素點相差較大，則該像素可能是角點。fast算法步驟可例如：從圖片中選取一個像素p，首先把它的亮度值設(shè)為i_p。設(shè)定一個合適的閾值t?？紤]以該像素點為中心的一個半徑等于3像素的離散化的bresenham圓，這個圓的邊界上有16個像素，如果在這個大小為16個像素的圓上有n個連續(xù)的像素點，它們的像素值要么都比i_p+t大，要么都比i_p-t小，那么它就是一個角點。n的值可以設(shè)置為12或者9，實驗證明選擇9可能會有更好的效果。

在本發(fā)明實施例中，改進的fast算法可例如為：獲取當前像素點的灰度與預(yù)定范圍內(nèi)的鄰域點的灰度；獲取當前像素點的灰度與預(yù)定范圍內(nèi)的鄰域點的灰度差值超過預(yù)定閾值的鄰域點的數(shù)量；通過原始圖像中亮點與暗點的比重與鄰域點的數(shù)量，獲取第一特征點；通過剔除函數(shù)對第一特征點進行篩選，以獲取特征點。通過原始圖像中亮點與暗點的比重與鄰域點的數(shù)量，獲取第一特征點，包括：判斷鄰域點的數(shù)量是否超過預(yù)定閾值；如果鄰域點的數(shù)量超過預(yù)定閾值，則判斷當前像素點為第一特征點；獲取原始圖像中亮點與暗點的比重；以及通過比重與剔除函數(shù)，調(diào)整第一特征點以獲取特征點。

在s104中，確定特征點的主方向。

在本實施例中，可例如對每個特征點分配一個主方向，保證其特征向量具有旋轉(zhuǎn)不變性，以每個特征點為中心，并以6s為半徑的圓形區(qū)域內(nèi)，對圖像進行以4s×4s模板大小的haar小波梯度運算，s為特征點的當前尺度；對haar小波的相應(yīng)值使用σ＝2s的高斯加權(quán)函數(shù)進行加權(quán)運算，以每個特征點為中心、角度為π/3的扇形滑動窗口，獲取特征點的主方向；對扇形滑動窗口以內(nèi)的圖像進行haar小波的變換后，haar小波的相應(yīng)值在dx方向和dy方向進行累加，最終得到一個向量，特征點的主方向為最大的haar小波相應(yīng)累加值對應(yīng)的方向，也就是最長向量所對應(yīng)的方向。

在s106中，通過特征點的主方向，獲取特征點描述子。

以特征點為中心，將坐標軸旋轉(zhuǎn)到主方向，按主方向選取20σ×20σ的正方形區(qū)域，將該正方形區(qū)域劃分為4×4個子區(qū)域，在每個子區(qū)域內(nèi)計算haar小波在x，y方向的響應(yīng)dx、dy分別求和并生成了一個∑dx，∑|dx|，∑dy，∑|dy|的四維向量，這樣每個特征點就有64維的描述向量，再進行歸一化，形成最終的特征點描述子。

在s108中，進行特征點匹配，以獲取校準圖像。

在本實施例中，可例如采用基于馬氏距離來度量特征點間的相似性為：

可例如采用如下公式：

其中，a為匹配閾值，ad與bd為兩幅圖像中特征點的馬氏距離，若a接近于1，則說明這兩個特征點相似度越高。在本實施例中，可例如，通過兩個特征點之間馬氏距離的數(shù)值，來進行特征點匹配，進而獲得校準圖像。

根據(jù)本發(fā)明的用于低照度圖像處理的方法，通過改進fast算法獲取第一圖像的特征點并提取surf特征向量的方式，提高了提取特征點的速度，從而提高了低照度下成像的效率。

應(yīng)清楚地理解，本發(fā)明描述了如何形成和使用特定示例，但本發(fā)明的原理不限于這些示例的任何細節(jié)。相反，基于本發(fā)明公開的內(nèi)容的教導(dǎo)，這些原理能夠應(yīng)用于許多其它實施例。

在本公開的一種示例性實施例中，通過改進fast算法獲取第一圖像的特征點，包括：獲取當前像素點的灰度與預(yù)定范圍內(nèi)的鄰域點的灰度；獲取當前像素點的灰度與預(yù)定范圍內(nèi)的鄰域點的灰度差值超過預(yù)定閾值的鄰域點的數(shù)量；判斷鄰域點的數(shù)量是否超過預(yù)定數(shù)值；如果鄰域點的數(shù)量超過預(yù)定數(shù)值，則判斷當前像素點為第一特征點；獲取原始圖像中亮點與暗點的比重；以及通過比重與剔除函數(shù)，調(diào)整第一特征點以獲取特征點；通過剔除函數(shù)對第一特征點進行篩選，以獲取特征點。

在本實施例中，改進的fast獲取特征點，原理是當前像素點與其鄰域點進行比較判別。可例如，采用r＝3的圖像模板(如圖2所示)，即比較o點附近半徑為3的圓環(huán)上的16個鄰域點；再根據(jù)(1)式進行計算，如果存在n個點與o點的灰度差值超過閾值t，則判定o點為特征點。

當o為待檢測特征點中心像素點時，它的圓環(huán)上的點檢測結(jié)果有3種情況，即相似點s、較暗點d以及較亮點b。(1)式中：t0為圓環(huán)上對應(yīng)的每種點的個數(shù)，hi為圓環(huán)上第i個點對應(yīng)的灰度值，h0為待檢測點對應(yīng)的灰度值。

可例如，設(shè)f1和f2分別為圖像中亮點和暗點在整幅圖像中的比重，

式中：為加入約束后圓環(huán)上對應(yīng)的每種點的個數(shù)，權(quán)重α取值為0.5，β取值為3；而bn、dn和sn分別為加入約束后得到的亮點、暗點和相似點個數(shù)。通過以上的判別，獲取第一特征點。

在提取特征點時可能會檢測到多個相鄰的第一特征點，需計算其局部極值性來去除這些不是局部極值的點，可例如，通過所述比重與剔除函數(shù)，調(diào)整第一特征點以獲取特征點，包括：通過比重與剔除函數(shù)，調(diào)整第一特征點以獲取第二特征點；以及通過最小約束策略，剔除第二特征點中的冗余點，以得到特征點?？衫纾x一個函數(shù)w來進行非特征點的剔除。

其中，剔除函數(shù)為：

sb＝{n|hi≥h0+t}，sd＝{n|hi≤h0+t}，sb為較亮點區(qū)域，sd為較暗點區(qū)域，hi為第i個領(lǐng)域點的灰度值，h0為當前像素點的灰度，n為正整數(shù)，t為預(yù)定閾值。經(jīng)過剔除函數(shù)的計算，通過第一特征點獲取到第二特征點。

在本實時例中，最小約束策略可例如為最小距離約束策略。傳統(tǒng)fast特征點數(shù)量極大，并極易在局部區(qū)域出現(xiàn)聚集現(xiàn)象，在一定程度上造成了圖像局部細節(jié)信息的冗余，同時過多的特征點也會增加特征匹配耗時。在本實施例中，采用最小距離約束策略去除冗余的第二特征點。

可例如，設(shè)2個第二特征點之間的最小約束距離為dm，具體的取舍方法是：選取一個第二特征點，然后遍歷其他所有第二特征點并進行距離計算。若2個第二特征點之間距離大于dm，則保留。否則，判斷此第二特征點為冗余點并予以剔除。

根據(jù)本發(fā)明的用于低照度圖像處理的方法，通過剔除函數(shù)剔除第一特征點獲得第二特征點，以及通過最小距離策略法去除冗余的第二特征點以獲得特征點的方式，能夠迅速地完成圖像特征點的檢測，并剔除冗余點和噪聲點。使圖像特征點的數(shù)量適中且較為均勻地分布在目標區(qū)域。

在本公開的一種示例性實施例中，還包括：確定特征點主方向。

可例如，對每個特征點分配一個主方向，保證其特征向量具有旋轉(zhuǎn)不變性。以每個特征點為中心，并以6s(s為特征點的當前尺度)為半徑的圓形區(qū)域內(nèi)，對圖像進行以4s×4s模板大小的haar小波梯度運算。對haar小波的相應(yīng)值使用σ＝2s的高斯加權(quán)函數(shù)進行加權(quán)運算。以每個特征點為中心、角度為π/3的扇形滑動窗口，獲取特征點的主方向。對扇形滑動窗口以內(nèi)的圖像進行haar小波的變換后，haar小波的相應(yīng)值在dx方向和dy方向進行累加，最終得到一個向量。特征點的主方向為最大的haar小波相應(yīng)累加值對應(yīng)的方向，也就是最長向量所對應(yīng)的方向。

在本公開的一種示例性實施例中，還包括：特征點描述。

以特征點為中心，將坐標軸旋轉(zhuǎn)到主方向，按主方向選取20σ×20σ的正方形區(qū)域，將該正方形區(qū)域劃分為4×4個子區(qū)域，在每個子區(qū)域內(nèi)計算harr小波在x,y方向的響應(yīng)dx、dy分別求和并生成了一個∑dx，∑|dx|，∑dy，∑|dy|的四維向量，這樣每個特征點就有64維的描述向量，再進行歸一化，形成最終的特征點描述子；

在本公開的一種示例性實施例中，所述通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點，包括：通過所述聚類算法對所述特征點進行聚類；以及將不滿足預(yù)定條件的特征點做為噪聲點進行去除處理?？衫纾ㄟ^去噪判定公式進行所述噪聲點判定；其中所述噪聲判定公式為：其中，xi，yi，為所述特征點的坐標，a為單位矩陣，k為聚類個數(shù)，e為所有特征點的誤差的平方和。

在本公開的一種示例性實施例中，還包括：特征點匹配。

在本發(fā)明實施例中，采用基于馬氏距離來度量特征點間的相似性，可例如采用如下公式：

其中，a為匹配閾值，ad與bd為兩幅圖像中特征點的馬氏距離，若a接近于1，則說明這兩個特征點相似度越高。

在本公開的一種示例性實施例中，還包括：對原始圖像進行圖像處理，以獲取第一圖像。所述圖像處理包括但不限于：白平衡處理，去馬賽克處理，色彩校正處理，格式轉(zhuǎn)換處理。

在本公開的一種示例性實施例中，還包括：對校準圖像進行后續(xù)處理生成輸出圖像。

在本公開的一種示例性實施例中，對校準圖像進行后續(xù)處理生成輸出圖像，包括：對校準圖像進行加權(quán)累加以獲得第二圖像；以及對第二圖像進行對比度調(diào)整，以生成輸出圖像。

可例如，對多幀連拍圖(即校準圖像)進行累加。由于簡單的疊加會導(dǎo)致圖像產(chǎn)生過曝現(xiàn)象，因而采用加權(quán)累積方式，每幅圖像權(quán)重相等。

一幅有噪聲的圖像g(x,y,t)可認為是由原始圖像f(x,y,t)和噪聲n(x,y,t)疊加而成，即：

g(x,y,t)＝f(x,y,t)+n(x,y,t)(5)

其中，x，y是像素點坐標，t是時間變量，多幀累加就是將不同時刻兩幀圖像或多幀圖像對應(yīng)像素點相加后求取它們的圖像。m幀圖像進行累加，得到圖像a(x,y,t)，

基于上述原理，求得幀累積圖像a(x,y,t)。

在本公開的一種示例性實施例中，對第二圖像進行對比度調(diào)整，以生成輸出圖像，包括：根據(jù)指定的對比度，對原始rgb色彩分類進行縮放，以生成輸出圖像。

在成像過程中由于光照不足，使得整幅圖像變暗，或者成像時光照過強，使得整幅圖像偏亮，這些情況就稱為低對比度，即顏色聚集在一起，沒有分散開。對比度調(diào)整就是使圖像的顏色更符合需要，以實現(xiàn)一些效果。通常采用對比度增強，把感興趣的顏色范圍拉開，使得該范圍內(nèi)的像素，亮的越亮，暗的越暗，從而達到對比度增強的目的。實現(xiàn)原理：根據(jù)指定的一個對比度，分別與原始r、g、b色彩分量進行一定比例的縮放，從而拉開原色色彩亮度級別的分布，達到對比度增強的作用。主要為了提高圖像的亮度。

根據(jù)本發(fā)明的用于低照度圖像處理的方法，能夠大大地減少成像時間，能夠提高低照度下獲取圖像的效率和可辨識度，處理的夜拍低照度圖像成像效果好，并滿足實時性需求。

圖3是根據(jù)另一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。

如圖3所示，在s304中，對輸入圖像進行白平衡處理。

在s306中，去馬賽克處理。

在s308中，色彩校正處理。

在s310中，轉(zhuǎn)換圖像格式為rgb。

在s312中，改進fast法圖像匹配校準。

在s314中，進行多幀圖像累積。

在s316中，調(diào)整圖像對比度。

再本實施例中，對原始圖像進行前isp處理；對處理后輸出的多幀圖像進行改進fast法特征點提取及匹配獲得校準圖像；其中用改進的fast檢測特征點的方法可以提高算法的運行速度，減少大量的計算時間，再對多幀連拍圖進行累加；最后對得到的幀累積圖像進行對比度調(diào)整，并輸出處理完畢的圖像，本實施例所述方法改進了圖像特征點匹配算法，提高低照度下獲取圖像的效率和可辨識度，使其滿足實時性需求。本發(fā)明實時例中提出的方法可例如嵌入fpga實現(xiàn)，開發(fā)具有低照度成像功能的相機或攝像機。

圖4、5是根據(jù)一示例性實施例示出的一種用于低照度圖像處理的方法處理前后對比圖。

如圖4,5所示，根據(jù)本發(fā)明的用于低照度圖像處理的方法，在夜拍低照度成像速度快，能夠較快地進行改進的fast特征點檢測并提取surf向量，并能準確地完成圖像匹配，圖像效果好，提高了圖像亮度，較好的達到了所預(yù)期的目標。

本領(lǐng)域技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分步驟被實現(xiàn)為由cpu執(zhí)行的計算機程序。在該計算機程序被cpu執(zhí)行時，執(zhí)行本發(fā)明提供的上述方法所限定的上述功能。所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，該存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。

此外，需要注意的是，上述附圖僅是根據(jù)本發(fā)明示例性實施例的方法所包括的處理的示意性說明，而不是限制目的。易于理解，上述附圖所示的處理并不表明或限制這些處理的時間順序。另外，也易于理解，這些處理可以是例如在多個模塊中同步或異步執(zhí)行的。

下述為本發(fā)明裝置實施例，可以用于執(zhí)行本發(fā)明方法實施例。對于本發(fā)明裝置實施例中未披露的細節(jié)，請參照本發(fā)明方法實施例。

圖6是根據(jù)一示例性實施例示出的一種用于低照度圖像處理的裝置的框圖。

其中，fast模塊602用于通過改進fast算法獲取第一圖像的特征點。

方向模塊604用于確定特征點的主方向。

特征子模塊606用于通過特征點的主方向，獲取特征點描述子。

聚類模塊608用于通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點；

特征匹配模塊610用于進行特征點匹配，以獲取校準圖像。

根據(jù)本發(fā)明的用于低照度圖像處理的裝置，通過改進fast算法獲取第一圖像的特征點，能夠大大地減少成像時間，提高低照度下獲取圖像的效率和可辨識度，處理的夜拍低照度圖像成像效果好，并滿足實時性需求。

本領(lǐng)域技術(shù)人員可以理解上述各模塊可以按照實施例的描述分布于裝置中，也可以進行相應(yīng)變化唯一不同于本實施例的一個或多個裝置中。上述實施例的模塊可以合并為一個模塊，也可以進一步拆分成多個子模塊。

通過以上的實施例的描述，本領(lǐng)域的技術(shù)人員易于理解，這里描述的示例實施例可以通過軟件實現(xiàn)，也可以通過軟件結(jié)合必要的硬件的方式來實現(xiàn)。因此，根據(jù)本發(fā)明實施例的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲在一個非易失性存儲介質(zhì)(可以是cd-rom，u盤，移動硬盤等)中或網(wǎng)絡(luò)上，包括若干指令以使得一臺計算設(shè)備(可以是個人計算機、服務(wù)器、移動終端、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行根據(jù)本發(fā)明實施例的方法。

通過以上的詳細描述，本領(lǐng)域的技術(shù)人員易于理解，根據(jù)本發(fā)明實施例的用于低照度圖像處理的方法及裝置具有以下優(yōu)點中的一個或多個。

根據(jù)一些實施例，本發(fā)明的用于低照度圖像處理的方法，通過改進fast算法獲取第一圖像的特征點并提取surf特征向量的方式，提高了提取特征點的速度，提高了低照度下成像的效率，調(diào)整了圖像的對比度，提高了圖像亮度。

根據(jù)另一些實施例，本發(fā)明的用于低照度圖像處理的方法，通過剔除函數(shù)剔除第一特征點獲得第二特征點，以及通過最小距離策略法去除冗余的第二特征點以獲得特征點的方式，能夠迅速地完成圖像特征點的檢測，并剔除冗余點和噪聲點。使圖像特征點的數(shù)量適中且較為均勻地分布在目標區(qū)域。

根據(jù)另一些實施例，本發(fā)明的用于低照度圖像處理的方法，在夜拍低照度成像速度快，能夠較快地進行改進的fast特征點檢測并提取surf向量，并能準確地完成圖像匹配，圖像效果好，提高了圖像亮度，較好的達到了所預(yù)期的目標。

以上具體地示出和描述了本發(fā)明的示例性實施例。應(yīng)可理解的是，本發(fā)明不限于這里描述的詳細結(jié)構(gòu)、設(shè)置方式或?qū)崿F(xiàn)方法；相反，本發(fā)明意圖涵蓋包含在所附權(quán)利要求的精神和范圍內(nèi)的各種修改和等效設(shè)置。

此外，本說明書說明書附圖所示出的結(jié)構(gòu)、比例、大小等，均僅用以配合說明書所公開的內(nèi)容，以供本領(lǐng)域技術(shù)人員了解與閱讀，并非用以限定本公開可實施的限定條件，故不具技術(shù)上的實質(zhì)意義，任何結(jié)構(gòu)的修飾、比例關(guān)系的改變或大小的調(diào)整，在不影響本公開所能產(chǎn)生的技術(shù)效果及所能實現(xiàn)的目的下，均應(yīng)仍落在本公開所公開的技術(shù)內(nèi)容得能涵蓋的范圍內(nèi)。同時，本說明書中所引用的如“上”、“第一”、“第二”及“一”等的用語，也僅為便于敘述的明了，而非用以限定本公開可實施的范圍，其相對關(guān)系的改變或調(diào)整，在無實質(zhì)變更技術(shù)內(nèi)容下，當也視為本發(fā)明可實施的范疇。