图像增强方法及基于图像的汽车前照灯角度调整方法

1.本发明涉及机器视觉与图像处理技术领域，具体涉及一种图像增强方法及基于夜间积水图像的汽车前照灯角度调整方法。


背景技术：

2.众所周知，汽车在夜间行驶的过程中，强烈灯光容易使驾驶者在会车时产生眩目，更糟糕的是，下雨天夜间道路状况要比晴天复杂许多，在夜间车辆前面的路面积水会产生一块块的“镜面”，从而形成光反射介质，使光线发生反射,也容易使驾驶员产生炫目。驾驶员的炫目反应给交通安全带来严重安全隐患。
3.目前在实际应用过程中，在夜间路面积水情况下，仅为随机人工粗调汽车前照灯角度，不能适应复杂的夜间积水路面情况，无法满足下雨天夜间驾驶安全需求。而在理论层面，针对夜间路面积水环境，使用夜间积水图像增强方法来辅助识别积水位置，进而通过识别出的积水位置进行汽车前照灯的角度调整。
4.然而，现有的图像增强方法大多使用传统直方均衡增强算法，但是传统直方图均衡化增强处理方法并没有进行夜间积水图像灰度级的像素数量重新分配。由于均衡后图像的灰度直方图中任一灰度级的累积概率是原始图像中相对应灰度级概率的求和，若原始图像中存在某个灰度级的概率过大，此时该归一化灰度级的累积概率与前一个归一化灰度级的累积概率的差值过大，因此直接对原始图像的灰度直方图进行直方图均衡化增强处理会使均衡后的新图像产生过增强现象，这将致使均衡后的新图像损失细节信息，积水与路面对比不明显，增强效果不好，因此传统方法获得的均衡后的新图像质量不佳，影响后续对积水位置的精确识别。
5.研究者们还探索利用clahe算法来对图片进行限制对比度自适应直方均衡化增强处理，得到直方均衡化新图像，其中对灰度直方图中所有灰度级的像素数量都进行了重新分配，对于部分像素数量高于剪裁数量阈值的灰度级，将其像素数量重新分配以限制在固定范围内，这使得在后续均衡增强过程中能避免部分灰度级像素数量过大导致所占概率过大从而造成的过增强现象，得到的新图像质量较好。
6.但是，clahe算法中的剪裁数量阈值是人为确定的固定值，而由于在雨天夜间驾驶领域，不同的夜间积水图像的积水的大小不同会造成积水所在灰度级的像素数量的不同，且汽车行驶过程中夜间积水图像一直在变化，而剪裁数量阈值却不改变，这样导致针对不同的夜间积水图像，利用其灰度级的原始像素数量相对于同一固定的剪裁数量阈值的分布情况来分配像素数量，是非常不合理的，以至于clahe算法无法适应汽车行驶过程中夜间积水图像不断变化的情况，增强效果不稳定，因此现有的基于clahe算法的图片增强方法不能解决雨天夜间的道路图片识别问题。


技术实现要素：

7.本发明的目的是提供一种图像增强方法和基于夜间积水图像的汽车前照灯角度
调整方法，该图像增强方法能适应汽车行驶过程中夜间积水图像不断变化的情况，能获得稳定增强效果的图片，进而助于积水位置的精确识别，从而实现汽车前照灯角度的准确调整，使得汽车避开积水区域，确保雨天夜间行驶安全性。
8.为了实现上述目的，本公开实施例提供了一种图像增强方法，包括：
9.s110，根据夜间积水图像中心区域的中心子块图像以及夜间积水图像的目标子块图像确定clahe算法中的目标子块剪裁数量阈值，其中目标子块图像为将夜间积水图像按照预定划分规则划分后获得，预定划分规则为：基于夜间积水图像的整体布局，将夜间积水图像进行均匀划分，均匀划分后得到的目标子块图像的个数满足同时能被行数量和列数量整除，其中行数量为夜间积水图像中像素行的总数量，列数量为夜间积水图像中像素列的总数量；
10.s120，根据clahe算法，对每个目标子块图像进行限制对比度自适应直方图均衡化处理，得到增强子图像；
11.s130，基于预定划分规则，对所有目标子块图像的增强子图像进行拼接组合，得到增强图像。
12.较佳地，所述步骤s110具体为：
13.s111，根据中心子块图像p确定剪裁数量参考阈值t，具体为：将剪裁数量参考阈值t设置为第一值与第二值的商，其中第一值为集合x中所有不小于的元素中最小的元素，第二值为集合x中与第一值对应的元素在集合x中的序号，集合其中xk是集合x中第k个序号的元素，且等于集合m中第1个序号至第k个序号所对应的元素之和，集合其中mk表示中心子块图像中所有归一化灰度级按照各自的像素数量从大到小进行排序后，第k个序号的归一化灰度级的像素数量，1≤k≤l
p
，l
p
为中心子块图像中归一化灰度级的个数，nc为中心子块图像中像素的总数量；
14.s112，根据以下公式确定目标子块剪裁数量阈值：
[0015][0016]
其中，t
′
为目标子块剪裁数量阈值，t为剪裁数量参考阈值，nc为中心子块图像中像素的总数量，nb为目标子块图像中像素的总数量。
[0017]
较佳地，所述步骤s110中，目标子块图像的个数进一步满足同时被640整除。
[0018]
较佳地，所述步骤s120包括：
[0019]
s121，基于clahe算法，根据目标子块剪裁数量阈值确定每个目标子块图像的灰度直方图中每个归一化灰度级所应分配的像素数量，得到每个目标子块图像的新灰度直方图，各个归一化灰度级的像素数量的分配公式如下：
[0020][0021]
其中，i为夜间积水图像中目标子块图像的序号，其中每个目标子块图像中所有归一化灰度级按照其对应的灰度值区间从小到大进行了排序，且排序的序号从0开始；
为第i个目标子块图像中第l个序号的归一化灰度级原先的像素数量；为第i个目标子块图像中第l个序号的归一化灰度级所对应分配的像素数量，0≤l≤l
i-1，li为第i个目标子块图像中归一化灰度级的个数；t
′
为目标子块剪裁数量阈值；ai为第i个目标子块图像中平均分配到的所有归一化灰度级的像素数量，ai的计算公式如下：
[0022][0023]
其中，zi为第i个目标子块图像中超出目标子块剪裁数量阈值t
′
的像素数量，计算公式为：
[0024]
zi＝[n
b-li×
t
′
]
[0025]
其中，nb为目标子块图像的像素总数量。
[0026]
较佳地，所述步骤s120还包括：
[0027]
s122，基于clahe算法，对每个目标子块图像的新灰度直方图进行直方图均衡化处理，得到每个归一化灰度级的累积概率分布函数，其中各个归一化灰度级的累计概率的计算公式如下：
[0028][0029]
式中：为第i个目标子块图像的第l个序号的归一化灰度级的累计概率，0≤l≤l
i-1；li为第i个目标子块图像中归一化灰度级的个数；表示第i个目标子块图像中第j个序号的归一化灰度级，0≤j≤l；为第i个目标子块图像中第j个序号的归一化灰度级在分配像素数量后出现的概率，的计算公式为：
[0030][0031]
其中，为第i个目标子块图像中第j个序号的归一化灰度级分配到的像素数量，为第i个目标子块图像中第e个序号的归一化灰度级分配到的像素数量，0≤e≤l
i-1；li为第i个目标子块图像中归一化灰度级的个数；
[0032]
s123，针对每个目标子块图像，利用每个像素的归一化灰度级的累积概率分布函数更新对应像素的灰度值，得到增强子图像。
[0033]
较佳地，所述步骤s123具体包括：
[0034]
(1)对于每个目标子块图像的每个像素点，根据该像素点的灰度值所对应的归一化灰度级的累计概率更新该像素点的灰度值，灰度值的更新公式为：
[0035][0036]
其中，q为第i个目标子块图像中当前像素点原先的灰度值所对应的归一化灰度级的序号，0≤q≤l
i-1，li为第i个目标子块图像中归一化灰度级的个数；为第i个目标子块图像中当前像素点原先的灰度值所对应的第q个序号的归一化灰度级的累计概率；c为增强
子图像的灰度值位数预设值；为第i个目标子块图像中当前像素点更新后的灰度值；
[0037]
(2)针对每个目标子块图像，利用每个像素点更新后的灰度值替换原先的灰度值，得到增强子图像。
[0038]
本发明实施例还提供了一种基于夜间积水图像的汽车前照灯角度调整方法，包括以下步骤：
[0039]
s210，获取图像训练集，利用权利要求1至6任一项所述的图像增强方法对图像训练集中每个图像进行增强处理，得到增强图像训练集，其中图像训练集包括夜间积水图像；
[0040]
s220，利用增强图像训练集及人工对应标注的积水位置信息训练yolov5算法模型，得到训练好的yolov5算法模型；
[0041]
s230，当接收到汽车前照灯角度调整请求后，根据与所述汽车前照灯角度调整请求对应的夜间积水图像，基于训练好的yolov5算法模型确定夜间积水位置；
[0042]
s240，根据训练好的yolov5算法模型输出的夜间积水位置调整汽车前照灯的照射角度，从而使汽车避开照射积水位置。
[0043]
较佳地，所述图像训练集还包括白天和/或傍晚的坑洼图像，坑洼图像包括干坑洼区域图像和积水坑洼区域图像，
[0044]
所述步骤s220具体包括：
[0045]
s221：利用白天和/或傍晚的坑洼图像所对应的增强图像训练集及人工对应标注的坑洼位置信息训练yolov5算法模型，得到初步训练好的yolov5算法模型；
[0046]
s223，利用夜间积水图像所对应的增强图像训练集及人工对应标注的积水位置信息训练初步训练好的yolov5算法模型，得到训练好的yolov5算法模型。
[0047]
较佳地，所述步骤s240具体包括：
[0048]
s241，pc端根据夜间积水位置确定汽车前照灯角度调整策略；
[0049]
s242，pc端将汽车前照灯角度调整指令发送至飞思卡尔控制模块，所述汽车前照灯角度调整指令包含有关汽车前照灯角度调整策略的数据；
[0050]
s243，飞思卡尔控制模块将汽车前照灯角度调整指令所包含的汽车前照灯角度调整策略数据转化为汽车前照灯角度控制信号数据，并将汽车前照灯角度控制信号数据传输给led驱动模块；
[0051]
s244，led驱动模块根据汽车前照灯角度控制信号数据调整汽车前照灯的照射角度，从而避开照射积水位置。
[0052]
较佳地，所述步骤s241具体包括：
[0053]
s241a，pc端判断夜间积水位置所包含的夜间积水区域的中心坐标与夜间积水图片的中心点坐标的竖直方向距离的差值d是否满足预定条件，其中预定条件为：差值d在范围内，rows为与所述汽车前照灯角度调整请求对应的夜间积水图像中像素行的总数量；
[0054]
s241b，若值d满足预定条件，则当差值d在范围内时，将左、右前照灯的垂直照射角度均调整为2
°
；当差值d在范围内，将左、右前照灯的垂直照射角度
均调整为-2
°
；
[0055]
s241c，若值d不满足预定条件，则不需要调整汽车左、右前照灯的垂直照射角度。
[0056]
本公开实施例提供的技术方案带来的有益效果是：
[0057]
首先，本发明实施例采用改进的clahe算法的图像增强方法，由于该clahe算法中的目标子块剪裁数量阈值是根据不同夜间积水图像的中心子块图像和目标子块图像来确定，因此不同夜间积水图像对应不同的目标子块剪裁数量阈值，目标子块剪裁数量阈值可以跟随每幅夜间积水图像的变化来动态调整，这样对于不同的夜间积水图像，后续利用所有归一化灰度级的原始像素数量相对于各自独立的目标子块剪裁数量阈值的分布情况来分配像素数量，分配策略较为合理，使得该改进的clahe算法能适应汽车行驶过程中夜间积水图像不断变化的情况，得到的直方均衡化新图像的增强效果比较稳定。
[0058]
另外，本发明实施例基于夜间积水图像的汽车前照灯角度调整方法，是利用上述改进的clahe算法所处理得到的夜间积水图片的增强图像训练集及人工对应标注的积水位置信息训练yolov5算法模型，来实现夜间积水位置的确定，本方法能根据夜间积水位置调整汽车前照灯的照射角度，使汽车避开照射积水位置，不会造成反光炫目，能确保雨天夜间行驶安全性。
[0059]
最后，本发明yolov5算法模型的训练，首先通过白天和傍晚的积水和坑洼的数据集进行第一次训练，能优化yolov5算法网络模型对积水位置的识别能力，再使用夜间数据对第一次训练好的yolov5算法网络模型进行再一次训练，能进一步加强yolov5算法对夜间车辆前方积水位置的识别效果。
附图说明
[0060]
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1为本发明实施例的图像增强方法的流程图；
[0062]
图2为图1所示图像增强方法中剪裁数量阈值确定方法的流程图；
[0063]
图3为本发明一种实施例的基于夜间积水图像的汽车前照灯角度调整方法的流程图；
[0064]
图4为本发明另一种实施例的基于夜间积水图像的汽车前照灯角度调整方法的流程图。
具体实施方式
[0065]
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
[0066]
首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
[0067]
灰度值：表示图像中单个像素点的亮度，灰度值越大表示越亮，在本实施例中采用8位灰度直方图，灰度值的范围从0到255，其中，白色的灰度值为255，黑色的灰度值为0。
[0068]
灰度级：表示图像中不同像素的灰度值所对应的亮度等级，图像中不同的灰度级划分有各自对应的灰度值区间。灰度级越大，图像的亮度范围越大。在本实施例中采用8位灰度直方图，即划分为256级灰度。
[0069]
归一化灰度级：指上述灰度级统一除以255得到的归一化灰度级，方便后续概率计算和新图像灰度值的计算。
[0070]
灰度直方图：灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将图像中的所有像素，按照灰度级的大小，统计其出现的频率。
[0071]
直方图均衡增强处理：对在图像中像素个数多的灰度级(即对画面起主要作用的灰度级)进行展宽，而对像素个数少的灰度级(即对画面不起主要作用的灰度级)进行归并，从而增大对比度，使图像清晰，达到增强的目的。直方图均衡增强处理的过程为：(1)对图像的灰度直方图进行直方图均衡化处理，得到每个归一化灰度级的累积概率分布函数；(2)根据每个归一化灰度级的累积概率分布函数对图像对应的灰度值进行更新，灰度值更新后得到增强图像。
[0072]
clahe算法(contrast limited adaptive histogram equalization，限制对比度自适应直方图均衡化)：是一种用于增强图像对比度的算法。它是一种自适应的直方图均衡化技术，用于增强图像的局部对比度。该算法包括：(1)根据剪裁数量阈值对原始图像的灰度直方图进行像素分配，目的是避免过增强现象；(2)对分配像素后的图像的灰度直方图进行直方图均衡增强处理，从而得到对比度增大的图像。clahe算法一般用于去雾、医学影像等领域的图片增强处理。
[0073]
yolov5目标检测方法：是一种端到端的深度学习模型，可以直接从原始图像中检测和定位目标。它使用卷积神经网络(cnn)来学习图像中物体的特征，并使用多尺度预测和网格分割来检测和定位目标。yolov5的优势在于它可以在高速运行，并且可以在不同的图像分辨率上很好地工作。
[0074]
首先需要说明的是，发明人在思考本方案的过程中发现，当路面积水位置集中在夜间积水图像的中心区域时，夜间积水图像中心区域所对应的路面积水区域易被汽车前照灯照射并反射，致使对向来车驾驶员眩目，而不在夜间积水图像中央区域的路面积水区域难以被汽车前照灯照射并反射，不易造成驾驶员眩目。另外，路面积水位置未集中在夜间积水图像的中心区域时，路面积水难以被汽车前照灯照射并反射，也不易造成驾驶员眩目。同时，夜间积水图像的中心区域的灰度直方图依然满足像素多的灰度级为路面主区域或者积水主区域，像素数量少的灰度级为非重要区域的特点。发明人根据这个特点，通过夜间积水图像的中心区域的灰度直方图中像素多的灰度级来确定clahe算法中的目标子块剪裁数量阈值，能够用于后续算法中提高夜间积水图像中心区域的积水与路面的对比度，方便后续yolov5算法根据增强后的夜间积水图像确定积水位置。
[0075]
下面对本实施例改进的图像增强方法进行详细阐述。需要说明的是，本方案适用于所有复杂情况的图像增强处理，例如白天和/或傍晚的坑洼图像，坑洼图像包括干坑洼区域图像和积水坑洼区域图像，能达到识别坑洼并检测到坑洼所在位置信息的效果，当然本方法也适用于普通图像的增强处理，能达到避免传统直方图均衡增强处理算法的过增强现象同时提高了普通图像对比度效果。
[0076]
以下以夜间积水图像为例来说明本实施例图像增强方法，其它复杂图像或者普通
图像的增强处理过程与夜间积水图像的处理类似。
[0077]
参考图1，本实施例图片增强处理方法包括：
[0078]
s110，根据夜间积水图像中心区域的中心子块图像以及夜间积水图像的目标子块图像确定clahe算法中的目标子块剪裁数量阈值，其中目标子块图像为将夜间积水图像按照预定划分规则划分后获得，预定划分规则为：基于夜间积水图像的整体布局，将夜间积水图像进行均匀划分，均匀划分后得到的目标子块图像的个数满足同时能被行数量和列数量整除，其中行数量为夜间积水图像中像素行的总数量，列数量为夜间积水图像中像素列的总数量；
[0079]
需要说明的是，本实施例可以采用常用车载摄像头按照合适角度对车辆正前方的路面进行拍摄，获得夜间积水区域的图像，车载摄像头每秒拍摄30帧图像。pc端将拍摄的图像转换为灰度图后即为本实施例所得到的夜间积水图像。夜间积水图像是拍摄的图像转换为灰度图后的图像，这种将原始彩色图变成灰度图的方式将数据量减少三倍，可以加快后续算法的运算速度。
[0080]
s120，根据clahe算法，对每个目标子块图像进行限制对比度自适应直方图均衡化处理，得到增强子图像；
[0081]
s130，基于预定划分规则，对所有目标子块图像的增强子图像进行拼接组合，得到增强图像。
[0082]
本实施例为了更具有针对性地对夜间积水图像中的夜间积水区域进行增强，对clahe算法进行了改进，改进了传统clahe算法中需要人为确定固定的剪裁数量阈值的问题，具体为根据不同夜间积水图像的中心子块图像和目标子块图像确定clahe算法中的目标子块剪裁数量阈值，不同夜间积水图像对应不同的目标子块剪裁数量阈值，因此能实现跟随每幅夜间积水图像的变化动态调整目标子块剪裁数量阈值，因此这样对于不同的夜间积水图像，利用所有归一化灰度级的原始像素数量相对于各自独立的目标子块剪裁数量阈值的分布情况来分配像素数量，分配策略较为合理，使得利用改进的clahe算法对重新分配所有归一化灰度级的像素数量后的目标子块图像进行限制对比度自适应直方图均衡化处理后，最终得到的增强子图像的增强效果比较稳定。该方案在夜间雨天驾驶领域，在汽车行驶过程中夜间积水图像一直在变化、不同夜间积水图像的积水大小不同造成积水所在灰度级的像素数量不同的情况下，能基于各自独立的夜间积水图像确定的独立的目标子块剪裁数量阈值实现图片稳定的增强，这进一步利于后续根据增强后的图片准确识别出积水位置。
[0083]
参考图2，本实施例中clahe算法中的剪裁数量阈值的确定方法可以为：
[0084]
s111，基于夜间积水图像的中心区域获取中心子块图像p。
[0085]
具体地，在夜间积水图像的中心区域截取行区间为列区间为的图像作为中心子块图像p，其中rows为夜间积水图像中像素行的总数量，cols为夜间积水图像中像素列的总数量。此时中心子块图像p中像素的总数量为
[0086]
s112，根据中心子块图像p确定clahe算法的剪裁数量参考阈值t。
[0087]
具体地，在本实施例中，将剪裁数量参考阈值t设置为第一值与第二值的商，其中第一值为集合x中所有不小于的元素中最小的元素，第二值为集合x中与第一值对应的元素在集合x中的序号，集合其中xk是集合x中第k个序号的元素，且等于集合m中第1个序号至第k个序号所对应的元素之和，集合其中mk表示中心子块图像p所有归一化灰度级按照各自在中心子块图像p中对应的像素数量从大到小进行排序后，位于第k个序号的归一化灰度级在中心子块图像p中对应的像素数量，1≤k≤l
p
，l
p
为中心子块图像p中归一化灰度级的个数，nc为中心子块图像p中像素的总数量。
[0088]
具体地，将中心子块图像p所有归一化灰度级按照其对应的像素数量从大到小排序后为r1,r2,...，rg,...其中rg表示中心子块图像p所有归一化灰度级按照对应的像素数量从大到小排序后位于第g个序号的归一化灰度级，1≤g≤l
p
，l
p
为中心子块图像p中归一化灰度级的个数；排序后的每个归一化灰度值的像素数量对应为m1,m2,...，mg,...其中mg表示第g个序号的归一化灰度级在中心子块图像p中的像素数量，1≤g≤l
p
；将对应归一化灰度级的像素数量从大到小进行求和，当求和值首次大于等于时，确定该首次大于的求和值是前g个对应像素数量的求和，即
[0089][0090]
则剪裁数量参考阈值t的计算公式如下：
[0091][0092]
s113，将夜间积水图像按照预定划分规则进行划分，得到多个目标子块图像，其中预定划分规则为：基于夜间积水图像的整体布局，将夜间积水图像划分为t个大小相等、互不重叠的目标子块图像，t为能够同时被rows和cols整除的整数，其中rows为夜间积水图像中像素行的总数量，cols为夜间积水图像中像素列的总数量。
[0093]
可以理解地，每个目标子块图像中像素的总数量所有目标子块图像构成集合b，集合b＝{b1,b2,...，bi,... b
t
}，其中bi表示第i个序号的目标子块图像，1≤i≤t。
[0094]
在本实施例中，为了使目标子块图像相互不重叠，而且更加适合后续yolov5算法模型训练和识别，t较佳地为能够同时被rows和cols以及640整除的整数，使得yolov5算法模型以640
×
640大小的图像单元进行训练和识别的效果更好。
[0095]
s114，根据剪裁数量参考阈值、每个中心子块图像的像素总数量和目标子块图像
的像素总数量确定目标子块剪裁数量阈值t
′
，公式如下：
[0096][0097]
其中，t
′
为目标子块剪裁数量阈值，t为剪裁数量参考阈值，nc为中心子块图像中像素的总数量，nb为每个目标子块图像中像素的总数量。
[0098]
由上述方案可知，本实施例改进的clahe算法中目标子块剪裁数量阈值t
′
根据不同的夜间积水图像的中心子块图像和目标子块图像来确定，根据不同的夜间积水图像的中心子块图像的归一化灰度级的像素数量分布情况动态调整目标子块剪裁数量阈值t
′
，利用动态变化的目标子块剪裁数量阈值t
′
的clahe算法对夜间积水图像进行限制对比度自适应直方图均衡化处理后，可以保证对不同的夜间积水图像比较稳定的增强效果。
[0099]
作为较佳的实施例，步骤s120中对每个目标子块图像进行限制对比度自适应直方图均衡化处理，得到增强子图像，具体包括：
[0100]
s121，基于clahe算法，根据目标子块剪裁数量阈值确定每个目标子块图像的灰度直方图中每个归一化灰度级所应分配的像素数量，得到每个目标子块图像的新灰度直方图，各个归一化灰度级的像素数量的分配公式如下：
[0101][0102]
其中，i为夜间积水图像中目标子块图像的序号，1≤i≤t；li为第i个目标子块图像中归一化灰度级的个数，第i个目标子块图像中所有归一化灰度级按照其对应的灰度值区间从小到大进行了排序，且排序的序号从0开始；为第i个目标子块图像中第l个序号的归一化灰度级原先的像素数量，为第i个目标子块图像中第l个序号的归一化灰度级所应分配的像素数量，0≤l≤l
i-1；t
′
为目标子块剪裁数量阈值；ai为第i个目标子块图像中平均分配到所有归一化灰度级的像素数量，ai的计算式如下：
[0103][0104]
其中，li为第i个目标子块图像中归一化灰度级的个数；zi为第i个目标子块图像中超出目标子块剪裁数量阈值t
′
的像素数量，计算公式为：
[0105]
zi＝[n
b-li×
t
′
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0106]
其中，nb为第i个目标子块图像的像素总数量。
[0107]
需要说明的是，第i个目标子块图像的原始灰度直方图中，横坐标为归一化灰度级，与第i个目标子块图像的各个灰度级一一对应，纵坐标为横坐标归一化灰度级所对应的原始像素数量。第i个目标子块图像的新灰度直方图中，横坐标为归一化灰度级，与原始灰度直方图相同，纵坐标为横坐标归一化灰度级所对应的分配到的像素数量。
[0108]
s122，基于clahe算法，对每个目标子块图像的新灰度直方图进行直方图均衡化处理，得到每个归一化灰度级的累积概率分布函数，其中各个归一化灰度级的累计概率的计算公式如下：
[0109][0110]
式中：为第i个目标子块的第l个序号的归一化灰度级的累计概率；li为第i个目标子块图像中归一化灰度级的个数；表示第i个目标子块图像中第j个序号的归一化灰度级，0≤j≤l；为第i个目标子块图像中第j个序号的归一化灰度级在分配像素数量后出现的概率。其中，计算公式为：
[0111][0112]
其中，为第i个目标子块图像中第j个序号的归一化灰度级分配到的像素数量；为第i个目标子块图像中第e个序号的归一化灰度级分配到的像素数量，0≤e≤l
i-1；li为第i个目标子块图像中归一化灰度级的个数。
[0113]
需要说明的是，第i个目标子块图像的归一化灰度级重新分配像素数量后，第j个序号的归一化灰度级在该第i个目标子块图像中出现的概率由原来的变化为其中其中为第i个目标子块图像中第j个序号的归一化灰度级原先的概率，为第i个目标子块图像中第j个序号的归一化灰度级原先的像素数量，nb为第i个目标子块图像原先的像素总数量。
[0114]
s123，针对每个目标子块图像，利用每个像素的归一化灰度级的累积概率分布函数更新对应像素的灰度值，得到增强子图像。
[0115]
具体地，步骤s123具体包括：
[0116]
(1)对于每个目标子块图像的每个像素点，根据该像素点的灰度值所对应的归一化灰度级的累计概率更新该像素点的灰度值，灰度值的更新公式为：
[0117][0118]
其中，第i个目标子块图像中所有归一化灰度级按照其对应的灰度值区间从小到大进行了排序，且排序的序号从0开始，q为第i个目标子块图像中当前像素点原先的灰度值vi所对应的归一化灰度级的序号，0≤q≤l
i-1，li为第i个目标子块图像中归一化灰度级的个数；为第i个目标子块图像中当前像素点原先的灰度值vi所对应的第q个序号的归一化灰度级的累计概率；c为增强子图像的灰度值位数预设值；为第i个目标子块图像中当前像素点更新后的灰度值。
[0119]
需要说明的是，增强子图像的灰度值位数c可以自由设定。本实施例中第i个目标子块所对应的增强子图像使用的是8位灰度值，此时c等于8；本方法也可以使用32位灰度值，此时c等于32。
[0120]
(2)针对每个目标子块图像，利用每个像素点更新后的灰度值替换原先的灰度值，
得到增强子图像。
[0121]
可以理解地，增强子图像的像素总数量与目标子块图像的像素总数量相同，增强子图像中的每个像素在目标子块图像中存在有对应的像素。
[0122]
对于目标子块图像中属于相同归一化灰度级的像素点，这些像素点更新后的灰度值是相同，由于更新灰度值后的像素点形成了增强子图像，因此增强子图像中由目标子块图像相同归一化灰度级更新得到的像素点的灰度值相同。由于图像中归一化灰度级是按照像素点的灰度值区间进行划分的，因此增强子图像中相同灰度值的像素点属于同一归一化灰度级。并且由于图像中所有归一化灰度级按照其对应的灰度值区间中的灰度值从小到大进行了排序，因此增强子图像中后一归一化灰度级的像素点的灰度值大于前一归一化灰度级的像素点的灰度值。
[0123]
由于增强子图像中同一归一化灰度级的各个像素点的灰度值都是根据目标子块图像中对应像素点原先的灰度值的归一化灰度级的累积概率计算得到，且由于增强子图像中同一归一化灰度级的所有像素点对应于目标子块图像的像素点也属于相同的归一化灰度级，因此增强子图像中归一化灰度级的序号与目标子块图像中归一化灰度级的序号相同。以故因此公式(9)中的不仅是第i个目标子块图像中当前像素点(该当前像素点原先的灰度值vi在第i个目标子块图像中对应着第q个序号的归一化灰度级)更新后的灰度值，也是增强子图像中对应像素点的灰度值，其中该对应像素点的灰度值在增强子图像中对应着第q个序号的归一化灰度级，即是与第i个目标子块图像对应的增强子图像中第q个序号的归一化灰度级所对应的灰度值。
[0124]
本实施例中，可以采用循环遍历法来更新目标子块图像中所有像素点的灰度值，目标子块图像所有像素点遍历结束后，利用每个像素点更新的灰度值替换目标子块图像中原先的灰度值vi，从而获得每个目标子块图像的增强子图像。此后，基于预定划分规则，对所有目标子块图像所对应的增强子图像进行拼接组合，得到增强图像。
[0125]
需要说明的是，夜间积水图像中像素多的归一化灰度级为路面主区域或者积水主区域，像素数量少的归一化灰度级为非重要区域，即图片边缘或者路面区域与积水区域的交界处。由于在原始夜间积水图像中路面主要区域的灰度值与积水主区域的灰度值虽然有所不同，但是非常接近，以故无法区分路面主区域和积水主区域。
[0126]
在本方案的步骤s121中，对夜间积水图片的目标子块图像的灰度直方图中各归一化灰度级按照自适应变化的目标子块剪裁数量阈值t
′
重新分配像素数量，得到新灰度直方图，新的灰度直方图中归一化灰度级的像素数量最大值限制在t
′
+ai以内，使得重新分配数量后的灰度直方图中该归一化灰度级的累积概率与上一个归一化灰度级的累积概率的差值有所限制，这不仅能够避免直接对原始目标子块图像的灰度直方图进行传统直方图均衡化增强处理导致的过增强现象，还能够动态保证行车过程中产生的不同夜间积水图片中积水和路面的对比度得到稳定提高。
[0127]
根据夜间积水图片目标子块图像的灰度直方图中各归一化灰度级的像素数量分配规则，以及夜间积水图像中路面主区域、积水主区域以及非重要区域所对应的归一化灰度级的像素特点，可以得出目标子块图像的原始灰度直方图经过重新分配像素数量后所得到的新灰度直方图中，像素数量较大的归一化灰度级依然为路面主区域或者积水主区域，
而像素数量较小的归一化灰度级依然为非重要区域。根据本方案的步骤s122和s123，由于是与第i个目标子块图像对应的增强子图像中第q个序号的归一化灰度级所对应的灰度值，因此增强子图像的灰度直方图中的相邻灰度级对应的灰度值之间的差值为：
[0128][0129]
通过上式可以看出，在与第i个目标子块图像对应的增强子图像中，第q个序号的归一化灰度级所对应的灰度值与第q-1个序号的归一化灰度级所对应的差值与第i个目标子块图像的新灰度直方图中第q个序号的归一化灰度级的概率有关。当目标子块图像的新灰度直方图中第q个序号的归一化灰度级的像素数量较大时，根据式(8)易知其对应在该第i个目标子块图像中出现的概率也相对较大，即对应的差值也较大。同理，若目标子块图像的新灰度直方图中第q个序号的归一化灰度级的像素数量较小时，对应的差值也较小，因此本方法能够实现对在夜间积水图像中像素数量多的归一化灰度级对应的灰度值(即对画面起主要作用的夜间积水图像中心区域的积水和道路的灰度值)进行展宽，而对像素数量少的归一化灰度级对应的灰度值(即对画面不起主要作用的非重要区域的灰度值如边缘细节)进行压缩，从而路面主要区域的灰度值与积水主区域的灰度值的差别加大，积水和道路的对比度增强，图像整体对比度增大，图像更清晰，可以较好地区分出哪个区域为积水区域，哪个区域为路面区域。该方法即为本实施例提出的改进型clahe算法，此时夜间积水图像实现了自适应动态范围直方均衡增强，便于后续yolov5算法模型对增强图片的积水进行精确位置的识别。
[0130]
参考图3，本实施例提供了一种基于夜间积水图像的汽车前照灯角度调整方法，包括以下步骤：
[0131]
s210，获取图像训练集，利用前述图像增强方法对图像训练集中每个图像进行增强处理，得到增强图像训练集，其中图像训练集包括夜间积水图像；
[0132]
在本实施例中，利用图像采集设备例如摄像头或者相机在夜间对道路的积水区域进行图像采集，得到夜间积水图像。
[0133]
在本实施例中，pc端利用前述图像增强方法对夜间积水图像的每个目标子块图像进行限制对比度自适应直方图均衡化处理。限制对比度自适应直方图均衡化处理为将原夜间积水图像含有像素数量多的归一化灰度级对应的灰度值进行展宽，像素数量少的归一化灰度级对应的灰度值进行压缩并且不产生过增强现象。进行限制对比度自适应直方图均衡化处理后最终得到的增强图像中，路面主要区域的灰度值与积水主区域的灰度值的差别加大，从而图像整体对比度得到增强，使得图像积水部分与道路对比度有明显差异，利于后续利用yolov5算法对直方均衡化新图像的识别更加准确。
[0134]
s220，利用增强图像训练集及人工对应标注的积水位置信息训练yolov5算法模型，得到训练好的yolov5算法模型；
[0135]
s230，当接收到汽车前照灯角度调整请求后，根据与汽车前照灯角度调整请求对
应的夜间积水图像，基于训练好的yolov5算法模型确定夜间积水位置；
[0136]
具体地，接收到汽车前照灯角度调整请求后，获取与该汽车前照灯角度调整请求对应的夜间积水图像，对该夜间积水图像按照前述图像增强方法进行增强处理，将增强处理后的夜间积水图像输入训练好的yolov5算法模型，此时得到夜间积水位置，夜间积水位置包含夜间积水区域的中心坐标数据。
[0137]
s240，根据训练好的yolov5算法模型输出的夜间积水位置调整汽车前照灯的照射角度，从而使汽车避开照射积水位置。
[0138]
具体地，步骤s240具体包括：
[0139]
s241，pc端根据训练好的yolov5算法模型输出的夜间积水位置确定汽车前照灯角度调整策略；
[0140]
s242，pc端将汽车前照灯角度调整指令发送至飞思卡尔控制模块，所述汽车前照灯角度调整指令包含有关汽车前照灯角度调整策略的数据；
[0141]
s243，飞思卡尔控制模块将汽车前照灯角度调整指令所包含的汽车前照灯角度调整策略数据转化为16位帧的汽车前照灯角度控制信号数据，并将汽车前照灯角度控制信号数据通过spi协议传输给led驱动模块；
[0142]
s244，led驱动模块根据汽车前照灯角度控制信号数据调整汽车前照灯的照射角度，从而避开照射积水位置。
[0143]
更具体地，步骤s241可以包括如下一种汽车前照灯角度调整策略：
[0144]
s241a，pc端判断yolov5算法模型输出的夜间积水位置所包含的夜间积水区域的中心坐标与夜间积水图片的中心点坐标的竖直方向距离的差值d是否满足预定条件，其中预定条件为：差值d在范围内，rows为与汽车前照灯角度调整请求对应的夜间积水图像中像素行的总数量；
[0145]
s241b，若值d满足预定条件，则当yolov5算法模型输出的积水位置中心坐标在夜间积水图片中心点坐标的下方时，即差值d满足时将左、右前照灯的垂直照射角度均调整为2
°
；当yolov5算法模型输出的积水位置中心坐标在夜间积水图片中心点坐标的所在行或上方时，即差值d满足时将左、右前照灯的垂直照射角度均调整为-2
°
；根据yolov5算法模型识别到的路面夜间积水位置中心坐标动态反向调整汽车前照灯照射与路面角度，保证了车辆在雨天行驶过程中汽车前照灯与路面积水至少有2
°
的间距，汽车前照灯与路面积水之间至少2
°
的间距能使得汽车避开积水区域，从而避免汽车前照灯直接照射路面积水中心位置，因此不会产生反光而造成对向来车驾驶员眩目，能确保雨天夜间行驶安全性。
[0146]
s241c，若值d不满足预定条件，则不需要调整汽车左、右前照灯的垂直照射角度。
[0147]
参考图4，本实施例提供了另一种基于夜间积水图像的汽车前照灯角度调整方法，包括以下步骤：
[0148]
s310，获取图像训练集，利用前述图像增强方法对图像训练集中每个图像进行增强处理，得到增强图像训练集，其中图像训练集包括夜间积水图像、白天和/或傍晚的坑洼
图像，坑洼图像包括干坑洼区域图像和积水坑洼区域图像，
[0149]
s320：利用白天或傍晚的坑洼图像所对应的增强图像训练集及人工对应标注的坑洼位置信息训练yolov5算法模型，得到初步训练好的yolov5算法模型；
[0150]
s330，利用夜间积水图像所对应的增强图像训练集及人工对应标注的积水位置信息训练初步训练好的yolov5算法模型，得到训练好的yolov5算法模型；
[0151]
s340，当接收到汽车前照灯角度调整请求后，根据与汽车前照灯角度调整请求对应的夜间积水图像，基于训练好的yolov5算法模型确定夜间积水位置；
[0152]
s350：根据夜间积水位置调整汽车前照灯的照射角度，从而使汽车避开照射积水位置。
[0153]
其中，初步训练好的yolov5算法模型和最终训练好的yolov5算法模型的训练过程中，均不对图像特征进行训练，仅对图像特征对应的位置信息进行训练。
[0154]
在上述方案中，首先通过白天和傍晚的积水和坑洼的数据集进行第一次训练，能优化yolov5算法网络模型对积水位置的识别能力，再使用夜间数据对第一次训练好的yolov5算法网络模型进行再一次训练，能进一步加强yolov5算法对夜间车辆前方积水位置的识别效果。
[0155]
本方法的主要功能在于正确识别汽车行进区域前的积水位置，并将积水位置信息传输到飞思卡尔单片机中对汽车前照灯进行控制达到防眩目的目的。本方法针对机器视觉方法在对夜间灯照不足的情况下积水识别准确率下降的问题，首先采用改进的clahe算法进行限制对比度自适应直方图均衡化处理，使得夜间积水图像中积水与道路的对比度增大，便于yolov5算法的重训练和识别改进。然后针对正确识别经过限制对比度自适应直方图均衡化处理后的夜间积水图像的需求，采用迁移学习的方法结合在夜间雨天拍摄并人工标注的图像数据集对yolov5算法网络进行重训练改进。在数据集的制作过程中排除与道路场景无关的目标的同时，对道路上可能出现的与本发明所需的积水目标进行归类，如道路坑洼同样归于积水这类。为了减少目标识别的类型，使网络对于夜间目标有更好的针对性，需要对目标模型进行迁移学习。此外，为了减少本发明yolov5模型的总训练时间，使模型参数尽快收敛。在迁移学习的过程中采用冻结模型的图像特征提取部分，只单独训练分类与递归识别目标分类与位置的部分。在实际程序中，通过将模型对应部分的requires_grad参数设置为0，使得该部分模型在训练过程中不进行梯度损失的反向传播，以节省总体训练的时间。首先使用白天和傍晚的积水和坑洼的数据集进行训练，优化网络对积水的识别能力。经过300轮以上的训练后，当损失函数曲线和准确率曲线趋于稳定后停止训练并保存参数模型作为初步训练好的yolov5算法模型。
[0156]
由于本发明中的应用场景主要是汽车行驶的夜间环境，为了进一步加强本发明的yolov5算法对夜间车辆前方行人及车辆的识别效果，需要使用夜间数据对初步训练好的yolov5算法模型进行重训练。本发明的项目夜间积水图像主要由车载摄像头在夜间雨天驾驶时拍摄得到，包括城市道路和高速公路等各种路段的各类视频和照片共计7小时和15000张，从中截图并挑选出其中5000张清晰合适的照片作为训练集，采用labelimg软件对挑选的照片进行积水和坑洼区域的标注，最后从中挑选4000张照片作为训练集，1000张照片作为测试集。使用上述制作完成的数据集进行模型训练。训练过程中，设置初始学习率为0.001，迭代次数300次，耗时约26小时。损失函数曲线和准确率曲线趋于稳定后停止训练并
保存参数模型作为最终训练好的yolov5算法模型。
[0157]
本方法的发明人对最终训练好的yolov5算法模型和改进的clahe算法联合部署并进行实验。实验结果表明，改进的clahe算法能够将积水与路面对比度提高40.35％，yolov5目标检测算法精确度达到80％以上，准确性达到了实际应用要求，整体具有较高的灵活性，同时提高了夜间雨天行驶的安全性。
[0158]
以上所述仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

技术特征：
1.一种图像增强方法，包括：s110，根据夜间积水图像中心区域的中心子块图像以及夜间积水图像的目标子块图像确定clahe算法中的目标子块剪裁数量阈值，其中目标子块图像为将夜间积水图像按照预定划分规则划分后获得，预定划分规则为：基于夜间积水图像的整体布局，将夜间积水图像进行均匀划分，均匀划分后得到的目标子块图像的个数满足同时能被行数量和列数量整除，其中行数量为夜间积水图像中像素行的总数量，列数量为夜间积水图像中像素列的总数量；s120，根据clahe算法，对每个目标子块图像进行限制对比度自适应直方图均衡化处理，得到增强子图像；s130，基于预定划分规则，对所有目标子块图像的增强子图像进行拼接组合，得到增强图像。2.如权利要求1所述的图像增强方法，其特征在于，所述步骤s110具体为：s111，根据中心子块图像p确定剪裁数量参考阈值t，具体为：将剪裁数量参考阈值t设置为第一值与第二值的商，其中第一值为集合x中所有不小于的元素中最小的元素，第二值为集合x中与第一值对应的元素在集合x中的序号，集合其中x
k
是集合x中第k个序号的元素，且等于集合m中第1个序号至第k个序号所对应的元素之和，集合其中m
k
表示中心子块图像中所有归一化灰度级按照各自的像素数量从大到小进行排序后，第k个序号的归一化灰度级的像素数量，1≤k≤l
p
，l
p
为中心子块图像中归一化灰度级的个数；s112，根据以下公式确定目标子块剪裁数量阈值：其中，t
′
为目标子块剪裁数量阈值，t为剪裁数量参考阈值，n
c
为中心子块图像中像素的总数量，n
b
为目标子块图像中像素的总数量。3.如权利要求2所述的图像增强方法，其特征在于，所述步骤s110中，目标子块图像的个数进一步满足同时被640整除。4.如权利要求2或3所述的图像增强方法，其特征在于，所述步骤s120包括：s121，基于clahe算法，根据目标子块剪裁数量阈值确定每个目标子块图像的灰度直方图中每个归一化灰度级所应分配的像素数量，得到每个目标子块图像的新灰度直方图，各个归一化灰度级的像素数量的分配公式如下：其中，i为夜间积水图像中目标子块图像的序号，其中每个目标子块图像中所有归一化灰度级按照其对应的灰度值区间从小到大进行了排序，且排序的序号从0开始；为第i个目标子块图像中第l个序号的归一化灰度级原先的像素数量；为第i个目标子块图
像中第l个序号的归一化灰度级所对应分配的像素数量，0≤l≤l
i-1，l
i
为第i个目标子块图像中归一化灰度级的个数；t
′
为目标子块剪裁数量阈值；a
i
为第i个目标子块图像中平均分配到的所有归一化灰度级的像素数量，a
i
的计算公式如下：其中，z
i
为第i个目标子块图像中超出目标子块剪裁数量阈值t
′
的像素数量，计算公式为：z
i
＝[n
b-l
i
×
t
′
]其中，n
b
为目标子块图像中像素的总数量。5.如权利要求4所述的图像增强方法，其特征在于，所述步骤s120还包括：s122，基于clahe算法，对每个目标子块图像的新灰度直方图进行直方图均衡化处理，得到每个归一化灰度级的累积概率分布函数，其中各个归一化灰度级的累计概率的计算公式如下：式中：为第i个目标子块图像的第l个序号的归一化灰度级的累计概率，0≤l≤l
i-1；l
i
为第i个目标子块图像中归一化灰度级的个数；表示第i个目标子块图像中第j个序号的归一化灰度级，0≤j≤l；为第i个目标子块图像中第j个序号的归一化灰度级在分配像素数量后出现的概率，的计算公式为：其中，为第i个目标子块图像中第j个序号的归一化灰度级分配到的像素数量，为第i个目标子块图像中第e个序号的归一化灰度级分配到的像素数量，0≤e≤l
i-1；l
i
为第i个目标子块图像中归一化灰度级的个数；s123，针对每个目标子块图像，利用每个像素的归一化灰度级的累积概率分布函数更新对应像素的灰度值，得到增强子图像。6.如权利要求5所述的图像增强方法，其特征在于，所述步骤s123具体包括：(1)对于每个目标子块图像的每个像素点，根据该像素点的灰度值所对应的归一化灰度级的累计概率更新该像素点的灰度值，灰度值的更新公式为：其中，q为第i个目标子块图像中当前像素点原先的灰度值所对应的归一化灰度级的序号；为第i个目标子块图像中当前像素点原先的灰度值所对应的第q个序号的归一化灰度级的累计概率；c为增强子图像的灰度值位数预设值；为第i个目标子块图像中当前像素点更新后的灰度值；(2)针对每个目标子块图像，利用每个像素点更新后的灰度值替换原先的灰度值，得到
增强子图像。7.一种基于夜间积水图像的汽车前照灯角度调整方法，包括以下步骤：s210，获取图像训练集，利用权利要求1至6任一项所述的图像增强方法对图像训练集中每个图像进行增强处理，得到增强图像训练集，其中图像训练集包括夜间积水图像；s220，利用增强图像训练集及人工对应标注的积水位置信息训练yolov5算法模型，得到训练好的yolov5算法模型；s230，当接收到汽车前照灯角度调整请求后，根据与所述汽车前照灯角度调整请求对应的夜间积水图像，基于训练好的yolov5算法模型确定夜间积水位置；s240，根据训练好的yolov5算法模型输出的夜间积水位置调整汽车前照灯的照射角度，从而使汽车避开照射积水位置。8.如权利要求7所述的基于夜间积水图像的汽车前照灯角度调整方法，其特征在于，所述图像训练集还包括白天和/或傍晚的坑洼图像，坑洼图像包括干坑洼区域图像和积水坑洼区域图像，所述步骤s220具体包括：s221：利用白天和/或傍晚的坑洼图像所对应的增强图像训练集及人工对应标注的坑洼位置信息训练yolov5算法模型，得到初步训练好的yolov5算法模型；s223，利用夜间积水图像所对应的增强图像训练集及人工对应标注的积水位置信息训练初步训练好的yolov5算法模型，得到训练好的yolov5算法模型。9.如权利要求8所述的基于夜间积水图像的汽车前照灯角度调整方法，其特征在于，所述步骤s240具体包括：s241，pc端根据夜间积水位置确定汽车前照灯角度调整策略；s242，pc端将汽车前照灯角度调整指令发送至飞思卡尔控制模块，所述汽车前照灯角度调整指令包含有关汽车前照灯角度调整策略的数据；s243，飞思卡尔控制模块将汽车前照灯角度调整指令所包含的汽车前照灯角度调整策略数据转化为汽车前照灯角度控制信号数据，并将汽车前照灯角度控制信号数据传输给led驱动模块；s244，led驱动模块根据汽车前照灯角度控制信号数据调整汽车前照灯的照射角度，从而避开照射积水位置。10.如权利要求9所述的基于夜间积水图像的汽车前照灯角度调整方法，其特征在于，所述步骤s241具体包括：s241a，pc端判断夜间积水位置所包含的夜间积水区域的中心坐标与夜间积水图片的中心点坐标的竖直方向距离的差值d是否满足预定条件，其中预定条件为：差值d在范围内，rows为与所述汽车前照灯角度调整请求对应的夜间积水图像中像素行的总数量；s241b，若值d满足预定条件，则当差值d在范围内时，将左、右前照灯的垂直照射角度均调整为2
°
；当差值d在范围内，将左、右前照灯的垂直照射角度均调整
为-2
°
；s241c，若值d不满足预定条件，则不需要调整汽车左、右前照灯的垂直照射角度。

技术总结
本发明公开了一种图像增强方法，包括：根据夜间积水图像中心区域的中心子块图像以及夜间积水图像的目标子块图像确定CLAHE算法中的目标子块剪裁数量阈值，其中目标子块图像为将夜间积水图像按照预定划分规则划分后获得；根据CLAHE算法，对每个目标子块图像进行限制对比度自适应直方图均衡化处理，得到增强子图像；基于预定划分规则，对所有目标子块图像的增强子图像进行拼接组合，得到增强图像。本方法可以适应汽车行驶过程中夜间积水图像不断变化的情况，能获得稳定增强效果的图片，利于后续积水区域的位置识别。本发明还公开了一种基于夜间积水图像的汽车前照灯角度调整方法。基于夜间积水图像的汽车前照灯角度调整方法。基于夜间积水图像的汽车前照灯角度调整方法。


技术研发人员：吴友宇 徐宇健 袁文龙 姜林澄 陈彧 王鑫鹏
受保护的技术使用者：武汉理工大学
技术研发日：2023.05.15
技术公布日：2023/10/8