無人機目標檢測的光適應預處理算法

摘 要：無人機進行目標檢測，檢測精度受圖像質量影響，圖像質量又受光照條件的影響。因此，設計了一種基于分類的輕量級無人機光適應算法———Ａｄａｐｔｉｖｅ Ｅｎｈａｎｃｅ ａｎｄ Ｅｘｐｏｓｕｒｅ （ＡＥＥ），利用輕量級網絡ＳｈｕｆｆｌｅＮｅｔｖ２ 對航拍圖像按光照條件分類后，再利用改進的圖像處理模塊自適應光照轉換器（Ｉｌｌｕｍｉｎａｔｉｏｎ Ａｄａｐｔｉｖｅ Ｔｒａｎｓｆｏｒｍｅｒ，ＩＡＴ） 進行圖像增強或者曝光校正；為了解決航拍低光圖像噪聲干擾問題，設計邊緣增強濾波模塊。實驗證明，輕量級網絡ＳｈｕｆｆｌｅＮｅｔｖ２ 在自建航拍圖像分類數據集上分類精度達到９９． ５％ ；加入邊緣增強濾波模塊的圖像增強算法峰值信噪比（Ｐｅａｋ Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＰＳＮＲ）指標平均提升１． ２６，結構相似性指數（Ｓｔｒｕｃｔｕｒａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ，ＳＳＩＭ） 指標提升０． ０２３；改進后的ＩＡＴ 算法ＰＳＮＲ 指標提升０． ４６，ＳＳＩＭ 指標提升０． ００８；光適應算法對目標檢測平均準確率提升０． ４％ ，在Ｊｅｔｓｏｎ ＡＧＸ Ｘａｖｉｅｒ 設備上處理速度達到５７． ４ 幀／ 秒，滿足實時目標檢測。

關鍵詞：分類；圖像增強；曝光校正；目標檢測；濾波

中圖分類號：ＴＰ３８９． １ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２４２５－０９

０ 引言

在無人機目標檢測和目標追蹤等任務中，圖像質量從根本上影響計算機視覺效果；同時，由于無人機資源受限，無法安裝使用性能特別優良的攝像頭。因此，無人機條件下的計算機視覺任務中，往往會遇到諸多問題。一方面，在光照不足的情況下，圖像細節不足而且會受到相機內噪聲影響；另一方面，在某些場景中拍攝會遇到陽光或者強燈光直射導致的過／ 欠曝光問題。針對這些問題，現有的研究往往將其分為２ 類任務：圖像增強和曝光校正。

圖像增強旨在微光條件下，增強圖像可視程度以及抑制噪聲的同時，恢復、保留圖像細節［１］。圖像增強的傳統算法有：基于直方圖均衡化的方法、基于Ｒｅｔｉｎｅｘ 算法的方法等。基于深度學習的算法有：結合Ｒｅｔｉｎｅｘ 理論的ＲｅｔｉｎｅｘＮｅｔ 和ＫｉｎＤ 兩種經典模型［２－３］、基于生成對抗網絡的ＺｅｒｏＤＣＥ 網絡和Ｅｎｌｉｇｈｔｅｎ ＧＡＮ 網絡等［４－５］。曝光校正旨在調整曝光不足和曝光過度的圖像，在短／ 長曝光條件下進行圖像重建［６－８］。曝光校正算法包括直方圖法［９］和深度學習法２ 種，目前主流方法為基于計算機視覺的算法，例如Ａｆｉｆｉ 等［１０］提出的基于深度神經網絡（ＤｅｅｐＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）模型的曝光校正網絡以及在此基礎上，Ｎｓａｍｐｉ 等［１１］引入注意力機制設計的曝光校正網絡模型等。