针对低光夜视的目标图像分类的研究
Yanfeng Li1, Yongbiao Luo1, Yingjian Zheng1
1School of Automobile and Transportation Engineering, Guangdong Polytechnic Normal University, Guangzhou 510632, China.
Entropy (Basel, Switzerland)
|October 25, 2024
概括
这项研究使用CLAHE增强了低光夜视图像,并开发了分类模型. VGG16模型实现了92.1%的准确性,在具有挑战性的条件下超过了BP和ResNet50在目标检测方面.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 低亮度成像对于军事和民用应用至关重要,但受到低亮度,高噪音和细节损失的影响.
- 现有的挑战阻碍了在超低光环境中的有效物体检测和分类.
- 夜视图像呈现出显著的模糊和特征信息丢失.
研究的目的:
- 增强低光夜视图像,以改善目标检测和分类.
- 为了评估和比较低光条件下的图像增强算法.
- 开发和评估深度学习模型,以在增强的低光图像中对目标进行分类.
主要方法:
- 使用图形平衡 (HE),自适应式HE (AHE) 和对比度有限的AHE (CLAHE) 的图像增强.
- 使用灰级共发生矩阵 (GLCM) 提取纹理特征.
- 使用反向传播 (BP) 神经网络,VGG16和ResNet50卷积神经网络开发分类模型.
主要成果:
- 根据峰值信号与噪声比和平均平方误差,CLAHE被选为最佳增强算法.
- 一个基于VGG16的模型实现了对包括车辆,人员和车牌在内的目标的92.1%的分类准确度.
- VGG16模型表现出卓越的性能,精度比BP提高4.5%,比ResNet50.3提高2.3%.
结论:
- CLAHE有效地增强了低光图像,以便随后进行分析.
- 卷积神经网络,特别是VGG16,与图像增强相结合,显著改善低光目标分类.
- 开发的方法为在具有挑战性的夜视场景中对象检测和分类提供了强大的解决方案.
