李盛輝　周俊　姬長(zhǎng)英

摘要：為解決自主導(dǎo)航農(nóng)業(yè)車輛在實(shí)際野外作業(yè)中不同環(huán)境光線對(duì)全景視覺成像質(zhì)量的影響問題，提高自主導(dǎo)航的準(zhǔn)確性和可靠性，提出全景視覺光線自適應(yīng)方法。首先，通過數(shù)字成像原理分析、成像曝光控制、成像質(zhì)量評(píng)價(jià)，研究視覺成像系統(tǒng)；其次，通過相機(jī)響應(yīng)函數(shù)求取、數(shù)據(jù)匹配與更新、光線自適應(yīng)曝光時(shí)間調(diào)整，實(shí)現(xiàn)全景視覺光線自適應(yīng)算法的具體過程。結(jié)果表明，改進(jìn)的光線自適應(yīng)算法，在正常光線、較強(qiáng)光線、較弱光線3種情況下，均能明顯提高全景視覺圖像的成像質(zhì)量；相較于未經(jīng)改進(jìn)的原始算法，在光線較亮情況下改進(jìn)的光線自適應(yīng)算法，圖像平均二維信息熵提高471%，平均梯度值提高609%；在光線較暗情況下，改進(jìn)的光線自適應(yīng)算法，圖像平均二維信息熵提高 303%，平均梯度值提高764%；在不同光線情況下，改進(jìn)的光線自適應(yīng)算法，單次平均耗時(shí)036 s，相較于傳統(tǒng)多曝光處理算法，速度平均加快755%。

關(guān)鍵詞：全景視覺；農(nóng)業(yè)車輛；光線自適應(yīng)；成像曝光控制；成像質(zhì)量評(píng)價(jià)

中圖分類號(hào)： S229文獻(xiàn)標(biāo)志碼：

文章編號(hào)：1002-1302（2017）16-0177-08

收稿日期：2016-11-20

基金項(xiàng)目：江蘇省高校自然科學(xué)研究項(xiàng)目（編號(hào)：15KJD210002）；江蘇省高?！扒嗨{(lán)工程”項(xiàng)目。

作者簡(jiǎn)介：李盛輝（1984—），男，浙江舟山人，博士，講師，主要從事農(nóng)業(yè)機(jī)器人視覺和導(dǎo)航技術(shù)研究。E-mail：lshhui2006@163com。

由于視覺系統(tǒng)能獲得較為細(xì)致的環(huán)境信息，同時(shí)更接近“人眼”的特性，視覺技術(shù)在國(guó)內(nèi)外已成為農(nóng)業(yè)車輛自主導(dǎo)航的關(guān)鍵與熱點(diǎn)研究領(lǐng)域，并取得了一定的研究成果[1-6]。而如何解決光線對(duì)成像的影響，是視覺系統(tǒng)的難點(diǎn)問題，特別是在野外農(nóng)業(yè)作業(yè)環(huán)境下，由于光線情況較為復(fù)雜，為提高成像質(zhì)量，更好地實(shí)現(xiàn)通過多目全景視覺完成農(nóng)業(yè)車輛自主導(dǎo)航，提高導(dǎo)航精度，必須解決系統(tǒng)環(huán)境光線自適應(yīng)問題。

若在環(huán)境光線過亮的情況下，視覺系統(tǒng)會(huì)由于曝光量過大，使成像結(jié)果偏白，甚至全白；若在環(huán)境光線過暗的情況下，視覺系統(tǒng)則會(huì)由于曝光量過小，使成像結(jié)果變暗，甚至全黑。為解決此問題，國(guó)內(nèi)外許多專家學(xué)者對(duì)此進(jìn)行了研究。求取相機(jī)的響應(yīng)函數(shù)，是分析曝光量與圖像成像關(guān)系的基礎(chǔ)問題，北京理工大學(xué)裘溯等通過主成分分析（PCA）算法提取最大特征向量，實(shí)現(xiàn)了對(duì)相機(jī)響應(yīng)函數(shù)的求取。北京大學(xué)章衛(wèi)祥等通過對(duì)迭代結(jié)束條件的改進(jìn)，利用不同光線環(huán)境下的多張不同曝光度圖像得到相機(jī)響應(yīng)函數(shù)[8]。在光線較弱的低照度環(huán)境中，如何提高成像質(zhì)量是研究難點(diǎn)。哈爾濱工業(yè)大學(xué)遆曉光等通過暗通道先驗(yàn)方法對(duì)低照度圖像進(jìn)行增強(qiáng)[9]。清華大學(xué)禹晶等利用顏色恒常性的特點(diǎn)，增強(qiáng)了低照度下圖像的視見度[10]。洛桑聯(lián)邦理工學(xué)院的Meylan等采用直方圖改進(jìn)和小波變換算法，對(duì)低照度下的圖像進(jìn)行增強(qiáng)[11]。麻省理工學(xué)院Durand等提出了快速的Bilateral Filter算法，以實(shí)現(xiàn)不同環(huán)境光線下高動(dòng)態(tài)范圍的圖像顯示[12]。同時(shí)，猶他大學(xué)的Reinhard等也對(duì)該領(lǐng)域進(jìn)行了研究。米蘭大學(xué)的Rizzi等研究了高動(dòng)態(tài)范圍圖像的眩光抑制[14]。

從目前的研究成果看，大多采用多次曝光的方式得到多張圖片，通過相關(guān)算法對(duì)圖片進(jìn)行增強(qiáng)處理，主要應(yīng)用于較弱光線環(huán)境和對(duì)實(shí)時(shí)性要求不高的情況。但由于農(nóng)業(yè)車輛工作在自然的野外環(huán)境，室外不確定的光線條件會(huì)嚴(yán)重影響農(nóng)業(yè)車輛視覺自主導(dǎo)航功能的實(shí)現(xiàn)。而本研究采用的全景視覺系統(tǒng)，雖然能獲取更完整的周圍環(huán)境圖像信息，但由于是通過不同方向的多目相機(jī)拼接實(shí)現(xiàn)全景圖像，因此就算處于同一環(huán)境光線下，不同方向的光線也存在較大不同，因此對(duì)環(huán)境光線影響更為敏感，同時(shí)自主導(dǎo)航需要較高的實(shí)時(shí)性。因此如何研究實(shí)現(xiàn)一種實(shí)時(shí)性較高的多目全景視覺光線自適應(yīng)方法，直接影響自主導(dǎo)航農(nóng)業(yè)車輛的可靠運(yùn)行，具有重要的研究?jī)r(jià)值和意義。

1視覺成像系統(tǒng)

視覺成像系統(tǒng)主要分為傳統(tǒng)膠片成像和數(shù)字成像這2種方式，隨著電子信息技術(shù)的高速發(fā)展和機(jī)器人視覺技術(shù)的廣泛應(yīng)用，數(shù)字成像技術(shù)由于在圖像信息存儲(chǔ)、信息處理和信息傳輸?shù)确矫娴谋憬菪耘c高效性，已成為主流發(fā)展趨勢(shì)。

11數(shù)字成像原理

本研究中多目全景視覺系統(tǒng)的各相機(jī)采用光感應(yīng)式電荷耦合器件（CCD）傳感器，其成像過程如圖1所示。環(huán)境場(chǎng)景光照度（L），通過相機(jī)鏡頭得到進(jìn)入相機(jī)的光照度（E），通過快門控制的曝光時(shí)間（T），就能得到曝光量（X），通過CCD傳感器輸出電壓量（模擬），經(jīng)過A/D轉(zhuǎn)換得到相應(yīng)的數(shù)字量，最后通過重映射過程得到相機(jī)輸出數(shù)字量（Z）。

環(huán)境場(chǎng)景光照度（L）與進(jìn)入相機(jī)的光照度（E）的關(guān)系可用公式（1）表示：

[JZ（]E=L×[SX（]π4[SX）]×（[SX（]df[SX）]）2×cos4θ。[JZ）][JY]（1）

式中：d為相機(jī)光圈直徑，f為相機(jī)鏡頭焦距，θ為光線與光軸的夾角。其中相機(jī)光圈值F的定義如公式（2）所示：

[FK（W5][TPLSH1tif][FK）]

F=f/d。[JZ）][JY]（2）

將公式（2）代入公式（1），則可得到公式（3）：

E=L×[SX（]π4[SX）]×（[SX（]1F[SX）]）2×cos4θ。[JZ）][JY]（3）

12成像曝光控制

曝光量（X）由進(jìn)入相機(jī)的入射光照度（E）和相機(jī)曝光時(shí)間（T）這2個(gè)因素決定，其關(guān)系如公式（4）所示：

X=E×T。[JZ）][JY]（4）

圖像亮度與曝光時(shí)間，在k時(shí)刻的狀態(tài)表示為

Bk=f（Tk，Ek，Gk，F(xiàn)k）。[JZ）][JY]（5）

式中：Bk為k時(shí)刻圖像亮度，Tk為k時(shí)刻相機(jī)曝光時(shí)間，Ek為k時(shí)刻環(huán)境的光照度，Gk為k時(shí)刻相機(jī)放大電路增益，F(xiàn)k為k時(shí)刻相機(jī)光圈值，f為相機(jī)響應(yīng)函數(shù)，則在k+1時(shí)刻的狀態(tài)表示為

Bk+1=f（Tk+1，Ek+1，Gk+1，F(xiàn)k+1）。[JZ）][JY]（6）

由于光照度（E）取決于周圍環(huán)境因素，相機(jī)放大電路增益（G）由相機(jī)內(nèi)部電路結(jié)構(gòu)決定，改變其值將會(huì)影響圖像的信噪比，故本研究?jī)?yōu)先選擇改變相機(jī)曝光時(shí)間（T）和相機(jī)光圈值（F）來實(shí)現(xiàn)對(duì)圖像亮度的控制。

2成像質(zhì)量評(píng)價(jià)

成像質(zhì)量是視覺成像系統(tǒng)的核心問題，同時(shí)直接關(guān)系到采用視覺技術(shù)進(jìn)行自主導(dǎo)航的可靠性。國(guó)內(nèi)外對(duì)成像質(zhì)量評(píng)價(jià)參數(shù)的研究，主要分為主觀與客觀兩大類[15-19]。

主觀評(píng)價(jià)方法是通過圖像觀察者的主觀感受來對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)打分，雖然該方法評(píng)價(jià)效果較好，但由于需要大量的人力成本且無法用數(shù)學(xué)方法進(jìn)行建模描述，故無法實(shí)際應(yīng)用于圖像處理過程?？陀^評(píng)價(jià)方法是通過模型計(jì)算得到相關(guān)參數(shù)值，對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)。本研究采用全景視覺的自主導(dǎo)航農(nóng)業(yè)車輛，由于須對(duì)視覺圖像信息進(jìn)行直接處理，得到相關(guān)導(dǎo)航信息，需要較高的算法精度，故選取客觀評(píng)價(jià)方法。

客觀評(píng)價(jià)方法，如峰值信噪比（PSNR）、均方根誤差（RMSE）、結(jié)構(gòu)相似度（SSIM）等大多數(shù)方法都須要依賴參考圖像，但是在視覺自主導(dǎo)航系統(tǒng)實(shí)際應(yīng)用中，提供無失真的原始圖像（參考圖像）較難實(shí)現(xiàn)，同時(shí)該類方法由于需要與參考圖像進(jìn)行比較，較難滿足自主導(dǎo)航系統(tǒng)對(duì)視覺圖像處理較高的實(shí)時(shí)性要求，故本研究選取與參考圖像無關(guān)的圖像信息熵和圖像平均梯度對(duì)視覺成像質(zhì)量進(jìn)行評(píng)價(jià)。

信息熵用于描述信源信息量的情況，其表達(dá)為

H[p（x1），p（x2），…，p（xn）]=-∑[DD（]ni=1[DD）]p（xi）lgp（xi）。[JZ）][JY]（7）

式中：p（xi）表示xi事件發(fā)生概率，則p（xi）滿足表達(dá)式（8）：

∑[DD（]ni=1[DD）]p（xi）=1。[JZ）][JY]（8）

將信息熵用于描述圖像信息量情況，則將公式（7）變化為公式（9）：

H1=-∑[DD（]ni=1[DD）]p（i）lg p（i）。[JZ）][JY]（9）

式中：H1為圖像一維信息熵，表示圖像包含信息量的大小，HX越大，說明圖像所含信息量越大，圖像質(zhì)量越好，反之，HX越小，說明圖像所含信息量較小，圖像質(zhì)量越差；p（i）表示i灰度值像素出現(xiàn)的概率，滿足公式（10）：

∑[DD（]ni=1[DD）]p（i）=1。[JZ）][JY]（10）

但圖像一維信息熵僅表示圖像像素灰度分布特性，未能反映其空間域特性，故本研究采用圖像二維信息熵作為成像質(zhì)量評(píng)價(jià)參數(shù)，其表達(dá)式為

（{]pij=f（i，j）/（L×W）H2=-∑[DD（]255i=0[DD）] ∑[DD（]255j=0[DD）]pij lg pij11）

式中：L、W分別表示圖像的行、列像素點(diǎn)數(shù)量，則L×W為圖像分辨率，i表示像素P的灰度值，j表示像素P的領(lǐng)域灰度均值，f（i，j）表示有序?qū)Γ╥，j）出現(xiàn)的次數(shù)。圖像二維信息熵能更好地通過計(jì)算圖像所含信息量大小來評(píng)價(jià)成像質(zhì)量。

為更全面地評(píng)價(jià)本研究多目全景視覺成像系統(tǒng)所生成的彩色圖像，分別通過計(jì)算圖像中的紅綠藍(lán)（RGB）分量的二維信息熵，然后求其平均值，表達(dá)式為

HM/2=[SX（]13[SX）]（HR/2+HG/2+HB/2）。[JZ）][JY]（12）

式中：HR/2、HG/2、HB/2分別為圖像R、G、B分量二維信息熵；HM/2為各分量平均二維信息熵。

本研究通過圖像的平均梯度值來衡量圖像的清晰程度，平均梯度值越大，圖像越清晰，其成像質(zhì)量就越好，表達(dá)式為

▽G[TX-]=[SX（]1（L-1）（W-1）[SX）]∑[DD（]L-1i=0[DD）] ∑[DD（]W-1j=0[DD）][KF（][SX（]ΔI2x+ΔI2y213）

式中：ΔIx=I（i，j）-I（i+1，j）為圖像x方向差分，ΔIy=I（i，j）-I（i，j+1）為圖像y方向差分，I（i，j）為圖像i行j列的像素值。

3多目全景視覺光線自適應(yīng)算法實(shí)現(xiàn)

本研究提出的多目全景視覺光線自適應(yīng)算法，就是為提高在不同環(huán)境光線條件下，多目全景視覺系統(tǒng)的成像質(zhì)量。

31算法總體流程

圖2為多目全景視覺光線自適應(yīng)算法的總體流程。首先，對(duì)設(shè)備進(jìn)行初始化；其次，對(duì)周圍環(huán)境光照度進(jìn)行采集，并判斷其是否在設(shè)定的正常光線范圍內(nèi)；再次，針對(duì)不在設(shè)定的正常光線范圍內(nèi)的情況，計(jì)算圖像二維信息熵和圖像平均梯度值，并相應(yīng)地對(duì)數(shù)據(jù)庫(kù)進(jìn)行匹配更新；最后，根據(jù)匹配更新的數(shù)據(jù)，設(shè)置新的曝光時(shí)間。

32相機(jī)響應(yīng)函數(shù)求取

相機(jī)的響應(yīng)函數(shù)反映了相機(jī)成像過程中曝光量與輸出量之間的映射關(guān)系，該函數(shù)通常是非線性函數(shù)[20-21]。準(zhǔn)確求取標(biāo)定相機(jī)響應(yīng)函數(shù)，對(duì)相機(jī)成像系統(tǒng)的分析至關(guān)重要。

根據(jù)“11”節(jié)數(shù)字成像原理，其成像模型描述可用公式（14）表示：

Z=f（X）。[JZ）][JY]（14）

式中：X為曝光量，Z為相機(jī)輸出的數(shù)字量，f為相機(jī)的響應(yīng)函數(shù)，根據(jù)公式（4），則公式（14）可表示為

Zij=f（EiΔtj）。[JZ）][JY]（15）

式中：Δtj為j次曝光時(shí)間，Ei為i像素點(diǎn)的入射光照度，Zij為第j次曝光時(shí)間條件下i像素點(diǎn)的相機(jī)輸出數(shù)字量。假設(shè)f為單調(diào)函數(shù)，則公式（15）可表示為

f-1（Zij）=EiΔtj。[JZ）][JY]（16）

對(duì)公式（16）兩邊同時(shí)取自然對(duì)數(shù)，則得到公式（17）：

lnf-1（Zij）=lnEi+lnΔtj。[JZ）][JY]（17）

為簡(jiǎn)化表達(dá)式，令公式（17）中l(wèi)nf-1=g，則公式（17）可表示為

g（Zij）=lnEi+lnΔtj。[JZ）][JY]（18）

公式（18）中假設(shè)g（）為平滑單調(diào)函數(shù)。

O=∑[DD（]Ni=1[DD）] ∑[DD（]Pj=1[DD）][g（Zij）-lnEi-lnΔtj]2+λ∑[DD（]Zmax-1z=Zmin+1[DD）]g″（z）2。[JZ）][JY]（19）

式中：Zmin為相機(jī)輸出最小量，Zmax為相機(jī)輸出最大量，公式（19）中第2項(xiàng)為g（z）二階導(dǎo)數(shù)的平方和，g″（z）表達(dá)式為

g″（z）=g（z-1）-2g（z）+g（z+1）。[JZ）][JY]（20）

公式（19）又可表示為

O=∑[DD（]Ni=1[DD）] ∑[DD（]Pj=1[DD）]{w（Zij）[g（Zij）-lnEi-lnΔtj]}2+λ∑[DD（]Zmax-1z=Zmin+1[DD）][w（z）g″（z）]2。[JY]（21）

其中w（z）定義為

w（z）=[JB（{]z-Zmin[KG3]當(dāng) z≤[SX（]12[SX）]（Zmin+Zmax）時(shí)Zmax-z[KG3]當(dāng)z>[SX（]12（Zmin+Zmax）時(shí)[JB）]。（22）

根據(jù)公式（18）得到

lnEi=g（Zij）-lnΔtj。

（23）結(jié)合公式（21）得到

[JZ（]lnEi=[SX（]∑[DD（]Pj=1[DD）]w（Zij）[g（Zij）-lnΔtj]∑[DD（]Pj=1[DD）]w（Zij）[SX）]。[JZ）][JY]（24）

33數(shù)據(jù)匹配與更新

本研究中的多目全景視覺光線自適應(yīng)算法，其目的為通過獲取光照度的數(shù)據(jù)，調(diào)節(jié)曝光時(shí)間，進(jìn)而控制曝光量，提高圖像成像質(zhì)量。根據(jù)公式（16），相機(jī)響應(yīng)函數(shù)反映了相機(jī)輸出量與曝光量之間的關(guān)系，其中曝光量為曝光強(qiáng)度與曝光時(shí)間的乘積，故可得曝光時(shí)間與相機(jī)輸出量之間的關(guān)系。僅通過求取相機(jī)響應(yīng)函數(shù)雖能較準(zhǔn)確地進(jìn)行分析，但需要大量的計(jì)算和擬合工作，影響實(shí)時(shí)性。為更好地解決此問題，本研究建立了光照度與曝光時(shí)間的關(guān)系數(shù)據(jù)庫(kù)，在數(shù)據(jù)匹配時(shí)優(yōu)先采用數(shù)據(jù)查表方式，如在數(shù)據(jù)庫(kù)中未能獲取其關(guān)系時(shí)再采用相機(jī)響應(yīng)函數(shù)的方式進(jìn)行計(jì)算，其后根據(jù)傳感采集端回傳的相關(guān)數(shù)據(jù)對(duì)關(guān)系數(shù)據(jù)庫(kù)進(jìn)行更新，該方法能有效地提高匹配運(yùn)算速度?？紤]到硬件模塊安裝與數(shù)據(jù)傳輸?shù)谋憬菪?，安裝于相機(jī)端的光照度采集硬件模塊通過數(shù)據(jù)無線傳輸將光照度數(shù)據(jù)傳輸回來。

本研究數(shù)據(jù)庫(kù)設(shè)計(jì)存儲(chǔ)的關(guān)系量為T、Estd、Emin、Emax 4個(gè)，其中T為對(duì)應(yīng)光照度Estd時(shí)的曝光時(shí)間，考慮到農(nóng)業(yè)車輛在野外環(huán)境下光照度是時(shí)刻變化的，為避免頻繁調(diào)整曝光時(shí)間，影響算法實(shí)時(shí)性和圖像成像質(zhì)量，數(shù)據(jù)庫(kù)中設(shè)定了2個(gè)區(qū)間參數(shù)Emin和Emax，光照度在[Emin，Emax]區(qū)間范圍時(shí)，根據(jù)“34”節(jié)算法判定依據(jù)仍有可能不改變曝光時(shí)間T，正常運(yùn)行原有程序，能有效地提高算法實(shí)時(shí)性。同時(shí)減少數(shù)據(jù)庫(kù)更新記錄次數(shù)，減小數(shù)據(jù)庫(kù)，從而加快數(shù)據(jù)索引匹配速度。

34光線自適應(yīng)曝光時(shí)間調(diào)整

根據(jù)采集的環(huán)境光照度和“33”節(jié)建立的關(guān)系數(shù)據(jù)庫(kù)，則能實(shí)現(xiàn)光線自適應(yīng)曝光時(shí)間調(diào)整，具體步驟如下：

（1）通過安裝于多目全景視覺系統(tǒng)各相機(jī)方向的光照度采集硬件模塊，在t時(shí)刻，獲取各相機(jī)方向的光照度Eit，其中 i=1，…，6。

（2）若Estd-δ≤Eit≤Estd+δ，則表明光照度在正常范圍區(qū)間，執(zhí)行步驟（6）；若Emin≤Eit

（3）根據(jù)公式（11）計(jì)算t時(shí)刻圖像的二維信息熵Hit，若Hit≥Hs，則表明圖像二維信息熵不小于設(shè)定的正常二維信息熵，圖像質(zhì)量較好，執(zhí)行步驟（6）；若Hit

（4）根據(jù)公式（13），計(jì)算圖像的平均梯度值▽G[TX-]it，若▽G[TX-]it≥Gs，則表明圖像的平均梯度值不小于設(shè)定的正常平均梯度值，圖像質(zhì)量較好，執(zhí)行步驟（6）；反之▽G[TX-]it

（5）通過數(shù)據(jù)匹配重新得到曝光時(shí)間Tit、Estd、Emin、Emax。

[JZ（]Tit=Yi（Eit，Hit，▽G[TX-]it）。[JZ）][JY]（25）

（6）生成光線自適應(yīng)的全景視覺圖像，判斷程序是否完成，若未完成，則t=t+1，繼續(xù)執(zhí)行步驟（1）；若完成，則結(jié)束運(yùn)行。

4系統(tǒng)整體試驗(yàn)數(shù)據(jù)及分析

試驗(yàn)以加裝全球定位系統(tǒng)（GPS）和多目全景視覺系統(tǒng)（Ladybug3）并經(jīng)過電控液壓轉(zhuǎn)向改造的東方紅SG250型拖拉機(jī)為自主導(dǎo)航農(nóng)業(yè)車輛試驗(yàn)平臺(tái)進(jìn)行試驗(yàn)。

通過設(shè)計(jì)進(jìn)行光線自適應(yīng)算法成像試驗(yàn)、主要成像質(zhì)量指標(biāo)測(cè)試試驗(yàn)和算法實(shí)時(shí)性測(cè)試試驗(yàn)，來有效地檢驗(yàn)本研究中提出的多目全景視覺光線自適應(yīng)系統(tǒng)的實(shí)際運(yùn)行效果。

41光線自適應(yīng)算法成像試驗(yàn)

農(nóng)業(yè)車輛在實(shí)際野外工作環(huán)境中，光照度會(huì)由于時(shí)間、季節(jié)、天氣等因素有較大變化，對(duì)視覺自主導(dǎo)航的可靠運(yùn)行造成影響。而本研究中的多目全景視覺系統(tǒng)，由于采用多方向的相機(jī)圖像拼接來得到全景視覺圖像，則光照度變化會(huì)直接影響全景視覺圖像拼接的成功率，從而影響自主導(dǎo)航功能的實(shí)現(xiàn)。試驗(yàn)分別選取光線正常、光線較強(qiáng)、光線較弱這3種情況進(jìn)行測(cè)試。

如圖3-a所示，在光線較強(qiáng)情況下，由于未經(jīng)改進(jìn)的原始處理算法得到的全景視覺圖像存在過曝光的情況，圖像質(zhì)量較差，有較多圖像信息丟失，圖3-b、3-c、3-d、3-e分別為圖像R分量、G分量、B分量、灰度的直方圖，通過分析可以反映圖像存在較多高亮度值區(qū)域，而低亮度值區(qū)域較少。圖4-a為采用本研究提出的光線自適應(yīng)算法進(jìn)行處理后所得到的全景視覺圖像，其成像質(zhì)量明顯得到改善，圖4-b、4-c、4-d、4-e分別為圖像R分量、G分量、B分量、灰度的直方圖，其高亮度值區(qū)域減少，亮度分布得到改善。

如圖5-a所示，在光線較弱情況下，由于圖像存在欠曝光的情況，未經(jīng)改進(jìn)的原始處理算法得到的全景視覺圖像質(zhì)量較差，從而丟失較多圖像信息。圖5-b、5-c、5-d、5-e分別為圖像R分量、G分量、B分量、灰度的直方圖，通過分析可以反映圖像集中于低亮度值區(qū)域，高亮度值區(qū)域接近0。圖6-a為采用本研究提出的光線自適應(yīng)算法進(jìn)行處理后得到的全景視覺圖像，其成像質(zhì)量明顯得到改善，圖6-b、6-c、6-d、6-e分別為圖像R分量、G分量、B分量、灰度的直方圖，它的低亮度值區(qū)域減少，有效地改善了亮度分布區(qū)域。

由圖7-a可見，由于光線情況較正常，未經(jīng)改進(jìn)的原始處理算法得到的全景視覺圖像，雖然總體質(zhì)量也較良好，但通過圖7-b、7-c、7-d、7-e與圖8-b、8-c、8-d、8-e對(duì)應(yīng)直方圖進(jìn)行比較可以發(fā)現(xiàn)，采用本研究提出的光線自適應(yīng)算法處理后所得的全景視覺圖像，直方圖分布更接近中心均衡分布，成像質(zhì)量較好，得到的全景視覺圖像如圖8-a所示。

42主要成像質(zhì)量指標(biāo)測(cè)試試驗(yàn)

平均二維信息熵用來描述圖像所含信息量的大小，平均梯度值用來描述圖像的清晰程度?！?1”節(jié)試驗(yàn)結(jié)果表明，本研究提出的改進(jìn)光線自適應(yīng)算法，能在不同光線條件下，有效地提高成像質(zhì)量。為更系統(tǒng)地測(cè)試采用本研究改進(jìn)的光線自適應(yīng)算法進(jìn)行處理的實(shí)際圖像的成像質(zhì)量，在不同光線情況下， 通過分組進(jìn)行多次試驗(yàn)，由于像素是圖像的重要參數(shù)，

故在每組中對(duì)不同像素的圖像計(jì)算分析其平均二維信息熵、平均梯度值、單次平均耗時(shí)。

將試驗(yàn)分為A、B、C組，分別在光線較亮、光線正常、光線較暗的環(huán)境條件下進(jìn)行測(cè)試。其中A1、B1、C1組采用320×240像素圖像進(jìn)行測(cè)試，A2、B2、C2組采用512×256像素圖像進(jìn)行測(cè)試，A3、B3、C3組采用1 024×512像素圖像進(jìn)行測(cè)試。為較有效地分析試驗(yàn)數(shù)據(jù)，每組各進(jìn)行50次獨(dú)立試驗(yàn)。

選取在1 024×512相同像素圖像情況下進(jìn)行分析，由表1可見，在光線較亮?xí)r，A3組中采用未經(jīng)改進(jìn)的原始算法處理，其圖像平均二維信息熵為629，平均梯度值為581，而采用本研究改進(jìn)的光線自適應(yīng)算法處理后，其圖像二維信息熵為922，平均梯度值為931。在光線較暗時(shí)，C3組中采用未經(jīng)改進(jìn)的原始算法處理，其圖像平均二維信息熵為 732，平均梯度值為472，而采用本研究改進(jìn)的光線自適應(yīng)算法處理后，其圖像二維信息熵為958，平均梯度值為813。相較于未經(jīng)改進(jìn)的原始處理算法，本研究提出的光線自適應(yīng)處理算法，在光線較亮和較暗情況下的圖像平均二維信息熵分別提高466%、309%，平均梯度值分別提高602%、722%。在光線正常情況下，由于光線因素對(duì)成像影響較小，故采用未經(jīng)的原始算法雖然較本研究改進(jìn)的光線自適應(yīng)算法成像質(zhì)量略差，但差距不明顯。相較于未經(jīng)改進(jìn)的原始算法，由于本研究改進(jìn)的光線自適應(yīng)處理算法增加了相關(guān)處理步驟，在處理時(shí)間上會(huì)略有增加，但增加幅度較小，能滿足系統(tǒng)實(shí)時(shí)性需要。

綜合各組試驗(yàn)數(shù)據(jù)，在光線較亮情況下，未經(jīng)改進(jìn)的原始算法的圖像平均二維信息熵為624，平均梯度值為574；本研究改進(jìn)的光線自適應(yīng)算法的圖像平均二維信息熵為917，平均梯度值為924，相較于未經(jīng)改進(jìn)的原始算法，圖像平均二維信息熵提高471%，平均梯度值提高609%。

在光線較暗情況下，未經(jīng)改進(jìn)的原始算法的圖像平均二維信息熵為717，平均梯度值為458；本研究改進(jìn)的光線自適應(yīng)算法的圖像平均二維信息熵為934，平均梯度值為 808，相較于未經(jīng)改進(jìn)的原始算法，圖像平均二維信息熵提高303%，平均梯度值提高764%。

43算法實(shí)時(shí)性測(cè)試試驗(yàn)

雖然隨著像素的提高，圖像成像質(zhì)量也隨之提高，但處理時(shí)間也會(huì)隨之增加，由于本研究中多目全景視覺系統(tǒng)的目的是為實(shí)現(xiàn)農(nóng)業(yè)車輛的自主導(dǎo)航，故必須考慮實(shí)時(shí)性，實(shí)際應(yīng)用中通常設(shè)置512×256像素圖像進(jìn)行處理。試驗(yàn)選取512×256像素圖像，在較亮、正常、較暗3種光線情況下進(jìn)行測(cè)試。

由表2可見，選取試驗(yàn)1進(jìn)行具體分析，傳統(tǒng)多曝光處理算法的圖像平均二維信息熵為932，平均梯度值為 942，單次平均耗時(shí)為169 s，本研究改進(jìn)的光線自適應(yīng)算法的圖像平均二維信息熵為919，平均梯度值為929，單次平均耗時(shí)為036 s，速度加快787%。

綜合各組試驗(yàn)數(shù)據(jù)，在不同光線情況下，傳統(tǒng)多曝光處理算法的圖像平均二維信息熵為957，平均梯度值為942，單次平均耗時(shí)147 s；本研究改進(jìn)的光線自適應(yīng)算法的圖像平均二維信息熵為946，平均梯度值為931，單次平均耗時(shí) 036 s。由于傳統(tǒng)多曝光處理算法采用多次曝光得到多張圖像進(jìn)行算法處理， 故在成像質(zhì)量上稍好于本研究中改進(jìn)的光線自適應(yīng)算法，但同時(shí)也造成算法運(yùn)算耗時(shí)較長(zhǎng)，不適合應(yīng)用于對(duì)實(shí)時(shí)性要求較高的視覺導(dǎo)航。相較于傳統(tǒng)多曝光處理算法，本研究改進(jìn)的光線自適應(yīng)算法在成像質(zhì)量差別不大的情況下，速度平均加快了755%。

5結(jié)論

（1）本研究提出的光線自適應(yīng)算法，在正常、較強(qiáng)、較弱的不同光線情況下，所得到的全景視覺圖像，其成像質(zhì)量明顯得到提高。（2）在光線較亮情況下，本研究改進(jìn)的光線自適應(yīng)算法，相較于未經(jīng)改進(jìn)的原始算法，圖像平均二維信息熵提高471%，平均梯度值提高609%。在光線較暗情況下，本研究改進(jìn)的光線自適應(yīng)算法，相較于未經(jīng)改進(jìn)的原始算法，圖像平均二維信息熵提高303%，平均梯度值提高764%。（3）在不同光線情況下，本研究改進(jìn)的光線自適應(yīng)算法單次平均耗時(shí)036 s。相較于傳統(tǒng)多曝光處理算法，速度平均加快 755%，能較好地滿足農(nóng)業(yè)車輛全景視覺自主導(dǎo)航的較高實(shí)時(shí)性要求。

參考文獻(xiàn)：

姬長(zhǎng)英，周俊 農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)發(fā)展分析[J] 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（9）：44-54

李進(jìn)，陳無畏 基于自適應(yīng)導(dǎo)航參數(shù)的智能車輛視覺導(dǎo)航[J] 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（6）：19-24

[3]趙博，王猛，毛恩榮，等 農(nóng)業(yè)車輛視覺實(shí)際導(dǎo)航環(huán)境識(shí)別與分類[J] 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（7）：166-170

[4]Bergerman M，Maeta S M，Zhang J，et alRobot farmers： autonomous orchard vehicles help tree fruit production[J] IEEE Robotics and Automation Magazine，2015，22（1）：54-63

[5]Cariou C，Lenain R，Thuilot B，et alAutomatic guidance of a four-wheel-steering mobile robot for accurate field operations[J] Journal of Field Robotics，2009，26（6/7）：504-518

[6]Asif M，Amir S，Israr A，et alA vision system for autonomous weed detection robot [J] International Journal of Computer and Electrical Engineering，2010，2（3）：486-491

[7]裘溯，金偉其 基于PCA的相機(jī)響應(yīng)函數(shù)特征化方法研究[J] 北京理工大學(xué)學(xué)報(bào)，2015，35（10）：1085-1089

[8]章衛(wèi)祥，周秉鋒 一個(gè)穩(wěn)健的用于HDR圖像的相機(jī)響應(yīng)函數(shù)標(biāo)定算法[J] 計(jì)算機(jī)學(xué)報(bào)，2006，29（4）：658-663

[9]遆曉光，曲悠楊 一種改進(jìn)的色彩保持低照度圖像增強(qiáng)方法[J] 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2014，46（3）：1-7

[10]禹晶，李大鵬，廖慶敏 基于顏色恒常性的低照度圖像視見度增強(qiáng)[J] 自動(dòng)化學(xué)報(bào)，2011，37（8）：923-931

[11]Meylan L，Susstrunk SHigh dynamic range image rendering with a retinex-based adaptive filter [J] IEEE Transactions on Image Processing，2006，15（9）：2820-2830

[12]Durand F，Dorsey JFast bilateral filtering for the display of high-dynamic-range images[J] ACM Transactions on Graphics，2002，21（3）：257-266

[13]Reinhard E，Stark M，Shirley P，et alPhotographic tone reproduction for digital images[J] ACM Transactions on Graphics，2002，21（3）：267-276[HJ17mm]

[14]Rizzi A，McCann J JGlare‐limited appearances in HDR images [J] Journal of the Society for Information Display，2009，17（1）：3-12

[15]蔣剛毅，黃大江，王旭，等 圖像質(zhì)量評(píng)價(jià)方法研究進(jìn)展[J] 電子與信息學(xué)報(bào)，2010，32（1）：219-226

[16]王志明 無參考圖像質(zhì)量評(píng)價(jià)綜述[J] 自動(dòng)化學(xué)報(bào)，2015，41（6）：1062-1079

[17]Eskicioglu A M，F(xiàn)isher P SImage quality measures and their performance[J] IEEE Transactions on Communications，1995，43（12）：2959-2965

[18]Zhang Y JA survey on evaluation methods for image segmentation[J] Pattern Recognition，1996，29（8）：1335-1346

[19]Veeramallu B，Lavanya S C，Sahitya SSurvey on an image quality assessment metric based on early vision features[J] IEEE Transactions on Image Process，2013，2（6）：447-449

[20]Debevec P E，Malik JRecovering high dynamic range radiance maps from photographs[C] Proceedings of ACM SIGGRAPH，1997：369-378

[21]Nayar S K，Mitsunaga THigh dynamic range imaging： spatially varying pixel exposures[C] Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，2000：472-479