图像处理方法、装置、电子设备和存储介质与流程

1.本发明实施例涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备和存储介质。


背景技术：

2.随着人工智能、大数据、云计算等智能技术的应用，被动红外夜视系统已逐步应用于主动安全系统中，以提高第二阶段自动驾驶技术夜晚应用的安全性与舒适性。
3.由于传统摄像头在夜间场景的目标感知中强依赖外界光源条件，在外界光源环境较差时，由于缺少自然光条件，障碍物有效探测距离变近，检测时机变晚，不能及时发现前方道路上的障碍物，从而导致发生碰撞事故。被动红外夜视系统利用热成像技术获取物体热信号形成灰度图，通过对被动夜视热信息灰度图像的处理，实现夜间目标检测，进而实现车辆报警或其他控制，以减少光线较差环境下车辆事故的发生。
4.然而被动红外夜视系统获得的灰度图像目标间边界模糊，热信息噪声分布随机，图像质量较差，加大了目标检测时图像处理难度。


技术实现要素：

5.本发明实施例提供一种图像处理方法、装置、电子设备和存储介质，能够提高图像质量，降低图像检测难度。
6.第一方面，本发明实施例提供一种图像处理方法，包括：
7.对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；
8.提取所述原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；
9.基于所述非零奇异值矩阵从所述原始奇异值矩阵中提取奇异值矩阵补偿量；
10.基于所述非零奇异值矩阵和所述奇异值矩阵补偿量构建奇异值补偿矩阵；
11.基于所述奇异值补偿矩阵、所述左奇异向量和所述右奇异向量构建所述原始图像对应的目标图像。
12.第二方面，本发明实施例提供一种图像处理装置，所述装置包括：
13.图像分解模块，用于对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；
14.特征提取模块，用于提取所述原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；
15.补偿提取模块，用于基于所述非零奇异值矩阵从所述原始奇异值矩阵中提取奇异值矩阵补偿量；
16.矩阵构建模块，用于基于所述非零奇异值矩阵和所述奇异值矩阵补偿量构建奇异值补偿矩阵；
17.图像构建模块，用于基于所述奇异值补偿矩阵、所述左奇异向量和所述右奇异向量构建所述原始图像对应的目标图像。
18.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的图像处理方法。
19.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的图像处理方法。
20.本发明实施例提供的图像处理方案，首先对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；然后提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；并基于非零奇异值矩阵从原始奇异值矩阵中提取奇异值矩阵补偿量；再基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵；最后基于奇异值补偿矩阵、左奇异向量和右奇异向量构建原始图像对应的目标图像。通过上述方案，生成的奇异值补偿矩阵对原始图像进行奇异值补偿，通过奇异值分解反向补偿的方式得到的目标图像，可以提升原始图像的质量，进而便于基于被动红外夜视系统进行图像处理，降低图像检测难度，提升图像检测效率。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
22.图1是本发明实施例提供的图像处理方法的一个流程示意图；
23.图2是本发明实施例提供的图像处理方法的另一流程示意图；
24.图3是本发明实施例提供的图像处理装置的一个结构示意图；
25.图4是本发明实施例提供的电子设备的一个结构示意图。
具体实施方式
26.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
27.图1为本发明实施例提供的图像处理方法的一个流程示意图，该方法可以由本发明实施例提供的图像处理装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是计算机、服务器。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体可以包括如下步骤：
28.s110、对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵。
29.被动红外夜视系统是利用物体的红外辐射来得到目标物体的像，再基于目标物体与背景的温度及辐射发射率的差异，利用辐射测温技术对目标逐点测定辐射强度，从而形成可见目标的热图像。被动红外夜视系统在黑夜中可以提高行人以及物体的检测效率。但由于被动红外夜视系统获得的灰度图像目标间边界模糊，热信息噪声分布随机，图像质量
较差，加大了目标检测时图像处理难度。因此，本发明实施例提供的图像处理方案，以解决现有方案中被动红外夜视系统获得的图像质量低，识别效果差的问题，从而提升车辆在夜间行驶时对目标物体识别的准确率，避免交通事故的发生。
30.上述原始图像为基于被动红外夜视热系统获得的原始灰度图像。需要说明的是，以下实施例中对进行图像处理与分析的过程均是基于被动红外夜视热信息获得的灰度图像的基础上进行的，后续描述过程中不再赘述。
31.奇异值分解(singularity value decompose，简称svd)是数学里较为常见的一种矩阵计算过程，可以用来加速矩阵求逆的计算等。因此，在对原始图像进行奇异值分解之前，需要先将原始图像转换为矩阵的形式。
32.将原始图像转换为矩阵的方式可以为：使用matlab提取原始图像像素的行和列，从而根据获得的像素的大小对应为矩阵的大小。可选地，在基于matlab获得原始图像像素的基础上，也可对原始图像进行归一化处理，从而避免因图像对比度的不同为后续处理过程带来干扰。
33.原始奇异值矩阵表示对原始图像对应的矩阵进行奇异值分解后获得的奇异值组成的矩阵。设原始奇异值矩阵为σ，原始奇异值矩阵为m
×
n阶，则可相应可表示为∑m×n。
34.在对原始图像对应的矩阵进行奇异值分解时，假设原始图像对应的矩阵为a，u为a的左奇异向量(left-singular vectors)，v的列为a的右奇异向量(right-singular vectors)其中，u的列由aa
t
的单位化过的特征向量构成，v的列由a
t
a的单位化过的特征向量构成。则对原始图像进行奇异值分解，得到左奇异向量和右奇异向量，可以为求解aa
t
的特征值和特征向量，用单位化的特征向量构成左奇异向量u；求解a
t
a的特征值和特征向量，用单位化的特征向量构成右奇异向量v。
35.s120、提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵。
36.非零特征值为原始奇异值矩阵中不为零的特征值，即将原始奇异值矩阵中的非零特征值提取后，构成非零奇异值矩阵。
37.可选地，也可以提取原始奇异值矩阵中的为零的特征值，将为零的特征值提取后剩余的特征值构成的矩阵为需要获得的非零奇异值矩阵。
38.具体非零奇异值矩阵的提取方式在此不做限制，以原始奇异值矩阵中非零或零的数量为准，若原始奇异值矩阵中零的数量较多，可提取非零特征值构建非零奇异值矩阵；反之，则提取为零的特征值，以加快非零奇异值矩阵的获取速度。
39.示例性地，以原始奇异值矩阵为∑m×n为例，则原始奇异值矩阵可表示为以下形式：
[0040][0041]
其中，上述σ
p
×q表示由非零奇异值组成的非零奇异值矩阵，p，q表示非零奇异值矩阵的阶数，且满足p＜m，q＜n。
[0042]
s130、基于非零奇异值矩阵从原始奇异值矩阵中提取奇异值矩阵补偿量。
[0043]
确定奇异值矩阵补偿量的目的是为了便于后续步骤构建奇异值补偿矩阵，以通过奇异值补偿矩阵实现对原始图像的补偿，从而提升原始图像的质量，便于基于被动红外夜视系统进行图像处理，降低图像检测难度，提升图像检测效率。
[0044]
当前奇异值矩阵补偿量的确定方式可以为，基于原始奇异值矩阵的阶数和非零奇
异值矩阵的阶数进行确定。基于上述步骤s120获得的原始奇异值矩阵σm×n和非零奇异值矩阵σ
p
×q，则奇异值矩阵补偿量可以为σ
(m-p)
×
(n-q)
，其中m-p)
×
(n-q)奇异值矩阵补偿量对应的提取阶数。
[0045]
s140、基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵。
[0046]
进一步地，基于步骤s120获得的非零奇异值矩阵σ
p
×q和步骤s130选取的奇异值矩阵补偿量σ
(m-p)
×
(n-q)
构建奇异值补偿矩阵时，将奇异值按从大到小的顺序进行排列，生成奇异值补偿矩阵σ，其中奇异值补偿矩阵σ为m
×
n阶的矩阵，即最终获得的奇异值补偿矩阵与原始奇异值矩阵阶数一致。
[0047]
s150、基于奇异值补偿矩阵、左奇异向量和右奇异向量构建原始图像对应的目标图像。
[0048]
在构建原始图像对应的目标矩阵时，可通过左奇异向量、奇异值补偿矩阵、和右奇异向量的转置进行相乘的方式获得到补偿灰度矩阵，当前补偿灰度矩阵为基于原始图像提升质量后的矩阵，被动夜视系统基于目标热信息对前补偿灰度矩阵进行检测识别，可获得原始图像对应的目标图像。
[0049]
当前目标图像经奇异值补偿矩阵进行补偿后可提高图像的质量，从而提升被动夜视系统对目标图像的识别效率。
[0050]
本发明实施例提供的图像处理方法，首先对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；然后提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；并基于非零奇异值矩阵从原始奇异值矩阵中提取奇异值矩阵补偿量；再基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵；最后基于奇异值补偿矩阵、左奇异向量和右奇异向量构建原始图像对应的目标图像。通过上述方案，生成的奇异值补偿矩阵对原始图像进行奇异值补偿，通过奇异值分解反向补偿的方式得到的目标图像，可以提升原始图像的质量，进而便于基于被动红外夜视系统进行图像处理，降低图像检测难度，提升图像检测效率。
[0051]
图2是本发明实施例提供的图像处理方法的另一流程示意图，本实施例与上述实施例之间的关系对相应步骤特征的细化。如图2所示，该方法包括：
[0052]
s210、将原始图像转换为原始灰度图像。
[0053]
一般由摄像头直接获得的原始图像红绿蓝(red green blue，简称rgb)图，由于自然界中,颜色本身非常容易受到光照的影响，rgb受光线影响变化很大，将三通道的rgb图转为一通道的灰度图(gray scale image)后，可以使得运算量大大减少。
[0054]
灰度图又称灰阶图，是把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶(0-255),255表示全白，0表示全黑，则将转为灰度图后的图像称为原始灰度图。
[0055]
在将原始图像转换为原始灰度图时，可采用分量法、最大值法或加权平均法，具体原始灰度图的转换方式在此不做限制。
[0056]
s211、对原始灰度图像的灰度值进行归一化处理，得到原始灰度矩阵。
[0057]
由于在后续步骤需进行奇异值分解，奇异值分解是基于矩阵的基础上进行计算的，因此需要对原始灰度图像进行处理，以获得原始灰度矩阵。
[0058]
首先可根据原始灰图像的像素点获得与像素点一致的矩阵，由于当前像素点的灰
度值处于0-255之间，像素值之间跨度较大，存在干扰噪声较大的情况，因此，需再对当前像素点矩阵进行归一化处理，获得原始灰度矩阵。
[0059]
在根据原始灰图像的像素点获得与像素点一致的矩阵时，获得方式为，对于有m
×
n个像素的图像，m代表图像的长，n代表图像的宽；那么与图像对应的矩阵就有m行，n列，总共也有m
×
n个像素单元，(m，n)就代表该像素在图像中的位置，相当于把图像放到坐标系下，m代表横坐标，n代表纵坐标，(m，n)确定一个像素的位置。则获得的原始灰度矩阵为m
×
n阶的矩阵。
[0060]
s212、对原始灰度矩阵进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵。
[0061]
对原始灰度矩阵进行奇异值分解时，对于任意的奇异值分解，矩阵σ的对角线上的元素等于m的奇异值。u和v的列分别是奇异值中的左奇异向量和右奇异向量。对于任意矩阵具有如下定理：一个m
×
n的矩阵至多有p＝min(m，n)个不同的奇异值；总是可以找到在km的一个正交基u，组成m的左奇异向量；总是可以找到和kn的一个正交基v，组成m的右奇异向量。
[0062]
可选地，原始灰度矩阵、左奇异向量、右奇异向量和原始奇异值矩阵的关系可用如下表达式进行表示：
[0063][0064]
其中，ιm×n表示原始灰度矩阵，um×m表示左奇异向量，表示右奇异向量，σm×n表示原始奇异值矩阵。m、n分别表示当前矩阵的阶数。
[0065]
s220、提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵。
[0066]
基于步骤s210，假设非零矩阵为σ
p
×q，p，q表示非零矩阵的阶数，则从原始奇异值矩阵中提取非零特征值构建的非零奇异矩阵可用如下表达式进行表示：
[0067][0068]
s230、基于非零奇异值矩阵的阶数确定矩阵提取阶数。
[0069]
非零矩阵σ
p
×q的行和列分别p阶和q阶，矩阵提取阶数是从原始奇异值矩阵ιm×n中进行提取的，则原始奇异值矩阵的阶数和非零奇异值矩阵的阶数具有如下关系：p《m，q《n。
[0070]
则基于非零奇异值矩阵σ
p
×q的阶数从原始奇异值矩阵ιm×n中确定的矩阵提取阶数为(m-p)
×
(n-q)。
[0071]
s231、基于矩阵提取阶数从原始奇异值矩阵中提取奇异值矩阵补偿量。
[0072]
基于矩阵提取阶数从原始奇异值矩阵中提取奇异值矩阵补偿量时可通过如下方式实现：从原始奇异值矩阵中的指定位置提取(m-p)
×
(n-q)阶数据，得到奇异值矩阵补偿量，奇异值矩阵补偿量为σ
(m-p)
×
(n-q)
。
[0073]
在从原始奇异值矩阵中提取(m-p)
×
(n-q)阶数据时，可选取原始奇异值矩阵的初始部分进行提取，也可从原始奇异值矩阵的中间位置进行提取，还可以从原始奇异值矩阵的结尾部进行提取，具体提取方式以实际需求为准，在此不做限制。
[0074]
将提取的(m-p)
×
(n-q)阶数据构成了奇异值矩阵补偿量为σ
(m-p)
×
(n-q)
。
[0075]
s240、基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵。
[0076]
用σ表示奇异值补偿矩阵，则基于非零奇异值矩阵σ
p
×q和奇异值矩阵补偿量σ
(m-p)
×
(n-q)
的奇异值补偿矩阵σ可用如下表达式进行表示：
[0077][0078]
s250、基于奇异值补偿矩阵、左奇异向量和右奇异向量构建目标灰度矩阵。
[0079]
用i表示目标灰度矩阵，则基于奇异值补偿矩阵σ、左奇异向量um×m和右奇异向量构建目标灰度矩阵可通过如下表达式进行表示：
[0080][0081]
需要说明的是，经奇异值补偿矩阵补偿后获得的目标灰度矩阵的阶数同样为m
×
n阶。
[0082]
s251、基于目标灰度矩阵确定目标图像。
[0083]
获得的目标灰度矩阵即为对原始灰度矩阵进行质量提升后获得的，基于目标灰度矩阵确定的目标图像可以提高被动红外夜视系统对目标物体对应图像的检测速率，从而对光线较暗环境下的目标物体做出尽快识别，以使得车辆有足够时间作出相应措施，避免车辆碰撞事故的发生，提高车辆自动驾驶技术在夜晚应用的安全性与舒适性。
[0084]
本发明实施例提供的图像处理方法，首先对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；然后提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；并基于非零奇异值矩阵从原始奇异值矩阵中提取奇异值矩阵补偿量；再基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵；最后基于奇异值补偿矩阵、左奇异向量和右奇异向量构建原始图像对应的目标图像。通过上述方案，生成的奇异值补偿矩阵对原始图像进行奇异值补偿，通过奇异值分解反向补偿的方式得到的目标图像，可以提升原始图像的质量，进而便于基于被动红外夜视系统进行图像处理，降低图像检测难度，提升图像检测效率。
[0085]
图3是本发明实施例提供的图像处理装置的一个结构图，该装置适用于执行本发明实施例提供的图像处理方法。如图3所示，该装置具体可以包括：
[0086]
图像分解模块31，用于对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；
[0087]
特征提取模块32，用于提取所述原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；
[0088]
补偿提取模块33，用于基于所述非零奇异值矩阵从所述原始奇异值矩阵中提取奇异值矩阵补偿量；
[0089]
矩阵构建模块34，用于基于所述非零奇异值矩阵和所述奇异值矩阵补偿量构建奇异值补偿矩阵；
[0090]
图像构建模块35，用于基于所述奇异值补偿矩阵、所述左奇异向量和所述右奇异向量构建所述原始图像对应的目标图像。
[0091]
可选地，所述图像分解模块31包括：转换单元、处理单元和分解单元，其中：
[0092]
转换单元，用于将所述原始图像转换为原始灰度图像；
[0093]
处理单元，用于对所述原始灰度图像的灰度值进行归一化处理，得到原始灰度矩
阵；
[0094]
分解单元，用于对所述原始灰度矩阵进行奇异值分解，得到所述左奇异向量、所述右奇异向量和所述原始奇异值矩阵。
[0095]
可选地，所述对所述原始灰度矩阵进行奇异值分解，得到所述左奇异向量、所述右奇异向量和所述原始奇异值矩阵，包括：
[0096][0097]
其中，ιm×n表示所述原始灰度矩阵，um×m表示所述左奇异向量，表示所述右奇异向量，σm×n表示所述原始奇异值矩阵，m、n表示当前矩阵的阶数。
[0098]
可选地，补偿提取模块33包括：第一确定单元和提取单元，其中：
[0099]
第一确定单元，用于基于所述非零奇异值矩阵的阶数确定矩阵提取阶数；
[0100]
提取单元，用于基于所述矩阵提取阶数从所述原始奇异值矩阵中提取所述奇异值矩阵补偿量。
[0101]
可选地，所述非零奇异值矩阵为σ
p
×q，其中，p《m，q《n，所述矩阵提取阶数为(m-p)
×
(n-q)。
[0102]
所述补偿提取模块33，具体用于从所述原始奇异值矩阵中的指定位置提取(m-p)
×
(n-q)阶数据，得到所述奇异值矩阵补偿量，所述奇异值矩阵补偿量为σ
(m-p)
×
(n-q)
。
[0103]
可选地，所述基于所述非零奇异值矩阵和所述奇异值矩阵补偿量构建奇异值补偿矩阵，包括：
[0104][0105]
其中，σ表示所述奇异值补偿矩阵。
[0106]
可选地，图像构建模块35包括：构建单元和第二确定单元，其中：
[0107]
构建单元，用于基于所述奇异值补偿矩阵、所述左奇异向量和所述右奇异向量构建目标灰度矩阵；
[0108]
第二确定单元，用于基于所述目标灰度矩阵确定所述目标图像。
[0109]
可选地，，所述基于所述奇异值补偿矩阵、所述左奇异向量和所述右奇异向量构建目标灰度矩阵，包括：
[0110][0111]
其中，ι表示所述目标灰度矩阵。
[0112]
本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0113]
本发明实施例提供的图像处理装置，首先对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；然后提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；并基于非零奇异值矩阵从原始奇异值矩阵中提取奇异值矩阵补
偿量；再基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵；最后基于奇异值补偿矩阵、左奇异向量和右奇异向量构建原始图像对应的目标图像。通过上述方案，生成的奇异值补偿矩阵对原始图像进行奇异值补偿，通过奇异值分解反向补偿的方式得到的目标图像，可以提升原始图像的质量，进而便于基于被动红外夜视系统进行图像处理，降低图像检测难度，提升图像检测效率。
[0114]
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例提供的图像处理方法。
[0115]
本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例提供的图像处理方法。
[0116]
下面参考图4，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0117]
如图4所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有系统500操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0118]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0119]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。
[0120]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，
其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0121]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0122]
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、确定模块和创建模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
[0123]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；提取所述原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；基于所述非零奇异值矩阵从所述原始奇异值矩阵中提取奇异值矩阵补偿量；基于所述非零奇异值矩阵和所述奇异值矩阵补偿量构建奇异值补偿矩阵；基于所述奇异值补偿矩阵、所述左奇异向量和所述右奇异向量构建所述原始图像对应的目标图像。
[0124]
根据本发明实施例的技术方案，首先对原始图像进行奇异值分解，得到左奇异向量、右奇异向量和原始奇异值矩阵；然后提取原始奇异值矩阵中的非零特征值构建矩阵，得到非零奇异值矩阵；并基于非零奇异值矩阵从原始奇异值矩阵中提取奇异值矩阵补偿量；再基于非零奇异值矩阵和奇异值矩阵补偿量构建奇异值补偿矩阵；最后基于奇异值补偿矩阵、左奇异向量和右奇异向量构建原始图像对应的目标图像。通过上述方案，生成的奇异值补偿矩阵对原始图像进行奇异值补偿，通过奇异值分解反向补偿的方式得到的目标图像，可以提升原始图像的质量，进而便于基于被动红外夜视系统进行图像处理，降低图像检测难度，提升图像检测效率。
[0125]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。