图像的处理方法和车辆与流程

1.本发明涉及车辆领域，具体而言，涉及一种图像的处理方法和车辆。


背景技术：

2.在现有技术中，只能通过边缘保持滤波器，对车况图像中的红外图像与可见光图像进行分解，但是，该方法难以保证图像的背景亮度信息，从而使得图像最终无法呈现良好效果，仍存在对图像的显示效果差的技术问题。
3.针对上述相关技术存在的对图像的显示效果差的技术问题，目前尚未提出有效方案。


技术实现要素：

4.本发明实施例提供了一种图像的处理方法和车辆，以至少解决图像显示效果差的技术问题。
5.根据本发明实施例的一个方面，提供了一种图像的处理处理方法。该方法可以包括：获取车辆在行驶过程中的路况图像，其中，路况图像包括车辆在行驶过程中的路况信息；分别对车辆在同一时刻的路况图像中的红外图像和路况图像中可见光图像进行分解处理，得到多张基础层图像和多张细节层图像；对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像；将目标基础层图像和目标细节层图像进行相加，得到目标图像。
6.可选地，分别对红外图像和可见光图像分别进行分解处理，得到多张基础层图像和多张细节层图像，包括：分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像；对多张基础层子图像进行融合计算得到多张基础层图像，且多张细节层子图像进行融合计算得到多张细节层图像。
7.可选地，多张基础层子图像包括红外图像的多张基础层子图像和可见光图像的多张基础层子图像；且多张细节层子图像包括红外图像的多张细节层子图像和可见光图像的多张细节层子图像。
8.可选地，分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像，包括：通过双边滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层子图像和可见光图像的基础层子图像；分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外图像的细节层子图像和可见光图像的细节层子图像。
9.可选地，分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像，包括：通过双边纹理滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层图像和可见光图像的基础层子图像；分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外光图像的细节层子图像和可见光图像的细节层子图像。
10.可选地，分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像，包括：通过双边偏微分滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层子图像和可见光图像的基础层子图像；分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外图像的细节层子图像和可见光图像的细节层子图像。
11.可选地，对多张基础层子图像进行融合计算得到多张基础层图像，包括：基于显著性检测对经过双边滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第一基础层图像；基于显著性检测对经过双边纹理滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第二基础层图像；基于显著性检测对经过双边偏微分滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第三基础层图像。
12.可选地，对多张基础层图像进行权重计算得到目标基础图像，包括：对第一基础层图像、第二基础层图像和第三基础层图像进行平均分配处理，得到目标基础层图像。
13.可选地，对多张细节层子图像进行融合计算得到多张细节层图像，且对多张细节层图像进行加权求和，得到目标细节层图像，包括：对经过双边滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第一细节层图像；对经过双边纹理滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第二细节层图像；对经过双边偏微分滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第三细节层图像；对第一细节层图像、第二细节层图像和第三细节层图像进行平均分配计算，得到目标细节层图像。
14.根据本发明实施例的另一方面，还提供了一种图像的处理装置，包括：获取单元，用于获取车辆在行驶过程中的路况信息，其中，路况图像包括车辆在行驶过程中的路况信息；第一处理单元，用于分别对车辆在同一时刻的路况图像中的红外图像和路况图像中的可见光图像进行分解处理，得到多张基础层图像和多张细节层图像；第二处理单元，用于对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像；第三处理单元，用于将目标基础层图像和目标细节层图像进行相加，得到目标图像。
15.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的图像的处理方法。
16.根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的图像的处理方法。
17.根据本发明实施例的另一方面，还提供一种车辆。该车辆用于执行本发明实施例的图像的处理方法。
18.在本发明实施例中，获取车辆在行驶过程中的路况图像，其中，路况图像包括车辆在行驶过程中的路况信息；分别对车辆在同一时刻的路况图像中的红外图像和路况图像中可见光图像进行分解处理，得到多张基础层图像和多张细节层图像；对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像；将目标基础层图像和目标细节层图像进行相加，得到目标图像。也就是说，本发明实施
例在车辆行驶过程中，采集车辆周围的路况图像，提取其中的红外图像和可见光图像，可以通过多种分解方法对红外图像和路况图像进行分解处理，得到基础层图像和细节层图像，分别对基础层图像和细节层图像加权求和，可以得到目标基础层图像和目标细节层图像，通过目标基础层图像与目标细节层图像求和可以得到目标图像，从而解决了图像显示效果差的技术问题，实现了提高图像显示效果的技术效果。
附图说明
19.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
20.图1是根据本发明实施例的一种图像的处理方法的流程图；
21.图2是根据本发明实施例的一种基于多元分解的车辆抗晕光方法的流程图；
22.图3是根据本发明实施例的一种图像融合框架的示意图；
23.图4是根据本发明实施例的一种基础层图像融合框架的示意图；
24.图5是根据本发明实施例的一种图像的处理装置的示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例1
28.根据本发明实施例，提供了一种图像的处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.图1是根据本发明实施例的一种图像的处理方法的流程图，如图1所示，该方法可以包括如下步骤：
30.步骤s102，获取车辆在行驶过程中的路况图像。
31.在本发明上述步骤s102提供的技术方案中，在车辆行驶过程中，可以获取周围环境的路况图像，其中，路况图像可以包括车辆在行驶过程中的路况信息，路况信息可以包括车辆周围的行人、车辆、树木等障碍物。路况图像可以为红外图像或可见光图像。
32.举例而言，车辆在夜间行驶过程中，可以通过部署于车辆上的红外遥感器和可见光相机实时监测车辆周围环境，并拍摄路况图像，需要说明的是，此处仅为举例说明，不对获取路况图像的仪器及仪器部署位置做具体限制。
33.步骤s104，分别对车辆在同一时刻的路况图像中的红外图像和路况图像中可见光图像进行分解处理，得到多张基础层图像和多张细节层图像。
34.在本发明上述步骤s104提供的技术方案中，可以对路况图像中的红外图像与路况图像中的可见光图像进行分解处理，得到多张基础层图像和多张细节层图像，其中，基础层图像可以用于表征图像的底层，可以包括图像的低频信息。细节层图像可以包括图像的高频信息。
35.可选地，可以采用至少一种分解方法对路况图像中的可见光图像与红外图像进行分解，得到多张基础层图像与多张细节层图像，分解方法的数量与基础层图像数量以及细节层图像的数量相同，比如，两种分解方法(双边滤波器与双边纹理滤波器)可以对路况图像分解进行分解，可以得到两张基础层图像、两张细节层图像。本发明实施例通过采用多种分解方法对路况图像分别进行分解处理，得到路况图像的多张基础层图像和多张细节层图像，解决了提高对图像显示效果的技术效果，需要说明的是，此处分解方法的数量及分解方法仅为举例说明，不做具体限制。
36.步骤s106，对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像。
37.在本发明上述步骤s106提供的技术方案中，可以将分解处理得到的基础层图像进行加权求和，确定目标基础层图像，可以对分解处理得到的细节层图像进行加权求和，确定目标细节层图像，其中，目标基础层图像可以为多张基础层图像进行融合得到的图像。目标细节层图像可以为多张细节层图像进行融合得到的图像。目标基础层图像与目标细节层图像可以包括车辆周围的行人、车辆或树木等障碍物。
38.可选地，通过多种分解方法分解某一时刻的路况图像，可以得到多张基础层图像和多张细节层图像，分解方法的数目与基础层图像以及细节层图像的数目相同，可以对多张基础层图像按比例分配权重，对加权后的多张基础层图像进行求和，可以得到目标基础层，可以对多张细节层图像按比例分配权重，对加权后的多张细节层图像进行求和，可以得到目标细节层。
39.举例而言，可以通过三种分解方法(比如，双边滤波器、双边纹理滤波器和双边偏微分滤波器)分解某一时刻的路况图像中的红外图像，得到三张基础层图像和三张细节层图像，可以采用按照0.3、0.5、0.2的比例对基础层图像与细节层图像分配权重，对加权后的基础层图像进行求和，可以得到目标基础层图像，对加权后的细节层图像进行求和，可以得到目标细节层图像，需要说明的是，此处分配比例仅为举例说明，不做具体限制。
40.在本发明实施例中，由于考虑到多种分解方法对路况图像进行处理，从而得到了多张基础层图像和多张细节层图像，为了保留多种分解方法的优点，可以对多种分解方法得到的基础层图像与细节层图像进行权重分配，基础层图像与细节层图像分别进行加权求和，可以得到目标基础层和目标细节层，从而解决了对图像显示效果差的技术问题，解决了提高对图像显示效果的技术效果。
41.步骤s108，将目标基础层图像和目标细节层图像进行相加，得到目标图像。
42.在本发明上述步骤s108提供的技术方案中，可以将目标基础层图像与目标细节层图像进行相加，确定目标图像，其中，目标图像可以为对路况图像进行分解及融合等处理得到的最终图像，目标图像可以包括车辆周围的行人、车辆或树木等障碍物。
43.可选地，可以获取路况图像，可以采用多种分解方法对路况图像进行分解处理，得到多张基础层图像和多张细节层图像，对基础层图像进行权重分配，然后进行加权求和，得到目标基础层图像，对细节层图像进行权重分配，然后进行加权求和，可以得到目标细节层图像，将目标基础层图像与目标细节层图像相加，可以得到最终的红外图像与可见光图像融合而成的目标图像。
44.举例而言，车辆在夜间行驶过程中，获取车辆的路况图像中的红外图像和可见光图像，可以通过三种分解方法(双边滤波器、双边纹理滤波器和双边偏微分滤波器)分解某一时刻的路况图像，得到三张基础层图像和三张细节层图像，可以采用平均分配权重，对加权后的基础层图像进行求和，可以得到目标基础层图像，对加权后的细节层图像进行求和，可以得到目标细节层图像，基于目标基础层图像与目标细节层的和，可以确定目标图像，需要说明的是，此处三种分解方法及平均分配权重仅为举例说明，不做具体限制。
45.本技术上述步骤s102至步骤s108，获取车辆在行驶过程中的路况图像，其中，路况图像包括车辆在行驶过程中的路况信息；分别对车辆在同一时刻的路况图像中的红外图像和路况图像中可见光图像进行分解处理，得到多张基础层图像和多张细节层图像；对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像；将目标基础层图像和目标细节层图像进行相加，得到目标图像。也就是说，本发明实施例在车辆行驶过程中，采集车辆周围的路况图像，提取其中的红外图像和可见光图像，可以通过多种分解方法对红外图像和路况图像进行分解处理，得到基础层图像和细节层图像，分别对基础层图像和细节层图像加权求和，可以得到目标基础层图像和目标细节层图像，通过目标基础层图像与目标细节层图像求和可以得到目标图像，从而解决了图像显示效果差的技术问题，实现了提高图像显示效果的技术效果。
46.下面对该实施例的上述方法进行进一步介绍。
47.作为一种可选的实施例方式，步骤s104，分别对红外图像和可见光图像分别进行分解处理，得到多张基础层图像和多张细节层图像，包括：分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像；对多张基础层子图像进行融合计算得到多张基础层图像，且多张细节层子图像进行融合计算得到多张细节层图像。
48.在该实施例中，可以对红外图像进行分解，得到红外图像的多张基础层子图像和多张细节层子图像，对可见光图像进行分解，可以得到可见光图像的多张基础层子图像和多张细节层子图像，可以将红外图像的基础层子图像与可见光图像的基础层子图像进行融合，得到多张基础层图像，可以将红外图像的细节层子图像与可见光图像的细节层子图像进行融合，得到多张细节层图像，其中，基础层子图像可以包括红外图像的基础层子图像与可见光图像的基础层子图像。细节层子图像可以包括红外图像的细节层子图像与可见光图像的细节层子图像。
49.可选地，采用多种分解方法可以对红外图像进行分解，可以得到红外图像的多张基础层子图像和多张细节层子图像，同理对可见光图像进行分解，可以得到可见光图像的多张基础层子图像和多张细节层子图像，分解方法的数量与红外图像的基础层子图像、可
见光图像的基础层子图像的数量相同，同理，分解方法的数量与红外图像的细节层子图像、可见光图像的细节层子图像的数量相同，可以将红外图像的基础层子图像与可见光图像的基础层子图像进行融合，得到基础层图像，将红外图像的细节层子图像与可见光图像的细节层子图像进行融合，得到细节层图像。
50.作为一种可选的实施例方式，步骤s104，多张基础层子图像包括红外图像的多张基础层子图像和可见光图像的多张基础层子图像；且多张细节层子图像包括红外图像的多张细节层子图像和可见光图像的多张细节层子图像。
51.在该实施例中，基础层子图像可以包括红外图像的多张基础层子图像和可见光图像的多张基础层子图像，细节层子图像可以包括红外图像的多张细节层子图像和可见光图像的多张细节层子图像。
52.可选地，可以对路况图像进行分解，得到多张基础层子图像和多张细节层子图像，由于路况图像中包括红外图像和可见光图像，则可以得到红外图像对应的多张基础层子图像与多张细节层子图像，可以得到可见光图像对应的多张基础层子图像与多张细节层子图像。
53.举例而言，获取路况图像的红外图像和可见光图像，可以采用三种分解方法对红外图像与可见光图像进行分解，可以得到红外图像对应的三张基础层子图像、可见光图像对应的三张基础层子图像、红外图像对应的三张细节层子图像和可见光图像对应的三张细节层子图像。
54.作为一种可选的实施例方式，步骤s104，分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像，包括：通过双边滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层子图像和可见光图像的基础层子图像；分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外图像的细节层子图像和可见光图像的细节层子图像。
55.在该实施例中，可以通过双边滤波器对红外图像进行分解，可以得到红外图像的基础层子图像，通过对可见光图像进行分解，可以得到可见光图像的基础层子图像，可以计算红外图像与红外图像的基础层子图像的差值，得到红外图像的细节层子图像，可以计算可见光图像与可见光图像的基础层子图像的差值，得到可见光图像的细节层子图像。
56.可选地，采用双边滤波器对红外图像(i1)进行分解，可以得到红外图像的一张基础层子图像(b11)与一张细节层子图像(d11)，对可见光图像(i2)进行分解，可以得到可见光图像的一张基础层子图像(b21)与一张细节层子图像(d21)，可以将红外图像的基础层子图像与可见光图像的基础层子图像融合，得到基础层图像(bf1)，可以将红外图像的细节层子图像与可见光图像的细节层子图像融合，得到细节层图像(df1)。
57.可选地，双边滤波器可以将路况图像中的红外图像与可见光图像作为输入图像，通过处理，可以将上述图像进行分解，得到将红外图像与可见光图像的基础层子图像与细节层子图像作为输出图像。
58.举例而言，采用双边滤波器可以对路况图像中的红外图像进行分解，得到红外图像的基础层子图像，可以通过滤波权重计算区域内的其他像素红外图像的中心像素的灰度差对红外图像进行分解，得到对应的基础层子图像，采用双边滤波器可以对路况图像中的可见光图像进行分解，得到可见光图像的基础层子图像，可以通过滤波权重计算区域内的
其他像素与可见光像素的灰度差对可见光图像进行分解，得到对应的基础层子图像，可以通过以下公式得到从双边滤波器中输出的基础层子图像：
[0059][0060]
其中，bu可以用于表示双边滤波器输出的像素u处的基础层子图像，可以为红外图像的基础层子图像或可见光图像的基础层子图像，ku为正则项，ωu为空间邻域，iv可以用于表示红外图像或可见光图像，若v＝1，则i1可以为红外图像，若v＝2，则i2可以为可见光图像，f为空间核函数，g为范围核函数。
[0061]
再举例而言，从双边滤波器中输出的细节层子图像可以为路况图像与基础层子图像的差值，可以通过以下公式得到从双边滤波器中输出的细节层子图像：
[0062]dn
＝i
n-bn[0063]
其中，in可以用于表示路况图像中的红外图像或可见光图像，若n＝1，则i1可以为红外图像，若n＝2，则i2可以为可见光图像，dn可以用于表示与in对应的双边滤波器输出的细节层子图像，bn可以用于表示与in对应的双边滤波器输出的基础层子图像。
[0064]
作为一种可选的实施例方式，步骤s104，分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像，包括：通过双边纹理滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层图像和可见光图像的基础层子图像；分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外光图像的细节层子图像和可见光图像的细节层子图像。
[0065]
在该实施例中，可以通过双边纹理滤波器(bilateral texture filtering，简称为btf)对红外图像进行分解，可以得到红外图像的基础层子图像，通过对可见光图像进行分解，可以得到可见光图像的基础层子图像，可以计算红外图像与红外图像的基础层子图像的差值，得到红外图像的细节层子图像，可以计算可见光图像与可见光图像的基础层子图像的差值，得到可见光图像的细节层子图像。
[0066]
可选地，采用双边纹理滤波器对红外图像进行分解，可以得到红外图像的一张基础层子图像(b12)与一张细节层子图像(d12)，对可见光图像进行分解，可以得到可见光图像的一张基础层子图像(b22)与一张细节层子图像(d22)，可以将红外图像的基础层子图像与可见光图像的基础层子图像融合，得到基础层图像(bf2)，可以将红外图像的细节层子图像与可见光图像的细节层子图像融合，得到细节层图像(df2)。
[0067]
可选地，双边纹理滤波器可以将路况图像中的红外图像与可见光图像作为输入图像，通过处理，可以将上述图像进行分解，得到将红外图像与可见光图像的基础层子图像与细节层子图像作为输出图像。
[0068]
举例而言，将路况图像中红外图像和可见光图像输入双边纹理滤波器进行分解，得到两种图像对应的基础层子图像，可以通过如下公式得到从双边纹理滤波器输出的基础层子图像：
[0069][0070]
其中，bu可以用于表示双边纹理滤波器输出的像素u处的基础层子图像，空间核函
数f与范围核函数g是典型的高斯函数，像素u处的基础层子图像bu为iv在空间邻域ωu中的加权平均值，gu可以为以u为中心的矩形块ωu中图像g的局部像素。
[0071]
在本发明实施例中，由上述双边纹理滤波器输出的基础层子图像的公式可以得出，路况图像(图像g)的设计对最终图像融合的改进结果优劣的影响比重很大，gu的值可以通过分析以u为中心的矩形块ωu中的局部像素统计来定义，由于ωu含有纹理和结构，单纯的像素统计可能会掩盖图像的显著边缘或区域边界的存在，为了克服上述问题，双边纹理滤波器可以引入块位移(patch shift)，块位移可以使得图像g为结构边缘的可能性最小。若每个块的大小均为k
×
k，则图像中每个像素u均有k2个块，且包含u，在该k2个块中，可以选择包括显著结构可能性最小的块ωv，若找到具备此显著特性的ωv，可以计算该块区域中像素点的平均强度bv作为纹理描述图像gu在u处的像素值。也即，本发明实施例通过引入块位移对双边纹理滤波器进行改进，从而解决了对图像显示效果差的技术问题，解决了提高对图像显示效果的技术效果。
[0072]
举例而言，从双边纹理滤波器中输出的细节层子图像可以为路况图像与基础层子图像的差值，可以通过以下公式得到从双边纹理滤波器中输出的细节层子图像：
[0073]dn
＝i
n-bn[0074]
其中，in可以用于表示路况图像中的红外图像或可见光图像，若n＝1，则i1可以为红外图像，若n＝2，则i2可以为可见光图像，dn可以用于表示与in对应的双边纹理滤波器输出的细节层子图像，bn可以用于表示与in对应的双边纹理滤波器输出的基础层子图像。
[0075]
作为一种可选的实施例方式，步骤s104，分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像，包括：通过双边偏微分滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层子图像和可见光图像的基础层子图像；分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外图像的细节层子图像和可见光图像的细节层子图像。
[0076]
在该实施例中，可以通过双边偏微分滤波器对红外图像进行分解，可以得到红外图像的基础层子图像，通过对可见光图像进行分解，可以得到可见光图像的基础层子图像，可以计算红外图像与红外图像的基础层子图像的差值，得到红外图像的细节层子图像，可以计算可见光图像与可见光图像的基础层子图像的差值，得到可见光图像的细节层子图像。
[0077]
可选地，采用双边偏微分滤波器对红外图像进行分解，可以得到红外图像的一张基础层子图像(b13)与一张细节层子图像(d13)，对可见光图像进行分解，可以得到可见光图像的一张基础层子图像(b23)与一张细节层子图像(d23)，可以将红外图像的基础层子图像与可见光图像的基础层子图像融合，得到基础层图像(bf3)，可以将红外图像的细节层子图像与可见光图像的细节层子图像融合，得到细节层图像(df3)
[0078]
可选地，双边偏微分滤波器可以将路况图像中的红外图像与可见光图像的微分形式作为输入图像，通过处理，可以将上述图像进行分解，得到将红外图像与可见光图像的基础层子图像与细节层子图像作为输出图像。
[0079]
可选地，由于双边滤波器中的范围核函数g对路况图像的滤波效果十分显著，本发明实施例可以基于偏微分方程对双边滤波器进行改进，达到只采用双边滤波器达不到的对图像的显示效果，可以采用双边偏微分滤波器以路况图像的微分形式作为输入图像，通过
如下公式可以得到从双边偏微分滤波器中输出的基础层子图像：
[0080][0081]
其中，微分路况图像l可以由四阶偏微分模型得到，其优点在于对噪声不敏感且边缘检测能力强。
[0082]
举例而言，从双边偏微分滤波器中输出的细节层子图像可以为路况图像与双边偏微分滤波器输出的基础层子图像的差值，可以通过以下公式得到细节层子图像：
[0083]dn
＝i
n-bn[0084]
其中，若n＝1，则i1可以为红外图像，b1可以为双边偏微分滤波器输出的红外图像的基础层子图像，d1可以为双边偏微分滤波器输出的红外图像的细节层子图像，若n＝2，则i2可以为可见光图像，b2可以为双边偏微分滤波器输出的可见光图像的基础层子图像，d2可以为双边偏微分滤波器输出的可见光图像的细节层子图像。
[0085]
作为一种可选的实施例方式，步骤s104，对多张基础层子图像进行融合计算得到多张基础层图像，包括：基于显著性检测对经过双边滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第一基础层图像；基于显著性检测对经过双边纹理滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第二基础层图像；基于显著性检测对经过双边偏微分滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第三基础层图像。
[0086]
在该实施例中，可以通过显著性检测对经过双边滤波器处理得到的红外图像的基础层子图像(b11)和可见光图像的基础层子图像(b21)进行融合，得到第一基础层图像(bf1)；通过显著性检测可以对经过双边纹理滤波器处理得到的红外图像的基础层子图像(b12)和可见光图像的基础层子图像(b22)进行融合，得到第二基础层图像(bf2)；通过显著性检测可以对经过双边偏微分滤波器处理得到的红外图像的基础层子图像(b13)和可见光图像的基础层子图像(b23)进行融合，得到第三基础层图像(bf3)。
[0087]
可选地，对三种滤波器下的红外图像与可见光图像的基础层子图像可以通过聚类算法进行显著性检测，实现两种图像融合，其中，聚类算法可以为k均值聚类算法(k-means聚类算法)、基于密度的空间聚类算法或谱聚类算法等算法。需要说明的是，此处仅为举例说明，不对显著性检测的方法及聚类的具体算法做限制，只要是通过对红外图像与可见光的基础层子图像进行显著性检测实现二者融合的方法和过程均在本发明实施例的保护范围之内。
[0088]
可选地，为了保留可见光图像的基础层子图像的色度和饱和度，且由于红外图像的基础层子图像为黑白，主要成像在于亮度，因此，色度和饱和度几乎可以忽略，可以将红外图像与可见光图像的基础层子图像由颜色空间(red green blue，简称为rgb)变换到色彩模型空间(hue-saturation-value，简称为hsv)，对于红外图像和可见光的基础层子图像的亮度分量，可以通过聚类算法进行显著性检测，从而保留两种子图像中显著性高的部分，得到红外图像和可见光图像的显著基础层子图像，并将红外图像的显著基础层子图像与可见光图像的显著基础层子图像融合为基础层图像。
[0089]
可选地，本发明实施例引入一种简单有效的显著性检测方法来提取红外图像和可见光图像的基础层子图像的视觉显著性，得到两种图像的显著基础层子图像，可以先通过
聚类算法将基础层子图像进行聚类得到多个簇，比如，可以通过k-means聚类算法进行聚类，然后可以通过如下公式对基础层子图像中的每个簇进行显著性检测：
[0090][0091]
其中，s可以表示显著性检测结果，k可以表示聚类簇数，u可以为像素，ck用于表示第k个聚类中心。
[0092]
可选地，经过上述步骤可以得到经过显著性检测的红外图像的显著基础层子图像和可见光的显著基础层子图像，可以将上述显著基础层子图像通过如下公式进行融合：
[0093]va
＝v1×
p1 v2×
p2[0094]
其中，va可以表示红外图像与可见光图像的显著基础层子图像融合得到的图像，v2可以表示可见光图像的显著基础层子图像，p1和p2可以通过如下公式表示：
[0095][0096]
其中，s1与s2可以为饱和度分量。
[0097]
可选地，对上述公式融合得到的图像可以从hsv空间逆变换为rgb空间，从而得到基础层图像。
[0098]
举例而言，可以将双边滤波器中输出的红外图像的基础层子图像与可见光图像的基础层子图像通过k-means算法进行聚类，得到多个簇，可以对每个簇进行显著性检测，得到双边滤波器的红外图像的显著基础层子图像与可见光图像的显著基础层子图像融合得到的图像，可以将该图像从hsv空间逆变换到rgb空间，得到第一基础层图像。
[0099]
作为一种可选的实施例方式，步骤s104，对多张基础层图像进行权重计算得到目标基础图像，包括：对第一基础层图像、第二基础层图像和第三基础层图像进行平均分配处理，得到目标基础层图像。
[0100]
在该实施例中，可以对第一基础层图像(bf1)、第二基础层图像(bf2)和第三基础层图像(bf3)进行平均分配权重，基于权重分配后的三种图像可以进行加权求和，可以得到目标基础层图像(bf)。
[0101]
可选地，目标基础层图像可以通过如下公式对三种基础层图像进行权重分配：
[0102][0103]
其中，bf可以用于表示目标基础层图像，bf1可以用于表示第一基础层图像，bf2可以用于表示第二基础层图像，bf3可以用于表示第三基础层图像。
[0104]
作为一种可选的实施例方式，步骤s104，对多张细节层子图像进行融合计算得到多张细节层图像，且对多张细节层图像进行加权求和，得到目标细节层图像，包括：对经过双边滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第一细节层图像；对经过双边纹理滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第二细节层图像；对经过双边偏微分滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第三细节层图像；对第一细节层图像、第二细节层图像和第三细节层图像进行平均分配计算，得到目标细
节层图像。
[0105]
在该实施例中，可以通过引导滤波对经过双边滤波器处理得到的红外图像的细节层子图像(d11)和可见光图像的细节层子图像(d21)进行融合，得到第一细节层图像(df1)；通过引导滤波可以对经过双边纹理滤波器处理得到的红外图像的细节层子图像(d12)和可见光图像的细节层子图像(d22)进行融合，得到第二细节层图像(df2)；通过引导滤波对经过双边偏微分滤波器处理得到的红外图像的细节层子图像(d13)和可见光图像的细节层子图像(d23)进行融合，得到第三细节层图像(df3)，可以对第一细节层图像、第二细节层图像和第三细节层图像进行平均分配权重，基于权重分配后的三种图像可以进行加权求和，可以得到目标细节层图像(df)。
[0106]
可选地，为了保留可见光图像与红外图像的细节层子图像的纹理的有效部分，可以采用改进的绝对值最大方式融合两种细节层子图像的纹理，其中，绝对值最大方式可以通过如下公式保留细节层子图像的纹理：
[0107][0108]
其中，m(i，j)可以为对两种图像的细节层子图像融合得到的图像，d1与d2可以为纹理分量。
[0109]
可选地，由于只通过绝对值最大方式融合两种图像的细节层子图像可能会造成不一致性导致视觉效果差，为解决上述问题，本发明实施例可以引入引导滤波，引导滤波可以通过如下公式融合两种细节层子图像得到细节层图像：
[0110]
ta＝guidedfiltering(m，i2，r，ε)
[0111]
其中，ta可以为细节层图像，若a＝1，则t1可以为第一细节层图像，若a＝2，则t2可以为第二细节层图像，若a＝3，则t3可以为第三细节层图像guidedfiltering可以为引导滤波算法，m为上述绝对值最大方式中计算得到的图像，i2为可见光图像，r和ε分别为引导滤波的滤波尺度和模糊程度。
[0112]
举例而言，可以将双边纹理滤波器中输出的红外图像的细节层子图像与可见光图像的细节层子图像通过绝对值最大方式和引导滤波进行融合，可以得到第二细节层图像。
[0113]
可选地，目标细节层图像可以通过如下公式对三种细节层图像进行权重分配：
[0114][0115]
其中，df可以用于表示目标细节层图像，df1可以用于表示第一细节层图像，df2可以用于表示第二细节层图像，df3可以用于表示第三细节层图像。
[0116]
在本发明实施例中，获取车辆在行驶过程中的路况图像，其中，路况图像包括车辆在行驶过程中的路况信息；分别对车辆在同一时刻的路况图像中的红外图像和路况图像中可见光图像进行分解处理，得到多张基础层图像和多张细节层图像；对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像；将目标基础层图像和目标细节层图像进行相加，得到目标图像。也就是说，本发明实施例在车辆行驶过程中，采集车辆周围的路况图像，提取其中的红外图像和可见光图像，可以通过多种分解方法对红外图像和路况图像进行分解处理，得到基础层图像和细节层图像，分别对基础层图像和细节层图像加权求和，可以得到目标基础层图像和目标细节层图像，
通过目标基础层图像与目标细节层图像求和可以得到目标图像，从而解决了图像显示效果差的技术问题，实现了提高图像显示效果的技术效果。
[0117]
实施例2
[0118]
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
[0119]
目前，汽车夜间行车时前大灯的使用不当会造成对面来车的司机产生晕光现象，短时看不清道路而产生交通事故，车灯晕光是除了酒驾、疲劳驾驶之外的另一个造成夜间事故高发的重要原因。
[0120]
相关技术根据红外热成像原理，温度越高的地方，辐射出的红外线越多越溶蚀成像，并且对可见光不敏感，因此，红外图像能保证驾驶员不受对面行驶车辆的前大灯影响，然而红外图像存在颜色单一、图像细节信息确定严重等问题，比如车辆颜色、车牌号码和道路环境等信息。
[0121]
在一种相关技术中，规定了一种三种尺度分解的红外与可见光图像融合方法，该方法包括：可以通过对可见光图像与红外线图像进行三种尺度的分解，分解为背景亮度层、显著特征层和细节层，并对不同分解层采用不同融合方法进行融合，将各融合后的分解层加和再优化，最终得到目标融合图像，其步骤简单、省时，保证了红外与可见光图像融合的实时性，并且保留了背景亮度信息，从而提高了融合图像的质量，融合质量好、效果佳。
[0122]
在另一种相关技术中，规定了一种基于视觉显著性的红外与可见光图像融合方法及系统，包括：对红外线和可见光图像进行多尺度分解；对每个尺度下的红外高频子带图像和可见光高频子带图像进行多方向分解，对红外图像与可见光图像进行显著性检测；根据红外图像和可见光图像的显著性检测结果对红外低频子带图像与可见光低频子带图像进行融合；对融合后的低频子带图像和每个尺度下的每个方向的融合后的高频子带图像进行多尺度逆变换得到最终的融合图像。通过上述融合方法得到了红外与可见光的视频图像融合后的光谱信息，使视频图像中提供的信息更加丰富。
[0123]
但是，上述方法仍存在图像显示效果差的技术问题。
[0124]
然而，本发明提出了一种基于多元分解的汽车抗晕光方法，该方法采用三种分解方式(双边纹理滤波器分解、双边滤波器分解和双边偏微分滤波器分解)将可见光图像和红外图像分解为基础层和细节层，得到三组基础层图像和三组细节层图像；再通过基础层融合方法(显著性检验)对三组基础层图像进行融合，以保留图像的对比度信息，同时避免伪边缘现象产生，得到三个基础层融合图像；通过细节层融合方法(绝对值最大法)对三组细节层图像进行融合，得到三个细节层融合图像；后采用权重分配法将三个基础层图像融合为一张融合基础层图像，将三个细节层图像融合为一张融合细节层图像；最后，将融合细节层和融合基础层重构到的最终的融合图像，从而解决了图像显示效果差的技术问题，实现了提高图像显示效果的技术效果。
[0125]
下一步对本发明实施例的图像的处理方法进行进一步地介绍。
[0126]
图2是根据本发明实施例的一种基于多元分解的车辆抗晕光方法的流程图，如图2所示，该方法可以包括如下步骤：
[0127]
步骤s202，对路况图像进行分解得到基础层子图像与细节层子图像。
[0128]
在本发明上述步骤s202提供的技术方案中，可以通过三种滤波器对路况图像中的红外图像和可见光图像进行分解，得到红外图像的三种基础层子图像和可见光图像的三种
细节层子图像。
[0129]
可选地，图3是根据本发明实施例的一种图像融合框架的示意图，如图3所示，红外图像i1可以通过分解方法1分解得到基础层子图像b11与细节层子图像d11，通过分解方法2可以分解得到基础层子图像b12与细节层子图像d12，通过分解方法3可以得到基础层子图像b13与细节层子图像d13，可见光图像i2可以通过分解方法1分解得到基础层子图像b21与细节层子图像d21，通过分解方法2可以分解得到基础层子图像b22与细节层子图像d22，通过分解方法3可以分解得到基础层子图像b23与细节层子图像d23，基础层子图像b11与基础层子图像b21可以融合得到第一基础层图像bf1，基础层子图像b12与基础层子图像b22可以融合得到第二基础层图像bf2，基础层子图像b13与基础层子图像b23可以融合得到第三基础层图像bf3，细节层子图像d11与细节层子图像d21可以融合得到第一细节层图像df1，细节层子图像d12与细节层子图像d22可以融合得到第二细节层图像df2，细节层子图像d13与细节层子图像d23可以融合得到第三细节层图像df3，其中，第一基础层图像bf1、第二基础层图像bf2和第三基础层图像bf3可以根据权重分配求和得到目标基础层图像bf，第一细节层图像df1、第二细节层图像df2和第三细节层图像df3可以根据权重分配求和得到目标细节层图像df，最终，目标基础层图像bf与目标细节层图像df可以重构得到目标图像f。
[0130]
可选地，采用双边滤波器是可以通过滤波权重计算在红外图像和可见光图像区域内的像素与中心像素的灰度差得到，该方法具有简单性、有效性和可扩展性，可以通过以下公式定义从双边滤波器输出的基础层子图像：
[0131][0132]
其中，bu可以用于表示双边滤波器输出的像素u处的基础层子图像，可以为红外图像的基础层子图像或可见光图像的基础层子图像，ku为正则项，ωu为空间邻域，iv可以用于表示红外图像或可见光图像，若v＝1，则i1可以为红外图像，若v＝2，则i2可以为可见光图像。
[0133]
可选地，从双边滤波器中输出的细节层子图像可以为路况图像与双边滤波器输出的基础层子图像的差值，可以通过以下公式确定：
[0134]dn
＝i
n-bn[0135]
其中，in可以用于表示路况图像中的红外图像或可见光图像，若n＝1，则i1可以为红外图像，若n＝2，则i2可以为可见光图像，dn可以用于表示与in对应的双边滤波器输出的细节层子图像，bn可以用于表示与in对应的双边滤波器输出的基础层子图像。
[0136]
可选地，采用双边纹理滤波器可以对路况图像中的红外图像和可见光图像进行分解，得到基础层子图像和细节层子图像，可以通过以下公式表示从双边纹理滤波器输出的基础层子图像：
[0137][0138]
其中，bu可以用于表示双边纹理滤波器输出的像素u处的基础层子图像，空间核函数f与范围核函数g是典型的高斯函数，像素u处的基础层子图像bu为iv在空间邻域ωu中的加权平均值，gu可以为以u为中心的矩形块ωu中的局部像素。
[0139]
可选地，从双边纹理滤波器中输出的细节层子图像可以为路况图像与双边纹理滤波器输出的基础层子图像的差值，可以通过以下公式确定：
[0140]dn
＝i
n-bn[0141]
其中，若n＝1，则i1可以为红外图像，b1可以为双边纹理滤波器输出的红外图像的基础层子图像，d1可以为双边纹理滤波器输出的红外图像的细节层子图像，若n＝2，则i2可以为可见光图像，b2可以为双边纹理滤波器输出的可见光图像的基础层子图像，d2可以为双边纹理滤波器输出的可见光图像的细节层子图像。
[0142]
可选地，由上述公式可以得出，图像g的设计对图像融合的改进结果的优劣的影响比重很大，gu的值可以通过分析以u为中心的矩形块ωu中的局部像素统计来定义，由于ωu含有纹理和结构，单纯的像素统计可以会掩盖图像的显著边缘或区域边界的存在，为了克服这一限制，双边纹理滤波器可以引入块位移(patch shift)的方法，该方法可以使得图像g为结构边缘的可能性最小。若每个块的大小均为k
×
k，则图像中每个像素u均有k2个块，且包含u，在该k2个块中，可以选择包括显著结构可能性最小的块ωv，若找到具备此显著特性的ωv，可以计算该块区域中像素点的平均强度bv作为纹理描述图像gu在u处的像素值。
[0143]
可选地，对于双边滤波器的范围核函数g中的部分对于滤波效果非常重要，传统的双边滤波器可以使用输出图像作为图像处理的关键步骤，本发明实施例可以基于偏微分方程的方法对双边滤波器进行改进，采用双边偏微分滤波器可以以微分路况图像作为输入图像，通过以下公式可以表示从双边偏微分滤波器输出的基础层子图像：
[0144][0145]
其中，bu可以用于表示双边纹理滤波器输出的像素u处的基础层子图像，空间核函数f与范围核函数g是典型的高斯函数，微分路况图像l可以由四阶偏微分模型得到，其优点在于对噪声不敏感且边缘检测能力强。
[0146]
可选地，上述四阶偏微分模型可以通过如下公式进行表示：
[0147][0148][0149]
其中，可以采用有限中心差法对四阶偏微分模型进行离散，再沿横坐标和纵坐标方向对四阶偏微分模型进行求导后进行离散，可以通过如下公式进行表示：
[0150][0151]
其中，可以为经过求导与离散化后得到的四阶偏微分模型，i可以为横坐标，j可以纵坐标，可以表示第p个四阶偏微分模型，h可以表示色调参数
[0152]
可选地，从双边偏微分滤波器中输出的细节层子图像可以为路况图像与双边偏微分滤波器输出的基础层子图像的差值，可以通过以下公式确定：
[0153]dn
＝i
n-bn[0154]
其中，若n＝1，则i1可以为红外图像，b1可以为双边偏微分滤波器输出的红外图像的基础层子图像，d1可以为双边偏微分滤波器输出的红外图像的细节层子图像，若n＝2，则i2可以为可见光图像，b2可以为双边偏微分滤波器输出的可见光图像的基础层子图像，d2可以为双边偏微分滤波器输出的可见光图像的细节层子图像。
[0155]
步骤s204，对基础层子图像进行融合，得到基础层图像。
[0156]
在本发明上述步骤s204提供的技术方案中，为了保留可见光图像的基础层子图像的色度和饱和度，由于红外图像的基础层子图像为黑白，主要成像在于亮度，因此，色度和饱和度几乎可以忽略，可以将红外图像与可见光图像的基础层子图像由颜色空间变换到色彩模型空间，对于红外图像和可见光的基础层子图像的亮度分量，可以通过聚类算法进行显著性检测，从而保留两种子图像中显著性高的部分，并将红外图像的基础层子图像与可见光图像的基础层子图像融合为基础层图像。
[0157]
可选地，本发明实施例引入了一种简单有效的显著性检测方法来提取红外图像和可见光图像的视觉显著性，从而得到红外图像的基础层图像和可见光图像的基础层图像，首先，可以对红外图像的基础层子图像通过聚类算法进行聚类得到簇，比如，可以通过k-means聚类算法，其次可以对每个簇进行显著性计算，可以通过如下公式对每个簇进行显著性计算：
[0158][0159]
其中，s可以表示显著性检测结果，k可以表示聚类簇数，u可以为像素，ck用于表示第k个聚类中心。
[0160]
可选地，经过上述步骤可以得到经过显著性检测的红外图像的显著基础层子图像和可见光的显著基础层子图像，可以将上述显著基础层子图像通过如下公式进行融合：
[0161]va
＝v1×
p1 v2×
p2[0162]
其中，va可以表示融合图像，v2可以表示可见光图像的显著基础层子图像，p1和p2可以通过如下公式表示：
[0163][0164]
可选地，对上述公式得出的融合图像可以从hsv空间逆变换为rgb空间，从而得到基础层图像。
[0165]
步骤s206，对细节层子图像进行融合，得到细节层图像。
[0166]
在本发明上述步骤s206提供的技术方案中，为了保留图像的纹理的有效部分，可以采用改进的绝对值最大方式对可见光图像与红外图像的细节层子图像进行融合，其中，其中，绝对值最大方式可以通过如下公式保留细节层子图像的纹理：
[0167][0168]
其中，m(i，j)可以为计算得到的初始决策图。
[0169]
可选地，由于仅通过绝对值最大方式得到决策图可能会造成空间不一致性导致视
觉效果差，从而存在图像显示效果差的技术问题，因此，可以引入引导滤波方法来解决上述视觉效果差的问题，引导滤波通过如下公式计算：
[0170]
t＝guidedfiltering(m，i2，r，ε)
[0171]
其中，guidedfiltering可以为引导滤波算法，m为上述绝对值最大方式中计算得到的初始决策图，i2为可见光图像，r和ε分别为引导滤波的滤波尺度和模糊程度。
[0172]
步骤s208，通过对基础层图像与细节层图像分别进行权重分配，得到目标基础层和目标细节层。
[0173]
在本发明上述步骤s208提供的技术方案中，为了保留上述三种分解方式的优点，可以采用平均分配法将基础层子图像结合得到目标基础层。将细节层子图像结合得到目标细节层。
[0174]
可选地，目标基础层图像可以通过如下公式对三种基础层图像进行权重分配：
[0175][0176]
其中，bf可以用于表示目标基础层图像，bf1可以用于表示第一基础层图像，bf2可以用于表示第二基础层图像，bf3可以用于表示第三基础层图像。
[0177]
可选地，目标细节层图像可以通过如下公式对细节层子图像进行权重分配：
[0178][0179]
其中，df可以用于表示目标细节层图像，df1可以用于表示双边滤波器输出的细节层子图像，df2可以用于表示双边纹理滤波器输出的细节层子图像，df3可以用于表示双边偏微分滤波器输出的细节层子图像。
[0180]
步骤s210，基于目标基础层图像和目标细节层图像确定目标图像。
[0181]
在本发明上述步骤s210提供的技术方案中，可以通过对目标基础层和目标细节层融合，从而得到目标图像。
[0182]
可选地，目标基础层与目标细节层相加可以得到目标通过，可以通过如下公式表示：
[0183]
f＝bf df
[0184]
其中，f可以用于表示目标图像。
[0185]
可选地，图4是根据本发明实施例的一种基础层图像融合框架的示意图，如图4所示，红外图像的基础层子图像b1在色彩模型空间中可以存在色调参数h1、饱和度参数s1和明度参数v1，可以对明度参数v1进行显著性检测，并与饱和度参数s1进行显著性比较，可以得到红外图像融合基础层子图像p1，可见光图像的基础层子图像b1在色彩模型空间中可以存在色调参数h2、饱和度参数s2和明度参数v2，可以对明度参数v2进行显著性检测，并与饱和度参数s2进行显著性比较，可以得到可见光融合基础层子图像p2，红外图像融合基础层子图像p1与可见光融合基础层图像p2可以融合得到基础层融合图像v，可以将饱和度参数s2与色调参数h2逆变换，从而基于基础层融合图像v与逆变换得到目标基础层图像bf。
[0186]
本发明实施例通过对车辆在行驶过程中，采集车辆周围的路况图像，提取其中的红外图像和可见光图像，可以通过多种分解方法对红外图像和路况图像进行分解处理，得到基础层图像和细节层图像，分别对基础层图像和细节层图像加权求和，可以得到目标基
础层图像和目标细节层图像，通过目标基础层图像与目标细节层图像求和可以得到目标图像，以达到单一分解方法无法达到的图像显示效果，从而解决了图像显示效果差的技术问题，实现了提高图像显示效果的技术效果。
[0187]
实施例3
[0188]
根据本发明实施例，还提供了一种图像的处理装置。需要说明的是，该图像的处理装置可以用于执行实施例1中的图像的处理方法。
[0189]
图5是根据本发明实施例的一种图像的处理装置的示意图。如图5所示，该图像的处理装置500可以包括：获取单元502、第一处理单元504、第二处理单元506和第三处理单元508。
[0190]
获取单元502，用于获取车辆在行驶过程中的路况信息，其中，路况图像包括车辆在行驶过程中的路况信息。
[0191]
第一处理单元504，用于分别对车辆在同一时刻的路况图像中的红外图像和路况图像中的可见光图像进行分解处理，得到多张基础层图像和多张细节层图像。
[0192]
第二处理单元506，用于对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像。
[0193]
第三处理单元508，用于将目标基础层图像和目标细节层图像进行相加，得到目标图像。
[0194]
可选地，第一处理单元504可以包括：分解模块，用于分别对红外图像和可见光图像进行分解，得到多张基础层子图像和多张细节层子图像；融合计算模块，用于对多张基础层子图像进行融合计算得到多张基础层图像，且多张细节层子图像进行融合计算得到多张细节层图像。
[0195]
可选地，分解模块可以包括：第一分解子模块，用于通过双边滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层子图像和可见光图像的基础层子图像；第一计算子模块，用于分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外图像的细节层子图像和可见光图像的细节层子图像。
[0196]
可选地，分解模块可以包括：第二分解子模块，用于通过双边纹理滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层图像和可见光图像的基础层子图像；第二计算子模块，用于分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外光图像的细节层子图像和可见光图像的细节层子图像。
[0197]
可选地，分解模块还可以包括：第三分解子模块，用于通过双边偏微分滤波器分别对红外图像和可见光图像进行分解，得到红外图像的基础层子图像和可见光图像的基础层子图像；第三计算子模块，用于分别计算路况图像和红外图像的基础层子图像、路况图像和可见光图像的基础层子图像的差值，得到红外图像的细节层子图像和可见光图像的细节层子图像。
[0198]
可选地，第一处理单元504可以包括：第一显著性检测模块，用于基于显著性检测对经过双边滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第一基础层图像；第二显著性检测模块，用于基于显著性检测对经过双边纹理
滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第二基础层图像；第三显著性检测模块，用于基于显著性检测对经过双边偏微分滤波器处理得到的红外图像的基础层子图像和可见光图像的基础层子图像进行计算，得到第三基础层图像。
[0199]
可选地，第一处理单元504可以包括：平均分配模块，用于对第一基础层图像、第二基础层图像和第三基础层图像进行平均分配处理，得到目标基础层图像。
[0200]
可选地，融合计算模块可以包括：第一引导滤波处理子模块，用于对经过双边滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第一细节层图像；第二引导滤波处理子模块，用于对经过双边纹理滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第二细节层图像；第三引导滤波处理子模块，用于对经过双边偏微分滤波器处理得到的红外图像的细节子图像和可见光图像的细节子图像进行引导滤波，得到第三细节层图像；平均分配计算模块，用于对第一细节层图像、第二细节层图像和第三细节层图像进行平均分配计算，得到目标细节层图像。
[0201]
根据本发明实施例中，通过获取单元获取车辆在行驶过程中的路况信息，其中，路况图像包括车辆在行驶过程中的路况信息；通过第一处理单元分别对车辆在同一时刻的路况图像中的红外图像和路况图像中的可见光图像进行分解处理，得到多张基础层图像和多张细节层图像；通过第二处理单元对多张基础层图像进行加权求和，得到目标基础层图像，且对多张细节层图像进行加权求和，得到目标细节层图像；通过第三处理单元将目标基础层图像和目标细节层图像进行相加，得到目标图像，从而解决了图像显示效果差的技术问题，实现了提高图像显示效果的技术效果。
[0202]
实施例4
[0203]
根据本发明实施例，还提供了一种计算机可读存储介质，该存储介质包括存储的程序，其中，所述程序执行实施例1中所述的图像的处理方法。
[0204]
实施例5
[0205]
根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的图像的处理方法。
[0206]
实施例6
[0207]
根据本发明实施例，还提供了一种车辆，该车辆用于执行本发明实施例的图像的处理方法。
[0208]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0209]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0210]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0211]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0212]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0213]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0214]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。