用于SLAM的图像增强算法

Posted on In , Views: Disqus:

罗汉杰. 图像增强方法、装置、计算机设备和存储介质 [P]. 中国专利: CN109801244A,2019-05-24.
Github: https://github.com/HanjieLuo/Image-Enhancement-for-SLAM

Introduction

在使用Semi-direct Method1跑Euroc Dataset的v103数据时，发现效果很不好。导致错误的主要的原因有：图片太暗，对比度太低；图片亮度变化很大（不限于帧间，左右目有时候也会出现亮度不一致的情况）。于是，需要对输入图像进行预处理，提高图片的对比度，并且使得进行跟踪的两张图片亮度一致。

对于提高图片的对比度，最简单的方法是使用直方图均衡化。不过直方图均衡化有一些很明显的缺点，如变换后细节消失；不自然的过分增强。对于SLAM系统，往往会在过份增强的纹理上提取出一些关键点，而这些关键点我们认为是不稳定的（如下图的窗帘）。

所以，我们需要一种更加先进的图像增强算法用于SLAM的图像预处理。

image_enhancement1

根据BIMEF2算法提供的对比程序，我们测试了几个图像增强算法的结果。根据对比，我们认为LIME3算法无论在增强效果还有速度上都有较好的表现。

image_enhancement2
image_enhancement3

Image Enhancement

为了进一步提高算法性能，我们集合了LIME4和FGS5滤波算法，提出了一种新的图像增强算法。下图展现了增强算法的增强结果： image_enhancement4

为了满足SLAM系统的需求，我们对于增强图再进行了一次去噪还有对比度增强处理：

image_enhancement5 image_enhancement6

我们对参考帧和当前帧图像进行图像增强处理。经过处理后，两者的亮度差异已经变很小了。然后，我们再对当前帧进行线性变换，使得当前帧的平均灰度值和均方差与参考帧一致，从而达到亮度一致的目的。

Experiment

根据下图可以看出，我们的算法能够很好地恢复出图像暗处的纹理，并且对于噪音有比较好的抑止。

enhancement7

为验证图像增强算法对于Semi-direct Method的影响，我们设计了一个对比实验，分别对数据图片进行图像增强和直方图均衡化操作，并且输入到Semi-direct Method，观察输出的pose与ground truth pose的差异。

实验视频右下角结果窗口中，蓝点为根据Semi-direct Method结果进行的关键点重投影，而绿点是根据ground truth pose进行的重投影，当蓝点变红时，表示此时Semi-direct Method无解或者residual过大。

enhancement8

实验结果表明，我们的图像增强算法能够使得Semi-direct Method在Euroc v103 dataset中正常运行。并且相对于直方图均衡化，我们的图像增强法能够使得Semi-direct Method的结果精度有所提升。

相关博客：用于SLAM的图像增强算法（算法原理）

Github: https://github.com/HanjieLuo/Image-Enhancement-for-SLAM