自主導航農(nóng)業(yè)車輛全景視覺光線的自適應方法研究

李盛輝　周俊　姬長英

摘要：為解決自主導航農(nóng)業(yè)車輛在實際野外作業(yè)中不同環(huán)境光線對全景視覺成像質量的影響問題，提高自主導航的準確性和可靠性，提出全景視覺光線自適應方法。首先，通過數(shù)字成像原理分析、成像曝光控制、成像質量評價，研究視覺成像系統(tǒng)；其次，通過相機響應函數(shù)求取、數(shù)據(jù)匹配與更新、光線自適應曝光時間調整，實現(xiàn)全景視覺光線自適應算法的具體過程。結果表明，改進的光線自適應算法，在正常光線、較強光線、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量；相較于未經(jīng)改進的原始算法，在光線較亮情況下改進的光線自適應算法，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，改進的光線自適應算法，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，改進的光線自適應算法，單次平均耗時036 s，相較于傳統(tǒng)多曝光處理算法，速度平均加快755%。

關鍵詞：全景視覺；農(nóng)業(yè)車輛；光線自適應；成像曝光控制；成像質量評價

中圖分類號： S229文獻標志碼：

文章編號：1002-1302（2017）16-0177-08

收稿日期：2016-11-20

基金項目：江蘇省高校自然科學研究項目（編號：15KJD210002）；江蘇省高?！扒嗨{工程”項目。

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

由于視覺系統(tǒng)能獲得較為細致的環(huán)境信息，同時更接近“人眼”的特性，視覺技術在國內外已成為農(nóng)業(yè)車輛自主導航的關鍵與熱點研究領域，并取得了一定的研究成果[1-6]。而如何解決光線對成像的影響，是視覺系統(tǒng)的難點問題，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雜，為提高成像質量，更好地實現(xiàn)通過多目全景視覺完成農(nóng)業(yè)車輛自主導航，提高導航精度，必須解決系統(tǒng)環(huán)境光線自適應問題。

若在環(huán)境光線過亮的情況下，視覺系統(tǒng)會由于曝光量過大，使成像結果偏白，甚至全白；若在環(huán)境光線過暗的情況下，視覺系統(tǒng)則會由于曝光量過小，使成像結果變暗，甚至全黑。為解決此問題，國內外許多專家學者對此進行了研究。求取相機的響應函數(shù)，是分析曝光量與圖像成像關系的基礎問題，北京理工大學裘溯等通過主成分分析（PCA）算法提取最大特征向量，實現(xiàn)了對相機響應函數(shù)的求取。北京大學章衛(wèi)祥等通過對迭代結束條件的改進，利用不同光線環(huán)境下的多張不同曝光度圖像得到相機響應函數(shù)[8]。在光線較弱的低照度環(huán)境中，如何提高成像質量是研究難點。哈爾濱工業(yè)大學遆曉光等通過暗通道先驗方法對低照度圖像進行增強[9]。清華大學禹晶等利用顏色恒常性的特點，增強了低照度下圖像的視見度[10]。洛桑聯(lián)邦理工學院的Meylan等采用直方圖改進和小波變換算法，對低照度下的圖像進行增強[11]。麻省理工學院Durand等提出了快速的Bilateral Filter算法，以實現(xiàn)不同環(huán)境光線下高動態(tài)范圍的圖像顯示[12]。同時，猶他大學的Reinhard等也對該領域進行了研究。米蘭大學的Rizzi等研究了高動態(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，通過相關算法對圖片進行增強處理，主要應用于較弱光線環(huán)境和對實時性要求不高的情況。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嚴重影響農(nóng)業(yè)車輛視覺自主導航功能的實現(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拼接實現(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，因此對環(huán)境光線影響更為敏感，同時自主導航需要較高的實時性。因此如何研究實現(xiàn)一種實時性較高的多目全景視覺光線自適應方法，直接影響自主導航農(nóng)業(yè)車輛的可靠運行，具有重要的研究價值和意義。

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，隨著電子信息技術的高速發(fā)展和機器人視覺技術的廣泛應用，數(shù)字成像技術由于在圖像信息存儲、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。

11數(shù)字成像原理

本研究中多目全景視覺系統(tǒng)的各相機采用光感應式電荷耦合器件（CCD）傳感器，其成像過程如圖1所示。環(huán)境場景光照度（L），通過相機鏡頭得到進入相機的光照度（E），通過快門控制的曝光時間（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轉換得到相應的數(shù)字量，最后通過重映射過程得到相機輸出數(shù)字量（Z）。

環(huán)境場景光照度（L）與進入相機的光照度（E）的關系可用公式（1）表示：

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

式中：d為相機光圈直徑，f為相機鏡頭焦距，θ為光線與光軸的夾角。其中相機光圈值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）由進入相機的入射光照度（E）和相機曝光時間（T）這2個因素決定，其關系如公式（4）所示：

X=E×T。[JZ）][JY]（4）

圖像亮度與曝光時間，在k時刻的狀態(tài)表示為

Bk=f（Tk，Ek，Gk，F(xiàn)k）。[JZ）][JY]（5）

式中：Bk為k時刻圖像亮度，Tk為k時刻相機曝光時間，Ek為k時刻環(huán)境的光照度，Gk為k時刻相機放大電路增益，F(xiàn)k為k時刻相機光圈值，f為相機響應函數(shù)，則在k+1時刻的狀態(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，相機放大電路增益（G）由相機內部電路結構決定，改變其值將會影響圖像的信噪比，故本研究優(yōu)先選擇改變相機曝光時間（T）和相機光圈值（F）來實現(xiàn)對圖像亮度的控制。

2成像質量評價

成像質量是視覺成像系統(tǒng)的核心問題，同時直接關系到采用視覺技術進行自主導航的可靠性。國內外對成像質量評價參數(shù)的研究，主要分為主觀與客觀兩大類[15-19]。

主觀評價方法是通過圖像觀察者的主觀感受來對圖像質量進行評價打分，雖然該方法評價效果較好，但由于需要大量的人力成本且無法用數(shù)學方法進行建模描述，故無法實際應用于圖像處理過程?？陀^評價方法是通過模型計算得到相關參數(shù)值，對圖像質量進行評價。本研究采用全景視覺的自主導航農(nóng)業(yè)車輛，由于須對視覺圖像信息進行直接處理，得到相關導航信息，需要較高的算法精度，故選取客觀評價方法。

客觀評價方法，如峰值信噪比（PSNR）、均方根誤差（RMSE）、結構相似度（SSIM）等大多數(shù)方法都須要依賴參考圖像，但是在視覺自主導航系統(tǒng)實際應用中，提供無失真的原始圖像（參考圖像）較難實現(xiàn)，同時該類方法由于需要與參考圖像進行比較，較難滿足自主導航系統(tǒng)對視覺圖像處理較高的實時性要求，故本研究選取與參考圖像無關的圖像信息熵和圖像平均梯度對視覺成像質量進行評價。

信息熵用于描述信源信息量的情況，其表達為

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，圖像質量越好，反之，HX越小，說明圖像所含信息量較小，圖像質量越差；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量評價參數(shù)，其表達式為

（{]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的領域灰度均值，f（i，j）表示有序對（i，j）出現(xiàn)的次數(shù)。圖像二維信息熵能更好地通過計算圖像所含信息量大小來評價成像質量。

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

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，其成像質量就越好，表達式為

▽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算法實現(xiàn)

本研究提出的多目全景視覺光線自適應算法，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)的成像質量。

31算法總體流程

圖2為多目全景視覺光線自適應算法的總體流程。首先，對設備進行初始化；其次，對周圍環(huán)境光照度進行采集，并判斷其是否在設定的正常光線范圍內；再次，針對不在設定的正常光線范圍內的情況，計算圖像二維信息熵和圖像平均梯度值，并相應地對數(shù)據(jù)庫進行匹配更新；最后，根據(jù)匹配更新的數(shù)據(jù)，設置新的曝光時間。

32相機響應函數(shù)求取

相機的響應函數(shù)反映了相機成像過程中曝光量與輸出量之間的映射關系，該函數(shù)通常是非線性函數(shù)[20-21]。準確求取標定相機響應函數(shù)，對相機成像系統(tǒng)的分析至關重要。

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為相機輸出的數(shù)字量，f為相機的響應函數(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次曝光時間，Ei為i像素點的入射光照度，Zij為第j次曝光時間條件下i像素點的相機輸出數(shù)字量。假設f為單調函數(shù)，則公式（15）可表示為

f-1（Zij）=EiΔtj。[JZ）][JY]（16）

對公式（16）兩邊同時取自然對數(shù)，則得到公式（17）：

lnf-1（Zij）=lnEi+lnΔtj。[JZ）][JY]（17）

為簡化表達式，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g（）為平滑單調函數(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為相機輸出最小量，Zmax為相機輸出最大量，公式（19）中第2項為g（z）二階導數(shù)的平方和，g″（z）表達式為

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 z≤[SX（]12[SX）]（Zmin+Zmax）時Zmax-z[KG3]當z>[SX（]12（Zmin+Zmax）時[JB）]。（22）

根據(jù)公式（18）得到

lnEi=g（Zij）-lnΔtj。

（23）結合公式（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算法，其目的為通過獲取光照度的數(shù)據(jù)，調節(jié)曝光時間，進而控制曝光量，提高圖像成像質量。根據(jù)公式（16），相機響應函數(shù)反映了相機輸出量與曝光量之間的關系，其中曝光量為曝光強度與曝光時間的乘積，故可得曝光時間與相機輸出量之間的關系。僅通過求取相機響應函數(shù)雖能較準確地進行分析，但需要大量的計算和擬合工作，影響實時性。為更好地解決此問題，本研究建立了光照度與曝光時間的關系數(shù)據(jù)庫，在數(shù)據(jù)匹配時優(yōu)先采用數(shù)據(jù)查表方式，如在數(shù)據(jù)庫中未能獲取其關系時再采用相機響應函數(shù)的方式進行計算，其后根據(jù)傳感采集端回傳的相關數(shù)據(jù)對關系數(shù)據(jù)庫進行更新，該方法能有效地提高匹配運算速度?？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)庫設計存儲的關系量為T、Estd、Emin、Emax 4個，其中T為對應光照度Estd時的曝光時間，考慮到農(nóng)業(yè)車輛在野外環(huán)境下光照度是時刻變化的，為避免頻繁調整曝光時間，影響算法實時性和圖像成像質量，數(shù)據(jù)庫中設定了2個區(qū)間參數(shù)Emin和Emax，光照度在[Emin，Emax]區(qū)間范圍時，根據(jù)“34”節(jié)算法判定依據(jù)仍有可能不改變曝光時間T，正常運行原有程序，能有效地提高算法實時性。同時減少數(shù)據(jù)庫更新記錄次數(shù)，減小數(shù)據(jù)庫，從而加快數(shù)據(jù)索引匹配速度。

34光線自適應曝光時間調整

根據(jù)采集的環(huán)境光照度和“33”節(jié)建立的關系數(shù)據(jù)庫，則能實現(xiàn)光線自適應曝光時間調整，具體步驟如下：

（1）通過安裝于多目全景視覺系統(tǒng)各相機方向的光照度采集硬件模塊，在t時刻，獲取各相機方向的光照度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）計算t時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定的正常二維信息熵，圖像質量較好，執(zhí)行步驟（6）；若Hit

（4）根據(jù)公式（13），計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定的正常平均梯度值，圖像質量較好，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間Tit、Estd、Emin、Emax。

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

（6）生成光線自適應的全景視覺圖像，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，則結束運行。

4系統(tǒng)整體試驗數(shù)據(jù)及分析

試驗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)過電控液壓轉向改造的東方紅SG250型拖拉機為自主導航農(nóng)業(yè)車輛試驗平臺進行試驗。

通過設計進行光線自適應算法成像試驗、主要成像質量指標測試試驗和算法實時性測試試驗，來有效地檢驗本研究中提出的多目全景視覺光線自適應系統(tǒng)的實際運行效果。

41光線自適應算法成像試驗

農(nóng)業(yè)車輛在實際野外工作環(huán)境中，光照度會由于時間、季節(jié)、天氣等因素有較大變化，對視覺自主導航的可靠運行造成影響。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圖像拼接來得到全景視覺圖像，則光照度變化會直接影響全景視覺圖像拼接的成功率，從而影響自主導航功能的實現(xiàn)。試驗分別選取光線正常、光線較強、光線較弱這3種情況進行測試。

如圖3-a所示，在光線較強情況下，由于未經(jīng)改進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算法進行處理后所得到的全景視覺圖像，其成像質量明顯得到改善，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)改進的原始處理算法得到的全景視覺圖像質量較差，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算法進行處理后得到的全景視覺圖像，其成像質量明顯得到改善，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)改進的原始處理算法得到的全景視覺圖像，雖然總體質量也較良好，但通過圖7-b、7-c、7-d、7-e與圖8-b、8-c、8-d、8-e對應直方圖進行比較可以發(fā)現(xiàn)，采用本研究提出的光線自適應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，成像質量較好，得到的全景視覺圖像如圖8-a所示。

42主要成像質量指標測試試驗

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)試驗結果表明，本研究提出的改進光線自適應算法，能在不同光線條件下，有效地提高成像質量。為更系統(tǒng)地測試采用本研究改進的光線自適應算法進行處理的實際圖像的成像質量，在不同光線情況下， 通過分組進行多次試驗，由于像素是圖像的重要參數(shù)，

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

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

選取在1 024×512相同像素圖像情況下進行分析，由表1可見，在光線較亮時，A3組中采用未經(jīng)改進的原始算法處理，其圖像平均二維信息熵為629，平均梯度值為581，而采用本研究改進的光線自適應算法處理后，其圖像二維信息熵為922，平均梯度值為931。在光線較暗時，C3組中采用未經(jīng)改進的原始算法處理，其圖像平均二維信息熵為 732，平均梯度值為472，而采用本研究改進的光線自適應算法處理后，其圖像二維信息熵為958，平均梯度值為813。相較于未經(jīng)改進的原始處理算法，本研究提出的光線自適應處理算法，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的光線自適應算法成像質量略差，但差距不明顯。相較于未經(jīng)改進的原始算法，由于本研究改進的光線自適應處理算法增加了相關處理步驟，在處理時間上會略有增加，但增加幅度較小，能滿足系統(tǒng)實時性需要。

綜合各組試驗數(shù)據(jù)，在光線較亮情況下，未經(jīng)改進的原始算法的圖像平均二維信息熵為624，平均梯度值為574；本研究改進的光線自適應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；本研究改進的光線自適應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算法實時性測試試驗

雖然隨著像素的提高，圖像成像質量也隨之提高，但處理時間也會隨之增加，由于本研究中多目全景視覺系統(tǒng)的目的是為實現(xiàn)農(nóng)業(yè)車輛的自主導航，故必須考慮實時性，實際應用中通常設置512×256像素圖像進行處理。試驗選取512×256像素圖像，在較亮、正常、較暗3種光線情況下進行測試。

由表2可見，選取試驗1進行具體分析，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，單次平均耗時為169 s，本研究改進的光線自適應算法的圖像平均二維信息熵為919，平均梯度值為929，單次平均耗時為036 s，速度加快787%。

綜合各組試驗數(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147 s；本研究改進的光線自適應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 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行算法處理， 故在成像質量上稍好于本研究中改進的光線自適應算法，但同時也造成算法運算耗時較長，不適合應用于對實時性要求較高的視覺導航。相較于傳統(tǒng)多曝光處理算法，本研究改進的光線自適應算法在成像質量差別不大的情況下，速度平均加快了755%。

5結論

（1）本研究提出的光線自適應算法，在正常、較強、較弱的不同光線情況下，所得到的全景視覺圖像，其成像質量明顯得到提高。（2）在光線較亮情況下，本研究改進的光線自適應算法，相較于未經(jīng)改進的原始算法，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，本研究改進的光線自適應算法，相較于未經(jīng)改進的原始算法，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，本研究改進的光線自適應算法單次平均耗時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航的較高實時性要求。

參考文獻：

姬長英，周俊 農(nóng)業(yè)機械導航技術發(fā)展分析[J] 農(nóng)業(yè)機械學報，2014，45（9）：44-54

李進，陳無畏 基于自適應導航參數(shù)的智能車輛視覺導航[J] 農(nóng)業(yè)機械學報，2012，43（6）：19-24

[3]趙博，王猛，毛恩榮，等 農(nóng)業(yè)車輛視覺實際導航環(huán)境識別與分類[J] 農(nóng)業(yè)機械學報，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的相機響應函數(shù)特征化方法研究[J] 北京理工大學學報，2015，35（10）：1085-1089

[8]章衛(wèi)祥，周秉鋒 一個穩(wěn)健的用于HDR圖像的相機響應函數(shù)標定算法[J] 計算機學報，2006，29（4）：658-663

[9]遆曉光，曲悠楊 一種改進的色彩保持低照度圖像增強方法[J] 哈爾濱工業(yè)大學學報，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[J] 自動化學報，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 圖像質量評價方法研究進展[J] 電子與信息學報，2010，32（1）：219-226

[16]王志明 無參考圖像質量評價綜述[J] 自動化學報，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