行车记录仪现在已经在各种车辆上普及使用,其行车影像具有十分广泛的用途,如停车监控、司法取证等。但受光照、采集设备等诸多因素的影像,目前市场上的部分行车记录仪采集到的视频图像面临着一些问题:一是在夜间低照度下采集到的图像质量严重恶化,如内容模糊不清、细节严重丢失、产生噪声、色彩失真等;二是在白天采集到的图像存在边缘模糊、图像分辨率低等特点。提高夜间图像质量和图像分辨率最直接的做法就是对行车记录仪系统中的硬件进行改造,但这样成本高、制造工艺不容易改进。因此,从算法的角度实现低照度图像增强和图像超分辨率重建成为图像处理和计算机视觉等领域的研究热点。为得到具有夜间清晰和边缘锐化、无成块模糊的理想高分辨率图像,本文针对行车影像中单幅图像增强和超分辨率重建开展研究,主要内容如下:(1)针对夜间低照度下采集到的影像,本文首先使用四种传统的经典算法进行了仿真实验;其次针对传统算法中不能很好的保留图像细节的问题,本文在Retinex方法的启发下,使用改进的卷积神经网络的方法对图像进行分解,并对分解出的光照图像做了直方图均衡化处理,对反射图像做了去噪处理,得到的图像对比度和保真效果有了显著的提升;考虑到卷积神经网络的训练需要成对的数据集,众所周知,同一场景下的成对图像数据采集面临着挑战,故本文首先采集了15000张行车数据集并进行了数据增强,其次使用无监督的方法(不需要成对数据集)实现了对低照度图像的增强,并从主观和客观两方面对增强图像进行了测评,测评结果显示图像质量得到了明显的提升。(2)针对低照度下拍摄的图像噪声被放大的情况,本文对现有的去噪技术进行了分析。本文首先采用双边滤波去噪的方法进行了仿真实验,该方法在图像去噪处理时间上具有绝对的优势;其次搭建了基于卷积神经网络的模型对图像噪声进行处理,使用该算法进行了仿真实验,并对其性能进行了评估,仿真实验结果得出该算法处理的噪声图像与原始噪声图像相比,峰值信噪比提升了4.15d B,结构相似度提升了28%。(3)针对采集到的图像边缘模糊,局部成块模糊、分辨率低的特点,本文研究了图像采样的可逆性,采用拉普拉斯的方法进行了仿真实验;针对其有限的效果,进一步采用生成对抗网络的方法对单幅低分辨率图像进行了超分辨率重建;最后研究了视频中帧与帧之间不连贯、不逼真的问题,采用生成对抗网络对视频超分辨率进行了重建。