1.一种基于生物视觉机制的夜间交通图像增强方法，其特征在于，包括：S1、利用行车记录仪获取不同场景的夜间交通图像，构建数据集，根据图像的亮度对数据集进行划分；步骤S1所述的根据图像的亮度对数据集进行划分，具体为：将亮度值大于185400的图像，划分至：“01”类别；

将亮度值大于121500且小于或等于185400的图像，划分至：“02”类别；

将亮度值大于0且小于121500的图像，划分至：“03”类别；

S2、根据S1对图像所分类别和图像本身的亮度和局部对比度，将其作为向量训练基于高斯径向基核函数的支持向量机，以构建夜间交通图像分类器；

S3、根据步骤S2建立的夜间交通图像分类器对图像进行分类，每个类别调用对应的图像增强算法对夜间交通图像进行增强，最后输出增强后的图像；

“01”类图像的图像增强算法的实现过程为：将待增强的图像进行图像分解，得到高频细节分量和低频亮度分量；

高频细节分量采用噪声抑制策略进行处理；

低频亮度分量的处理过程为：先将图像从RGB通道转换为HSV通道，然后对V通道图像进行对数变换；然后将HSV通道图像变换回RGB通道图像；

最后将处理后的高频细节分量和低频亮度分量进行叠加得到增强后的图像；

“02”类图像的图像增强算法的实现过程为：将待增强的图像进行图像分解，得到高频细节分量和低频亮度分量；

高频细节分量采用噪声抑制策略进行处理；

低频亮度分量的处理过程为：采用RGB进行采样，三个通道的图像采样模拟生物视觉处理中的视杆细胞和视锥细胞，其中，fR(x，y)、fG(x，y)、fB(x，y)分别为三个通道的图像采样，HCin表示输入水平细胞的信号，HCback为经水平细胞处理后的输出图像， 为二维高斯函数模拟的水平细胞，σL(x，y)、σc(x，y)为高斯函数方差；

水平细胞对视锥信号的增强控制由Naka‑Rushton经验公式描述：为水平细胞的输出，即HCback；m为所有像素的平均亮度，s为所有像素的标准差；

然后水平细胞将增强后的信号传递给双极细胞，双极细胞输出增强后的包含亮度的低频图像BCoutc(x，y)：其中，“*”表示卷积， 为利用二维高斯函数建模的双极细胞中心感受野，为利用二维高斯函数建模的双极细胞外周感受野，k为一个取值范围为[0，1]的权值；

最后将处理后的高频细节分量和低频亮度分量进行叠加得到增强后的图像；

“03”类图像的图像增强算法的实现过程为：将待增强的图像进行图像分解，得到高频细节分量和低频亮度分量；

高频细节分量采用噪声抑制策略进行处理；

低频亮度分量的处理过程为：将RGB图像进行通道变换为HSV图像，提取V通道图像进行自适应gamma校正；自适应gamma校正根据图像的亮度自适应取gamma值实现对图像的gamma校正；

然后将V通道增强后，将HSV图像还原为RGB图像；

最后将处理后的高频细节分量和低频亮度分量进行叠加得到增强后的图像。

2.根据权利要求1所述的一种基于生物视觉机制的夜间交通图像增强方法，其特征在于，还包括计算图像的亮度值，计算过程为：将图像从RGB通道转换为HSV通道，提取V通道图像，把V通道图像的所有像素求和得到图像的亮度值。

3.根据权利要求2所述的一种基于生物视觉机制的夜间交通图像增强方法，其特征在于，步骤S2具体为：利用图像分类的类别信息作为标签，图片本身亮度和局部对比度作为图像的特征，利用图像的特征和标签组成的向量训练基于高斯径向基核函数的支持向量机，从而得到夜间交通图像分类器。

4.根据权利要求3所述的一种基于生物视觉机制的夜间交通图像增强方法，其特征在于，σL(x，y)、σc(x，y)的值确定方式为：其中，n＝L或c，sigma是预定义参数， 表示被处理图像中的像素点。

5.根据权利要求3所述的一种基于生物视觉机制的夜间交通图像增强方法，其特征在于，gamma取值如下：其中，Iin为输入待增强的亮度通道图像，Iout为经过校正增强后的亮度通道图像，lum为图像的亮度值。

6.根据权利要求1或5所述的一种基于生物视觉机制的夜间交通图像增强方法，其特征在于，噪声抑制策略实现过程为：将图像分解出来的高频细节分量与二维高斯函数进行卷积得到一个权重图，然后将权重图与分解出来的高频细节分量进行逐像素相乘即得到噪声抑制后的高频图像。