一种弱光图像增强的方法、系统与相关设备技术方案

一种弱光图像增强的方法、系统与相关设备，所述方法包括以下步骤：S1、构建用于弱光图像增强的弱光图像增强模型；S2、设置所述弱光图像增强模型的自校准参数；S3、设置所述弱光图像增强模型的无监督训练损失；S4、根据所述自校准参数、所述无监督训练损失在预设训练参数下对所述弱光图像增强模型进行训练，并将完成训练的所述弱光图像增强模型用于弱光图像的增强过程。本发明专利技术在弱光图像增强模型中采用权重共享的级联模式，每一个阶段构建了自校准模块，实现了每个阶段结果之间的收敛，通过定义无监督训练损失，在自校准模块的影响下约束每个阶段的输出，提高了弱光图像增强模型在一般场景下的适应力。般场景下的适应力。般场景下的适应力。

【技术实现步骤摘要】
一种弱光图像增强的方法、系统与相关设备


[0001]本专利技术涉及图像处理
，具体涉及一种弱光图像增强的方法、系统与相关设备。

技术介绍

[0002]弱光图像增强旨在使隐藏在图像中黑暗的信息可见，从而提高图像质量，这项技术近年来在多个新兴的计算机视觉领域引起了人们的广泛关注。专注于弱光场景的图像增强，主要是因为弱光场景中的细节比较复杂，难于获取清晰的图像。现有的弱光图像增强技术不仅难以处理视觉质量和计算效率，而且在未知的复杂场景中通常是无效的，因此亟需更好的弱光图像增强的方法。
[0003]现多数研究技术人员由于技术的原因，弱光图像增强的方法采用基于模型或基于网络的方法，而这些增强的方法存在以下问题：一、需要手动调整参数以适应真实的场景，大多情况下容易产生令人不满意的结果；二、实现的增强的性能不稳定，可能会产生非自然的增强，处理细节和曝光的效果不好。

技术实现思路

[0004]本专利技术旨在解决现有技术难以处理弱光图像增强时的视觉质量和计算效率的问题。
[0005]为解决上述问题，第一方面，本专利技术实施例提供了一种弱光图像增强的方法，所述方法包括以下步骤：
[0006]S1、构建用于弱光图像增强的弱光图像增强模型；
[0007]S2、设置所述弱光图像增强模型的自校准参数；
[0008]S3、设置所述弱光图像增强模型的无监督训练损失；
[0009]S4、根据所述自校准参数、所述无监督训练损失在预设训练参数下对所述弱光图像增强模型进行训练，并将完成训练的所述弱光图像增强模型用于弱光图像的增强过程。
[0010]更进一步地，步骤S1中的所述弱光图像增强模型满足如下关系式(1)：
[0011][0012]关系式(1)中，u
t
，X
t
分别表示所述弱光增强图像模型在第t阶段的残差项和照明组件项，y表示弱光观察值，H表示模型架构，θ表示权重参数。
[0013]更进一步地，步骤S2中的所述自校准参数满足如下关系式(2)：
[0014][0015]关系式(2)中，z表示所述弱光图像对应的清晰图像，v
t
是所述弱光增强图像模型
在第t阶段的转换输入，k
θ
是带有所述权重参数的运算符。
[0016]更进一步地，步骤S3中的所述无监督训练损失包括保真度损失和平滑损失，所述保真度损失和所述平滑损失分别满足如下关系式(3)、(4)：
[0017][0018][0019]关系式(3)、(4)中，T表示所述弱光增强图像模型的总阶段数，N表示所述弱光图像的像素总数，N
(i)
表示第i个像素在其预设窗口大小中的相邻像素，w
i,j
代表损失权重值。
[0020]更进一步地，定义所述无监督训练损失为L
t
，所述无监督训练损失L
t
满足如下关系式(5)：
[0021]L
t
＝αL
f
+βL
s
ꢀꢀꢀꢀꢀꢀꢀ
(5)；
[0022]关系式(5)中，α、β表示平衡参数。
[0023]更进一步地，所述预设窗口大小为5
×
5。
[0024]更进一步地，步骤S4中的所述预设训练参数具体为：
[0025]所述弱光图像增强模型的训练轮数为1000轮，训练过程采用ADAM作为优化器，所述优化器的β1参数为0.9，β2参数为0.999，∈参数为10
‑8，迷你批次数量为8，初始的学习率为10
‑4，参数H
θ
使用3个卷积和3个通道的RELU函数作为激活函数，所述自校准参数设置4个卷积层。
[0026]第二方面，本专利技术实施例还提供一种弱光图像增强的系统，包括：
[0027]模型建立模块，用于构建用于弱光图像增强的弱光图像增强模型；
[0028]自校准模块，用于设置所述弱光图像增强模型的自校准参数；
[0029]无监督训练模块，用于设置所述弱光图像增强模型的无监督训练损失；
[0030]模型优化模块，用于根据所述自校准参数、所述无监督训练损失在预设训练参数下对所述弱光图像增强模型进行训练，并将完成训练的所述弱光图像增强模型用于弱光图像的增强过程。
[0031]第三方面，本专利技术实施例还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上实施例中任意一项所述弱光图像增强的方法中的步骤。
[0032]第四方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上实施例中任意一项所述的弱光图像增强的方法中的步骤。
[0033]本专利技术所达到的有益效果，由于在弱光图像增强模型中采用权重共享的级联模式，每一个阶段构建了自校准模块，实现了每个阶段结果之间的收敛，通过定义无监督训练损失，在自校准模块的影响下约束每个阶段的输出，以提高模型适应一般场景的能力，相较于现有技术，本专利技术可以在弱光场景下快速、灵活、鲁棒地增强图像。
[0034]附图
[0035]图1是本专利技术实施例提供的弱光图像增强的方法的步骤流程示意图；
[0036]图2是本专利技术实施例提供的弱光图像增强的系统200的结构示意图；
[0037]图3是本专利技术实施例提供的计算机设备的结构示意图。
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0039]请参照图1，图1是本专利技术实施例提供的弱光图像增强的方法的步骤流程示意图，具体包括以下步骤：
[0040]S1、构建用于弱光图像增强的弱光图像增强模型。
[0041]更进一步地，步骤S1中的所述弱光图像增强模型满足如下关系式(1)：
[0042][0043]关系式(1)中，u
t
，X
t
分别表示所述弱光增强图像模型在第t阶段的残差项和照明组件项，y表示弱光观察值，H表示模型架构，θ表示权重参数。
[0044]S2、设置所述弱光图像增强模型的自校准参数。
[0045]更进一步地，步骤S2中的所述自校准参数满足如下关系式(2)：
[0046][0047]关系式(2)中，z表示所述弱光图像对应的清晰图像，v
t
是所述弱光增强图像模型在第t阶段的转换输入，k
θ
是带有所述权重参数的运算符。
[0048]S3、设置所述弱光图像增强模型的无监督训练损失。
[0049]更进一步地，步骤S3中的所述无监督训练损失包括保真度损失和平滑损失，所述保真度损失和所述平滑损失分别满足如下关系式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弱光图像增强的方法，其特征在于，所述方法包括以下步骤：S1、构建用于弱光图像增强的弱光图像增强模型；S2、设置所述弱光图像增强模型的自校准参数；S3、设置所述弱光图像增强模型的无监督训练损失；S4、根据所述自校准参数、所述无监督训练损失在预设训练参数下对所述弱光图像增强模型进行训练，并将完成训练的所述弱光图像增强模型用于弱光图像的增强过程。2.如权利要求1所述的弱光图像增强的方法，其特征在于，步骤S1中的所述弱光图像增强模型满足如下关系式(1)：关系式(1)中，u
t
，X
t
分别表示所述弱光增强图像模型在第t阶段的残差项和照明组件项，y表示弱光观察值，H表示模型架构，θ表示权重参数。3.如权利要求2所述的弱光图像增强的方法，其特征在于，步骤S2中的所述自校准参数满足如下关系式(2)：关系式(2)中，z表示所述弱光图像对应的清晰图像，v
t
是所述弱光增强图像模型在第t阶段的转换输入，k
θ
是带有所述权重参数的运算符。4.如权利要求3所述的弱光图像增强的方法，其特征在于，步骤S3中的所述无监督训练损失包括保真度损失和平滑损失，所述保真度损失和所述平滑损失分别满足如下关系式(3)、(4)：(3)、(4)：关系式(3)、(4)中，T表示所述弱光增强图像模型的总阶段数，N表示所述弱光图像的像素总数，N
(i)
表示第i个像素在其预设窗口大小中的相邻像素，w
i,j
代表损失权重值。5.如权利要求4所述的弱光图像增强的方法，其特征在于，定义所述无监督训练损失为L
t
，所述无监督训练损失L
t
...

【专利技术属性】
技术研发人员：王华龙，杨标，吴均城，李泽辉，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：