一种低照度图像的增强方法和系统技术方案

本发明专利技术公开了一种低照度图像的增强方法和系统，涉及图像处理领域。该方法包括：获取具有图像缺陷的待处理的低照度图像，通过训练后的有效光照特征学习网络对待处理的低照度图像进行图像增强，通过训练得到的低照度图像增强模型生成的低照度增强图像，在图像细节和颜色恢复上可以得到更好的效果。色恢复上可以得到更好的效果。色恢复上可以得到更好的效果。

【技术实现步骤摘要】
一种低照度图像的增强方法和系统


[0001]本专利技术涉及图像处理领域，尤其涉及一种低照度图像的增强方法和系统。

技术介绍

[0002]低照度或者低照度条件下拍摄的图像具有亮度低、对比度低等缺陷，除此之外，在低照度图像的低光照区域往往隐藏大量噪声，并存在颜色失真等问题，另一方面，高质量的图像是进行图像识别、分析和理解的必要条件，因此，低照度图像增强是提高图像质量为后续图像处理做准备的重要步骤。
[0003]目前图像增强方法主要有直方图均衡化及其改进算法、Retinex及其改进算法，基于深度学习的图像增强方法等。其中，基于同态滤波和直方图均衡化的图像增强算法，在频域通过一种单参数的滤波算法，校正了光照，之后通过自适应直方图均衡化算法对HSV色彩空间的调整，提高图像对比度，该方法虽抑制了图像的噪声，提高了亮度，但图像暗部像素信息丢失严重，导致图像信息熵下降；一种基于加权直方图均衡化彩色图像增强算法，通过增加权重参数实现自适应调节图像像素信息，该方法较好的保留了图像的像素信息，但亮度信息恢复不足。改进的Retinex低照度图像清晰化算法，将低照度图像从RGB通道转换到HSV通道，对饱和度分量进行拉伸，对亮度分量进行基于BLPF的改进Retinex增强，该方法注重提高图像的对比度和亮度，而忽略了噪声对于图像细节的影响，甚至放大了噪声。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的传统低照度图像增强方法，存在颜色失真和细节增强不足的问题，提供一种低照度图像的增强方法和系统。r/>[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]一种低照度图像的增强方法，包括：
[0007]获取具有图像缺陷的待处理的低照度图像；
[0008]通过训练后的有效光照特征学习网络对待处理的低照度图像进行图像增强。
[0009]本专利技术的有益效果是：通过训练得到的低照度图像增强模型生成的低照度增强图像，在图像细节和颜色恢复上可以得到更好的效果。
[0010]进一步地，所述有效光照特征学习网络的训练过程，包括：
[0011]将训练数据集中的正常光照图像和低照度图像输入初始光照特征学习网络模块，得到所述的正常光照图像与低照度图像之间的初始光照强度特征映射关系；
[0012]根据所述初始光照强度特征映射关系、所述正常光照图像和所述低照度图像，得到初始光照增强曲线；
[0013]根据所述初始光照增强曲线对所述训练数据集进行低照度图像增强，获得初始增强图像；
[0014]根据初始增强图像分别获得第一损失函数、第二损失函数、第三损失函数和第四损失函数；
[0015]根据所述第一损失函数的第一损失值、所述第二损失函数的第二损失值、所述第三损失函数的第三损失值、所述第四损失函数的第四损失值，调整所述初始光照增强曲线和所述初始光照特征学习网络模块，获得训练后的有效光照特征学习网络。
[0016]采用上述进一步方案的有益效果是：通过引入四种损失函数，增强效果在空间、曝光、颜色和图像平滑上取得了较好的效果，相较于现有算法，在峰值信噪比、对比度上均有提高。
[0017]进一步地，所述根据初始增强图像分别获得第一损失函数、第二损失函数、第三损失函数和第四损失函数，具体包括：
[0018]根据所述的初始增强图像，结合所述正常光照图像在相邻区域的像素值差值确定第一损失函数；
[0019]根据所述的初始增强图像在部分区域的像素平均强度值与所述正常光照图像正常曝光水平像素的强度值之间的距离，得到第二损失函数；
[0020]根据所述的初始增强图像，参考颜色恒定性方法，控制所述初始增强图像在整个图像上的像素平均值为灰色，得到第三损失函数；
[0021]根据所述的初始增强图像，控制相邻像素之间的单调性关系，得到第四损失函数。
[0022]进一步地，所述初始光照特征学习网络模块包括光照特征提取网络和对称式的卷积与反卷积网络；
[0023]所述光照特征提取网络包括深度可分离卷积网络模块和对称跳跃连接网络模块。
[0024]采用上述进一步方案的有益效果是：本方案通过使用对称式卷积结构，解决原算法计算量大的问题，通过使用深度可分离卷积轻量化网络对传统卷积进行了优化，减少网络模型计算复杂度的同时保证模型较好的增强效果。
[0025]使用对称式的卷积结构，对光照增强曲线训练前后的图像进行处理，解决了图像增强计算量过大的问题。
[0026]进一步地，所述可分离卷积模块由10层深度卷积核点卷积构成，其中，所述卷积核的大小为3
×
3。
[0027]本专利技术解决上述技术问题的另一种技术方案如下：
[0028]一种低照度图像的增强系统，包括：图像获取模块和图像增强模块；所述图像获取模块用于获取具有图像缺陷的待处理的低照度图像；
[0029]所述图像增强模块用于通过训练后的有效光照特征学习网络对待处理的低照度图像进行图像增强。
[0030]本专利技术的有益效果是：通过训练得到的低照度图像增强模型生成的低照度增强图像，在图像细节和颜色恢复上可以得到更好的效果。
[0031]进一步地，还包括：训练模块，用于将训练数据集中的正常光照图像和低照度图像输入初始光照特征学习网络模块，得到所述的正常光照图像与低照度图像之间的初始光照强度特征映射关系；
[0032]根据所述初始光照强度特征映射关系、所述正常光照图像和所述低照度图像，得到初始光照增强曲线；
[0033]根据所述初始光照增强曲线对所述训练数据集进行低照度图像增强，获得初始增强图像；
[0034]根据初始增强图像分别获得第一损失函数、第二损失函数、第三损失函数和第四损失函数；
[0035]根据所述第一损失函数的第一损失值、所述第二损失函数的第二损失值、所述第三损失函数的第三损失值、所述第四损失函数的第四损失值，调整所述初始光照增强曲线和所述初始光照特征学习网络模块，获得训练后的有效光照特征学习网络。
[0036]采用上述进一步方案的有益效果是：通过引入四种损失函数，增强效果在空间、曝光、颜色和图像平滑上取得了较好的效果，相较于现有算法，在峰值信噪比、对比度上均有提高。
[0037]进一步地，所述训练模块具体用于根据所述的初始增强图像，结合所述正常光照图像在相邻区域的像素值差值确定第一损失函数；
[0038]根据所述的初始增强图像在部分区域的像素平均强度值与所述正常光照图像正常曝光水平像素的强度值之间的距离，得到第二损失函数；
[0039]根据所述的初始增强图像，参考颜色恒定性方法，控制所述初始增强图像在整个图像上的像素平均值为灰色，得到第三损失函数；
[0040]根据所述的初始增强图像，控制相邻像素之间的单调性关系，得到第四损失函数。
[0041]进一步地，所述初始光照特征学习网络模块包括光照特征提取网络和对称式的卷积与反卷积网络；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低照度图像的增强方法，其特征在于，包括：获取具有图像缺陷的待处理的低照度图像；通过训练后的有效光照特征学习网络对待处理的低照度图像进行图像增强。2.根据权利要求1所述的一种低照度图像的增强方法，其特征在于，所述有效光照特征学习网络的训练过程，包括：将训练数据集中的正常光照图像和低照度图像输入初始光照特征学习网络模块，得到所述的正常光照图像与低照度图像之间的初始光照强度特征映射关系；根据所述初始光照强度特征映射关系、所述正常光照图像和所述低照度图像，得到初始光照增强曲线；根据所述初始光照增强曲线对所述训练数据集进行低照度图像增强，获得初始增强图像；根据初始增强图像分别获得第一损失函数、第二损失函数、第三损失函数和第四损失函数；根据所述第一损失函数的第一损失值、所述第二损失函数的第二损失值、所述第三损失函数的第三损失值、所述第四损失函数的第四损失值，调整所述初始光照增强曲线和所述初始光照特征学习网络模块，获得训练后的有效光照特征学习网络。3.根据权利要求2所述的一种低照度图像的增强方法，其特征在于，所述根据初始增强图像分别获得第一损失函数、第二损失函数、第三损失函数和第四损失函数，具体包括：根据所述的初始增强图像，结合所述正常光照图像在相邻区域的像素值差值确定第一损失函数；根据所述的初始增强图像在部分区域的像素平均强度值与所述正常光照图像正常曝光水平像素的强度值之间的距离，得到第二损失函数；根据所述的初始增强图像，参考颜色恒定性方法，控制所述初始增强图像在整个图像上的像素平均值为灰色，得到第三损失函数；根据所述的初始增强图像，控制相邻像素之间的单调性关系，得到第四损失函数。4.根据权利要求2或3所述的一种低照度图像的增强方法，其特征在于，所述初始光照特征学习网络模块包括光照特征提取网络和对称式的卷积与反卷积网络；所述光照特征提取网络包括深度可分离卷积网络模块和对称跳跃连接网络模块。5.根据权利要求4所述的一种低照度图像的增强方法，其特征在于，所述可分离卷积模块由10层深度卷积核点卷积构成，其中，所述卷积核的大小为3
×
3。6...

【专利技术属性】
技术研发人员：姜金涛，张力，王志花，陈从平，严向华，张俊杰，刘闻珂，
申请(专利权)人：内蒙古智诚物联股份有限公司，
类型：发明
国别省市：