基于LAB空间和多尺度特征金字塔的低照度图像增强方法技术

本发明专利技术涉及一种基于LAB空间和多尺度特征金字塔的低照度图像增强方法，包括以下步骤：将原始图像转换到LAB色彩模式，所述LAB色彩模式包括明度值、A通道值和B通道值，所述原始图像为三通道图像；基于原始图像的明度值，计算原始图像的光照注意力图，所述光照注意力图为单通道图像；将原始图像与所述光照注意力图按像素位置相乘，得到乘积图；将所述乘积图输入到膨胀卷积的全卷积神经网络，得到噪声注意力图，所述噪声注意力图为三通道图像；将原始图像、所述光照注意力图和所述噪声注意力图输入到多尺度特征金字塔网络，得到增强去噪图像。通过图像增强算法来恢复隐藏在黑暗区域的图像细节，提高图像可见度，从而改善图像质量。从而改善图像质量。从而改善图像质量。

【技术实现步骤摘要】
基于LAB空间和多尺度特征金字塔的低照度图像增强方法


[0001]本专利技术属于计算机视觉和机器学习领域，特别涉及一种基于LAB空间和多尺度特征金字塔的低照度图像增强方法。

技术介绍

[0002]互联网科技的迅速发展使得人们对图像、视频等视觉信息的要求越来越高，但图像成像质量往往会受到硬件设备、拍摄水平或周边环境(如天气、光照)等因素影响，尤其在光照不充足情况下，采集到的图像可能存在对比度低、噪声多等问题，这些问题很大程度上降低了图像的质量和价值，同时也影响了人们对图像的识别和理解能力，给需要高质量图像的行业和领域如医学图像、工业检测等带来了极大的挑战。
[0003]目前的图像增强算法大多是针对原始低照度图像进行整体增强，不可避免地存在一些问题。大多数低照度图像都存在着亮度不均匀的情况，如果按照统一的增强等级进行增强，很可能会出现过度曝光现象。除了部分极端黑暗图像，大多数低照度图像都存在亮度不均匀的问题。除了亮度因素之外，噪声对图像质量的影响也不容忽视。在增强图像亮度的过程中，不可避免也会放大原本隐藏在图像中的噪声。解决这个问题通常会采取的手段有：先增强图像、再去除噪声，或者先去除噪声、再增强图像。但前者在增强的过程中可能放大噪声，给后续去噪任务带来难度；而后者由于部分噪声与图像纹理结构类似，容易在去噪过程中丢失细节、产生模糊，导致增强后图像难以恢复出原本特征。

技术实现思路

[0004]本专利技术提供基于LAB空间和多尺度特征金字塔的低照度图像增强方法及装置，旨在至少解决现有技术中存在的技术问题之一。在处理低照度图像时，需要根据不同区域的亮度等级自适应进行增强，希望将黑暗区域增强到正常亮度水平，同时也要抑制较亮的区域避免过度曝光。对于图像噪声问题，希望通过将去噪与增强过程相结合的手段减少噪声对图像的影响，提升图像质量。本专利技术提出基于LAB空间和多尺度特征金字塔的低照度图像增强方法。
[0005]本专利技术的技术方案涉及一种基于LAB空间和多尺度特征金字塔的低照度图像增强方法及装置，所述方法包括以下步骤：
[0006]S100、将原始图像转换到LAB色彩模式，所述LAB色彩模式包括明度值、A通道值和B通道值，所述原始图像为三通道图像；
[0007]S200、基于原始图像的明度值，计算原始图像的光照注意力图，所述光照注意力图为单通道图像；
[0008]S300、将原始图像与所述光照注意力图按像素位置相乘，得到乘积图；
[0009]S400、将所述乘积图输入到膨胀卷积的全卷积神经网络，得到噪声注意力图，所述噪声注意力图为三通道图像；
[0010]S500、将原始图像、所述光照注意力图和所述噪声注意力图输入到多尺度特征金
字塔网络，得到增强去噪图像。
[0011]进一步，所述光照注意力图为：
[0012][0013]其中，L为原始图像中某一具体像素的明度值，min(L)为原始图像中所有像素明度值的最小值，max(L)为原始图像中所有像素明度值的最大值，L
AM
为原始图像的光照注意力图。
[0014]进一步，所述膨胀卷积的全卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和第八卷积层；
[0015]所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第七卷积层和所述第八卷积层均为3
×
3的卷积核；
[0016]所述第一卷积层、所述第二卷积层、所述第五卷积层和所述第八卷积层的填充值为1，所述第三卷积层和所述第六卷积层的填充值为2，所述第四卷积层和所述第七卷积层的填充值为5；
[0017]所述第二卷积层和所述第五卷积层的膨胀值为1，所述第三卷积层和所述第六卷积层的膨胀值为2，所述第四卷积层和所述第七卷积层的膨胀值为5；
[0018]所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第七卷积层的输出通道值均为64，所述第八卷积层的输出通道值均为3。
[0019]进一步，还包括第一ReLU激活函数和第二ReLU激活函数，所述第一ReLU激活函数设置在所述第一卷积层和所述第二卷积层之间，所述第二ReLU激活函数设置在所述第八卷积层的后端并与所述第八卷积层连接。
[0020]进一步，所述多尺度特征金字塔网络包括：
[0021]第一处理通道，所述第一处理通道包括第一增强网络；
[0022]第二处理通道，所述第二处理通道包括依次连接的第二下采样模块、第二增强网络和第二上采样模块；
[0023]第三处理通道，所述第三处理通道包括依次连接的第三下采样模块、第三增强网络和第三上采样模块；
[0024]第四处理通道，所述第四处理通道包括依次连接的第四下采样模块、第四增强网络和第四上采样模块；
[0025]第五处理通道，所述第五处理通道包括依次连接的第五下采样模块、第五增强网络和第五上采样模块；
[0026]所述第一增强网络的输入端、所述第二下采样模块的输入端、第三下采样模块的输入端、第四下采样模块的输入端和第五下采样模块的输入端分别输入所述原始图像、所述光照注意力图和所述噪声注意力图。
[0027]进一步，所述多尺度特征金字塔网络还包括：
[0028]通道拼接器，所述第一增强网络的输出端、所述第二上采样模块的输出端、所述第三上采样模块的输出端、所述第四上采样模块的输出端和所述第五上采样模块的输出端分别与所述通道拼接器的输入端连接；
[0029]第九卷积层，所述第九卷积层的输入端与所述通道拼接器的输出端连接，所述第九卷积层的卷积核为3
×
3，所述第九卷积层的输出为所述增强去噪图像。
[0030]进一步，所述第二下采样模块通过平均池化将所述原始图像、所述光照注意力图和所述噪声注意力图的长和宽分别下采样为原来的1/2；
[0031]所述第三下采样模块通过平均池化将所述原始图像、所述光照注意力图和所述噪声注意力图的长和宽分别下采样为原来的1/4；
[0032]所述第四下采样模块通过平均池化将所述原始图像、所述光照注意力图和所述噪声注意力图的长和宽分别下采样为原来的1/8；
[0033]所述第五下采样模块通过平均池化将所述原始图像、所述光照注意力图和所述噪声注意力图的长和宽分别下采样为原来的1/16。
[0034]进一步，所述第二上采样模块通过最近邻插值，将所述第二增强网络的输出图像上采样为原来的2倍；
[0035]所述第三上采样模块通过最近邻插值，将所述第三增强网络的输出图像上采样为原来的4倍；
[0036]所述第四上采样模块通过最近邻插值，将所述第四增强网络的输出图像上采样为原来的8倍；
[0037]所述第五上采样模块通过最近邻插值，将所述第五增强网络的输出图像上采样为原来的16倍。
[0038]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像增强方法，其特征在于，所述方法包括以下步骤：S100、将原始图像转换到LAB色彩模式，所述LAB色彩模式包括明度值、A通道值和B通道值，所述原始图像为三通道图像；S200、基于原始图像的明度值，计算原始图像的光照注意力图，所述光照注意力图为单通道图像；S300、将原始图像与所述光照注意力图按像素位置相乘，得到乘积图；S400、将所述乘积图输入到膨胀卷积的全卷积神经网络，得到噪声注意力图，所述噪声注意力图为三通道图像；S500、将原始图像、所述光照注意力图和所述噪声注意力图输入到多尺度特征金字塔网络，得到增强去噪图像。2.根据权利要求1所述的图像增强方法，其特征在于，所述光照注意力图为：其中，L为原始图像中某一具体像素的明度值，min(L)为原始图像中所有像素明度值的最小值，max(L)为原始图像中所有像素明度值的最大值，L
AM
为原始图像的光照注意力图。3.根据权利要求1所述的图像增强方法，其特征在于，所述膨胀卷积的全卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和第八卷积层；所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第七卷积层和所述第八卷积层均为3
×
3的卷积核；所述第一卷积层、所述第二卷积层、所述第五卷积层和所述第八卷积层的填充值为1，所述第三卷积层和所述第六卷积层的填充值为2，所述第四卷积层和所述第七卷积层的填充值为5；所述第二卷积层和所述第五卷积层的膨胀值为1，所述第三卷积层和所述第六卷积层的膨胀值为2，所述第四卷积层和所述第七卷积层的膨胀值为5；所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第七卷积层的输出通道值均为64，所述第八卷积层的输出通道值均为3。4.根据权利要求3所述的图像增强方法，其特征在于，还包括第一ReLU激活函数和第二ReLU激活函数，所述第一ReLU激活函数设置在所述第一卷积层和所述第二卷积层之间，所述第二ReLU激活函数设置在所述第八卷积层的后端并与所述第八卷积层连接。5.根据权利要求1所述的图像增强方法，其特征在于，所述多尺度特征金字塔网络包括：第一处理通道，所述第一处理通道包括第一增强网络；第二处理通道，所述第二处理通道包括依次连接的第二下采样模块、第二增强网络和第二上采样模块；第三处理通道，所述第三处理通道包括依次连接的第三下采样模块、第三增强网络和第三上采样模块；第四处理通道，所述第四处理通道包括依次连接的第四下采样模块、第四增强网络和
第四上采样模块；第五处理通道，所述第五处理通道包括依次连接的第五下采样模块、第五增强网络和第五上采样模块；所述第一增强网络的输入端、所述第二下采样模块的输入端、第三下采样模块的输入端、第四下采样模块的输入端和第五下采样模块的输入端分别输入所述原始图像、所述光照注意力图和所述噪声注意力图。6.根据权利要求5所述的图像增强方法，其特征在于，所述多尺度特征金字塔网络还包括：通道拼接器，所述第一增强网络的输出端、所述第二上采样模块的输出端、所述第三上采样模块的输出端、所述第四上采样模块的输出端和所述第五上采样模块的输出端分别与所述通道拼接器的输入端连接；第九卷积层，所述第九卷积层的输入端与所述通道拼接器的输出端连接，所述第九卷积层的卷积核为3
×
3，所述第九卷积层的输出为所述增强去噪图像。7.根据权利要求5所述的图像增强方法，其特征在于，所述第二下采样模块通过平均池化将所述原始图像、所述光照注意力图和所述噪声注意力图的长和宽分别下采样为原来的1/2；所述第三下采样模块通过平均池...

【专利技术属性】
技术研发人员：刘振丙，杨梦雨，路皓翔，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：