【技术实现步骤摘要】
本专利技术属于计算机视觉与图像处理，具体涉及一种基于retinexnet改进的低光照图像增强方法。
技术介绍
1、低光图像增强是指对拍摄在低光条件下的图像进行处理，以提高其亮度、对比度和细节。在现实生活中，由于各种原因，人们经常需要在低光环境下拍照或录像，如夜景、室内、弱光等场景。然而，在低光条件下拍摄的图像通常存在亮度低、对比度不足、细节模糊等问题，这会导致图像不清晰、难以观察和分析，影响人们的视觉体验和工作效率。
2、低光图像增强算法可大致分为传统算法与深度学习算法。
3、在传统算法中，dong等人引入了直方图动态削峰和边缘信息融合技术来进行低光图像增强，能够使亮度和对比度更均匀，提高清晰度和对比度，但容易出现过度增强和失真问题；fan等人的直方图约束和对比度调整虽有助于提升细节和对比度，但仍存在过度增强的风险；hong等人运用伽马校正去除hsv色彩空间中的噪声，进一步提升对比度，改善图像质量。然而，该方法仍存在参数敏感和对复杂场景适应性不足的问题；基于retinex理论，guo等人提出的lime通过在其上施加结构先验来细化初始估计的照明图，但这种方法在面对复杂场景时表现不佳，需要手动调整参数，可能导致过度增强和细节丢失等问题。
4、鉴于传统方法的局限性，采用深度学习方法进行低光照图像增强能够更好地克服这些问题。lore等人使用堆栈稀疏去噪自动编码器进行同时低光增强和降噪(llnet)，然而没有考虑低光图像的性质；wei等人设计了一个端到端可训练的retinexnet，但仍然受到严重噪音的
技术实现思路
1、本专利技术的目的是提出一种基于retinexnet改进的低光照图像增强方法，解决了已有的低光图像增强算法存在诸如噪声大、颜色不自然等问题，使得增强后的图像颜色自然，亮度均匀。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术提供一种基于retinexnet改进的低光照图像增强方法，所述图像增强方法将待增强的弱光图像输入预先构建并训练好的图像增强网络中，得到增强后的图像；所述图像增强网络包括：分解网络，亮度调整网络，去噪网络。分解网络：输入正常光图像与低光照图像，分别得到各自的反射分量与光照分量；亮度调整网络：输入低光照图像分解出来的反射分量和光照分量，输出的为经过亮度调整后的黑白图像；去噪网络：输入经过亮度调整网络后的图像与低光照图像分解网络得到的反射分量，输出去噪后的图像。
4、本专利技术的技术方案步骤包括如下：
5、s1.改进retinexnet分解网络，从输入图像中得到反射分量r和光照分量i；
6、s2.将原始低光照图像的反射分量r和光照分量i输入亮度调整网络，得到第一处理图像；
7、s3.将第一处理图像与反射分量融合处理，得到第二处理图像；
8、s4.将反射分量r与第二处理图像进行图像去噪，得到第三处理图像；
9、s5.将第三处理图像输入改进的retinexnet亮度调整网络，得到第四处理图像；
10、s6.将第三处理图像与第四处理图像融合得到最终的低光照增强图像。
11、分解网络由七个卷积层、四个rb残差模块和两个跳跃连接组成。首先利用1个3x3卷积层对图像进行特征提取；然后再接4个rb残差模块，其中在第2个和第4个rb残差模块进行跳跃连接并引入一种动态权重调节机制。这一机制通过自适应调整跳跃连接的权重，根据输入图像的内容和上下文信息来调节模型的响应，增强模型的灵活性和适应性；最后使用1个3x3卷积层提取3通道的反射分量和1通道的光照分量；rb残差模块：首先，使用1×1的卷积核对输入图像进行特征提取，同时保留原始特征信息。其次，通过3个3×3的卷积操作逐步提取输入图像中的噪声信息，并通过padding操作增加感受野。
12、亮度调整网络采用了编码器-解码器架构的总体框架，其中包含了dan注意力模块和反卷积层。该网络输入rlow和ilow。首先，将两个分量按通道连接在一起，形成一个四通道的输入图像，使用卷积层进行特征提取，并通过dan模块加强通道注意力机制；然后，使用3个步长为2的卷积层对特征图进行下采样，得到一组低分辨率的特征图；接着，利用反卷积层对这些低分辨率的特征图进行上采样，从而得到一组与原始输入图像相同分辨率的特征图，这些特征图被级联在一起，并通过融合层得到一个特征向量；最后，使用一个卷积层将特征向量映射为一张灰度图像，表示经过重光照处理后的结果。
13、分解网络损失函数由重建损失hre、反射分量一致性损失hir、结构性相似性损失函数hss和光照分量平滑损失his组成：
14、hne＝hre+αirhir+αishis+αsshss
15、
16、hss＝ssim(rlow,rhigh)
17、其中，αir、αis和αss表示平衡反射率的一致性、照明平滑度和结构相似性损失函数的系数。sj表示任何一张具有不同曝光程度的图像，r表示反射分量，s表示光照分量，rlow、rhigh分别表示低光照图像和正常光图像的反射分量，ilow、ihigh分别表示低光照图像和正常光图像的光照分量，rlow、rhigh分别表示低光照图像和正常光图像的反射分量，i表示输入原图，αg表示平衡结构意识强度的系数。
18、亮度调整网络损失函数包括重建损失和光照分量平滑损失：
19、lrin＝lre+λislis
20、去噪网络损失函数，提出双重对抗问题为：
21、
22、
23、
24、这里，y为噪声图，x为干净图。d为判别器，用来区分真伪。超参数α控制r，g的权重。通过d这样的对抗，将r和g优化。同时，g与r通过双重正则来控制对方，共同加强。
25、对噪声分布的统计特征应用约束为：
26、
27、其中表示用于提取噪声的一阶统计信息的高斯滤波器。将两个正则化器整合到等式的对抗损失中。得到最终损失函数：
28、
29、这里系数τ1与τ2是超参数，用于平衡不同损失函数。
30、有益效果
31、通过在分解网络本文档来自技高网...
【技术保护点】
1.一种基于RetinexNet改进的低光照图像增强方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于RetinexNet改进的低光照图像增强方法，其特征在于，对所述改进RetinexNet分解网络提取分量方案包括：
3.根据权利要求1所述的一种基于RetinexNet改进的低光照图像增强方法，其特征在于，对所述改进的RetinexNet亮度调整网络包括：
4.根据权利要求2所述的一种基于RetinexNet改进的低光照图像增强方法，其特征在于，用以优化所述改进RetinexNet分解网络的损失函数：
【技术特征摘要】
1.一种基于retinexnet改进的低光照图像增强方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于retinexnet改进的低光照图像增强方法，其特征在于，对所述改进retinexnet分解网络提取分量方案包括：
3.根据权利要求1所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。