【技术实现步骤摘要】
本专利技术涉及计算机视觉和图像处理的，特别是指一种基于色彩空间引导的语义分割夜光图像增强方法。
技术介绍
1、随着多媒体和移动设备的普及，图像在各种场合中的应用越来越广泛。在夜光环境下捕获的图像常常面临细节不清晰、对比度不足和色彩失真的问题。这些问题严重影响了图像的视觉效果和后续的视觉处理任务，例如目标检测、图像识别和图像理解等。尽管已有多种图像增强技术被提出来改善夜光图像的质量，但现有技术在提升图像质量的同时，往往难以有效保留图像的细节信息，同时存在计算量大、处理时间长等缺点。为了克服这些问题，本专利技术提出了一种新颖的夜光图像增强方法，旨在提升图像的亮度和对比度的同时，保持图像的细节和色彩真实性，并且实现较低的计算复杂度。
技术实现思路
1、本专利技术的目的在于提供一种基于色彩空间引导的语义分割夜光图像增强方法，在提升图像的亮度和对比度的同时，保持图像的细节和色彩真实性，并且实现较低的计算复杂度。
2、为了达成上述目的，本专利技术的解决方案是：
3、一种基于色彩空间引导的语义分割夜光图像增强方法，其包括以下步骤：
4、步骤s1、构建迭代图像增强网络，设计一个特定于图像的曲线，通过迭代应用自身来得到像素级和高阶曲线，从而在夜光图像和增强图像之间进行有效映射，曲线的参数通过深度学习网络学习，以逐步学习夜光图像与增强图像之间的像素级最佳映射；
5、步骤s2、引入无监督的语义分割网络，计算语义损失，以在增强过程中保留图像的语义信息；>
6、步骤s3、利用hsv色彩空间设计损失函数，以解决夜光图像增强中的色彩失真问题；
7、步骤s4、设计空间一致性损失，以增强图像细节，确保增强图像与夜光图像在细节上的一致性；
8、步骤s5、通过总损失函数的组合对网络进行端到端的训练和优化，总损失函数的组合包括语义损失、hsv损失和曝光损失；
9、步骤s6、使用训练完成的网络，对新的夜光图像进行增强处理，输出视觉效果更佳的增强图像。
10、进一步，在步骤s1中，增强后的图像用来指导网络的训练将曲线扩展为逐像素的曲线参数图，表达式为：
11、
12、式中，是第n次增强后的图像，是第n次增强前的图像，是迭代次数用于控制曲率，是与给定图像相同尺寸的映射参数图。
13、进一步，在步骤s1中，所述的迭代图像增强网络包含7个具有对称跳跃连接的卷积层，在前6个卷积层中，每个卷积层由32个大小为3×3、步长为1的卷积核组成，其后是relu激活函数，最后一个卷积层由24个大小为3×3、步长为1的卷积核组成，其后是tanh激活函数，该激活函数为8次迭代产生24个曲线参数图，其中每次迭代需要3个曲线参数图，分别用于rgb三通道。
14、进一步，在步骤s2中，所述的无监督语义分割网络对增强图像进行精确的逐像素分割，从而在渐进式图像增强过程中保留语义信息，无监督语义分割网络使用两条途径：一条是自下而上的途径，使用具有imagenet权重的resnet；另一条是自上而下的途径，使用高斯初始化，平均值为0，标准差为0.01；两条途径都有4个卷积块，通过横向连接相互连接，无监督语义分割网络的具体做法是：
15、首先，来自迭代图像增强网络的增强图像将首先进入自下而上的路径进行特征提取；
16、然后，自上而下的路径将高语义层转换为高分辨率层，以进行空间感知语义分割；
17、自上而下中的每个卷积块对图像执行双线性上采样，并将其与横向结果连接起来；
18、连接后通过两个具有3×3卷积的平滑层，以获得更好的感知质量；
19、最后，将自上而下的路径中每个块的结果连接起来并计算分割。
20、进一步，在步骤s2中，所述的无监督语义分割网络计算语义损失，语义损失有利于在增强过程中尽可能保留图像的语义信息，语义损失不需要分割标签，只需要一个预先初始化的模型，语义损失表示为：
21、
22、式中，代表语义损失，是对分割网络对像素的估计类概率，分别代表图像的高和宽，分别代表焦点系数，i和j代表像素的坐标值。
23、进一步，在步骤s3中，hsv色彩空间中描述夜光图像，h、s和v通道彼此正交，从而分离亮度和颜色，基于此，通过hsv损失函数来保留所有颜色，真实地恢复隐藏在黑暗中的颜色，hsv损失表示为：
24、
25、式中，代表hsv损失，分别代表图像的高和宽，分别代表增强和输入图像的色调，，分别代表增强和输入图像的饱和度，和分别表示从图像高度和宽度上累加求和。
26、进一步，在步骤s4中，空间一致性损失主要是为了在增强过程中保留相邻像素间的差异性，有助于保持增强前后两幅图像之间的空间一致性，空间一致性损失表示为：
27、
28、式中，代表空间一致性损失，e和i分别是增强图像和低光图像中4×4局部区域中的平均像素值，b是局部区域的数量，是指上、下、左、右4个相邻的邻居，j表示的取值，是左上、右上、左下和右下4个不相邻的邻居，k表示目前的取值，为0.5。
29、进一步，在步骤s5中，曝光损失是通过测量特定区域的平均像素值与预定义曝光水平d之间的l1差异，以限制夜光图像中的曝光不足和过度曝光，曝光损失表示为：
30、
31、式中，代表曝光损失，b是局部区域的数量，e是增强图像中4×4局部区域中的平均像素值，d是理想的图像曝光水平，表示当前的局部区域。
32、进一步，在步骤s5中，总损失函数表示为：
33、
34、式中，代表总损失，代表各个损失函数对应的权重。
35、采用上述结构后，本专利技术一种基于色彩空间引导的语义分割夜光图像增强方法能够有效地改善夜光图像的视觉效果，同时保留图像中的关键细节。利用深度学习技术和色彩空间理论，动态调整图像增强的处理策略，实现对夜光图像的精细增强。通过对夜光图像进行多尺度特征分析，并结合空间一致性损失，本专利技术能够有效地提升图像的细节清晰度和色彩准确性。此外，无监督的语义分割网络的应用进一步优化了图像的语义信息保留，减少了色彩失真。本专利技术不仅提高了夜光图像增强的效果，也保持了图像的自然性和视觉舒适度。与现有技术相比，本专利技术具有以下优点：
36、（1）本专利技术通过迭代图像增强网络和无监督的语义分割网络，能够精确地识别夜光图像中的增强需求区域，为图像增强提供了准确的定位信息。
37、（2）本专利技术采用hsv色彩空间引导的损失函数，能够针对色彩失真问题进行优化，生成更为自然和准确的色彩映射，从而提高了图像增强的色彩质量。
38、（3）本专利技术空间一致性损失的设计，使得模型在增强过程中能够自适应地调整细节特征，减少了由于局部过增强或欠增强带来的问题，提高了模型的鲁棒性。
39、（4）本专利技术采用轻量级的网络结构设计，优化了计算资源的使用，使得本专利技术在保持高效本文档来自技高网...
【技术保护点】
1.一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S1中，迭代图像增强网络增强后的图像用来指导网络的训练将曲线扩展为逐像素的曲线参数图，表达式为：
3.根据权利要求2所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S1中，所述的迭代图像增强网络包含7个具有对称跳跃连接的卷积层，在前6个卷积层中，每个卷积层由32个大小为3×3、步长为1的卷积核组成，其后是ReLU激活函数，最后一个卷积层由24个大小为3×3、步长为1的卷积核组成，其后是Tanh激活函数，该激活函数为8次迭代产生24个曲线参数图，其中每次迭代需要3个曲线参数图，分别用于RGB三通道。
4.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S2中，所述的无监督语义分割网络对增强图像进行精确的逐像素分割，从而在渐进式图像增强过程中保留语义信息，无监督语义分割网络使用两条途径：一条是自下而上的途径，使用具有Im
5.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S2中，所述的无监督语义分割网络计算语义损失，语义损失有利于在增强过程中尽可能保留图像的语义信息，语义损失不需要分割标签，只需要一个预先初始化的模型，语义损失表示为：
6.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S3中，HSV色彩空间中描述夜光图像，H、S和V通道彼此正交，从而分离亮度和颜色，基于此，通过HSV损失函数来保留所有颜色，真实地恢复隐藏在黑暗中的颜色，HSV损失表示为：
7.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S4中，空间一致性损失主要是为了在增强过程中保留相邻像素间的差异性，有助于保持增强前后两幅图像之间的空间一致性，空间一致性损失表示为：
8.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S5中，曝光损失是通过测量特定区域的平均像素值与预定义曝光水平D之间的L1差异，以限制夜光图像中的曝光不足和过度曝光，曝光损失表示为：
9.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤S5中，总损失函数表示为：
...【技术特征摘要】
1.一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤s1中，迭代图像增强网络增强后的图像用来指导网络的训练将曲线扩展为逐像素的曲线参数图，表达式为：
3.根据权利要求2所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤s1中，所述的迭代图像增强网络包含7个具有对称跳跃连接的卷积层，在前6个卷积层中，每个卷积层由32个大小为3×3、步长为1的卷积核组成，其后是relu激活函数，最后一个卷积层由24个大小为3×3、步长为1的卷积核组成，其后是tanh激活函数，该激活函数为8次迭代产生24个曲线参数图，其中每次迭代需要3个曲线参数图，分别用于rgb三通道。
4.根据权利要求1所述的一种基于色彩空间引导的语义分割夜光图像增强方法，其特征在于：在步骤s2中，所述的无监督语义分割网络对增强图像进行精确的逐像素分割，从而在渐进式图像增强过程中保留语义信息，无监督语义分割网络使用两条途径：一条是自下而上的途径，使用具有imagenet权重的 resnet；另一条是自上而下的途径，使用高斯初始化，平均值为0，标准差为0.01；两条途径都有4个卷积块，通过横向连接相互连接，无监督语义分割网络的...
【专利技术属性】
技术研发人员：何一凡，杨帆，詹东晖，
申请(专利权)人：厦门瑞为信息技术有限公司，
类型：发明
国别省市：
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。