【技术实现步骤摘要】
本专利技术涉及图像增强，具体为基于卷积神经网络的低照度图像增强方法。
技术介绍
1、低照度图像指的是在拍摄或采集过程中，光线条件较暗或光线不足，导致图像的亮度较低的图像，这种情况下，图像中的细节和色彩会受到限制，影响图像的质量和清晰度，低照度图像会呈现出较弱的对比度、模糊的细节、高噪声等特点，在低照度环境下进行图像拍摄时，往往需要通过图像增强技术来改善图像质量，使其更加清晰明亮；
2、在实际环境中拍摄到的低照度图像往往受限于光照条件和相机性能等各种因素，很难保证图像具有一定的质量和多样性，并且低照度图像的标注通常需要专业人士提供，而这样的标注数据难以收集和获得，并且现有的图像增强方法无法自动化地检测低照度图像，人工检测低照度图像将变得非常耗时和繁琐，且准确性可能受到限制，从而无法快速识别和过滤掉低照度图像，可能会导致在处理大量图像数据时的工作效率下降，从而可能会造成图像增强模型训练效果较差。
技术实现思路
1、本专利技术的目的在于提供基于卷积神经网络的低照度图像增强方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于卷积神经网络的低照度图像增强方法，包括以下步骤：
3、s1、获取正常光照图像，利用图像重建模型人工合成低照度图像，将合成的低照度图像作为图像集；
4、s2、将获取的图像集按照相应的比例划分为第一训练集和第一测试集，且通过第一训练集对图像检测模型进行训练，以获取训练完成的图像检测模型，
5、s3、将检测为低照度的图像划分为第二训练集和第二测试集，且通过第二训练集对图像增强模型进行训练，以获取训练完成的图像增强模型，且通过第二测试集对训练完成后的图像增强模型进行性能测试，图像增强模型的输入端为低照度图像，且图像增强模型的输出端为增强图像；
6、s4、图像增强模型包括图像分解模型、反射图细化模型和光照图增强模型，通过第二训练集对图像分解模型进行训练，以获取训练完成的图像分解模型，图像分解模型的输入端为低照度图像，且图像分解模型的输出端为反射率图和光照图；
7、s5、通过反射率图训练反射图细化模型，以获取训练完成的反射图细化模型，反射图细化模型的输入端为反射率图，且反射图细化模型的输出端为细化后的反射率图；
8、s6、通过光照图训练光照图增强模型，以获取训练完成的光照图增强模型，光照图增强模型的输入端为光照图，且光照图增强模型的输出端为经过增强处理的光照图；
9、s7、通过细化后的反射率图和增强处理后的光照图的进行梯度加权，以获取增强图像。
10、优选的，所述图像检测模型采用卷积神经网络，所述图像检测模型包括卷积层、池化层和全连接层，所述卷积层、池化层和全连接层均有3层，所述图像检测模型第一层为卷积层，神经元数目为64，卷积核大小为7*7，步长为1，第二层为池化层，卷积核大小为2*2，步长为2，第三层为卷积层，神经元数目为128，卷积核大小为5*5，步长为1，第四层为池化层，卷积核大小为2*2，步长为2，第五层为卷积层，神经元数目为256，卷积核大小为3*3，步长为1，第六层为池化层，卷积核大小为2*2，步长为2，第七层和第八层为全连接层，神经元数目均为512，第九层为全连接层，神经元数目为2，所述第一层、第三层、第五层、第七层和第八层均设置有激活函数，且激活函数均为relu函数，所述图像检测模型的前6层用于提取图像特征，所述图像检测模型的后三层用于图像分类。
11、优选的，所述图像检测模型的损失函数为：
12、
13、其中，k表示图像的数量，m表示图像的类别数量，wj表示为第j类的类别权重，pij表示第i幅图像属于第j类的真实概率，p′ij表示第i类图像属于第j类的预测概率，且n表示数据集总样本个数，nj表示第j类样本个数，wj表示为第j类的类别权重。
14、优选的，所述图像分解模型采用卷积神经网络，所述图像分解模型包括卷积层和合并层，所述图像分解模型第一层包括三种卷积层，三种卷积层的神经元数目分别为12、20和32，三种卷积层的卷积核大小分别为3*3、5*5和7*7，通过第一层提取出不同的图像特征，第二层为合并层，通过第二层将每个特征图按照通道维度拆开，并分别进行处理，并将处理后的特征图在通道维度上进行拼接，形成新的特征图，第三层和第四层均为为卷积层，神经元数目均为64，卷积核大小均为3*3，通过第三层和第四层对图像特征进行细化，第五层为卷积层，神经元数目均为4，卷积核大小均为3*3，通过第五层将图像特征分解为反射率图和光照图，并将反射率图和光照图输出，第五层最后设置sigmoid激活函数，通过sigmoid激活函数将输出的反射率图和光照图的像素值归一化到[0,1]。
15、优选的，所述图像分解模型的损失函数为：
16、l＝ls+λrlr+λlll
17、
18、lr＝||rlow-rnormal||2
19、
20、其中，ls表示图像恢复后的重建图形的损失函数，lr表示反射率图不变形的损失函数，ll表示光照图光滑的损失函数，λr和λl分别表示平衡反射率图的恒常性和光照图的光滑特性的常数，ri表示第i类正常光照图像矢量，sj表示第j类正常光照图像矢量，li表示光照图矢量，e-λ▽r表示光滑约束，rnormal表示反射率图，rlow表示低光照图像的反射率图。
21、优选的，所述反射图细化模型采用卷积神经网络，所述反射图细化模型包括卷积层，所述反射图细化模型的第一层为卷积层，神经元数目为64，卷积核为3*3，激活函数为prelu函数，通过第一层对粗提取出的反射率图进行卷积，第二层为卷积层，神经元数目为64，卷积核为3*3，激活函数为prelu函数，通过第二层对第一层卷积后的反射率图进行重建，第三层为卷积层，神经元数目为3，卷积核为3*3，激活函数为sigmoid函数，通过第三层对第二层重建的反射率图进行细节恢复，通过sigmoid激活函数将输出的反射率图的像素值归一化到[0,1]。
22、优选的，所述反射图细化模型的损失函数为：
23、l＝||p′-p||2
24、p＝rnormal-rlow
25、其中，p′表示rnormal和rlow的残差，p表示其真实残差，rnormal表示反射率图，rlow表示低光照图像的反射率图。
26、优选的，所述光照图增强模型模型采用卷积神经网络，所述光照图增强模型包括卷积层和连接层，所述反射图细化模型的前三层均为卷积层，神经元数目均为64，卷积核均为3*3，激活函数均为prelu函数，通过前三层进行编码降采样，提取全局光照图特征，中间三层均为卷积层，神经元数目为64，卷积核为3*3，激活函数为prelu函数，通过本文档来自技高网...
【技术保护点】
1.基于卷积神经网络的低照度图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卷积神经网络的低照度图像增强方法，其特征在于：所述图像检测模型采用卷积神经网络，所述图像检测模型包括卷积层、池化层和全连接层，所述卷积层、池化层和全连接层均有3层，所述图像检测模型第一层为卷积层，神经元数目为64，卷积核大小为7*7，步长为1，第二层为池化层，卷积核大小为2*2，步长为2，第三层为卷积层，神经元数目为128，卷积核大小为5*5，步长为1，第四层为池化层，卷积核大小为2*2，步长为2，第五层为卷积层，神经元数目为256，卷积核大小为3*3，步长为1，第六层为池化层，卷积核大小为2*2，步长为2，第七层和第八层为全连接层，神经元数目均为512，第九层为全连接层，神经元数目为2，所述第一层、第三层、第五层、第七层和第八层均设置有激活函数，且激活函数均为relu函数，所述图像检测模型的前6层用于提取图像特征，所述图像检测模型的后三层用于图像分类。
3.根据权利要求2所述的基于卷积神经网络的低照度图像增强方法，其特征在于：所述图像检测模型的损失函数为：<...
【技术特征摘要】
1.基于卷积神经网络的低照度图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卷积神经网络的低照度图像增强方法，其特征在于：所述图像检测模型采用卷积神经网络，所述图像检测模型包括卷积层、池化层和全连接层，所述卷积层、池化层和全连接层均有3层，所述图像检测模型第一层为卷积层，神经元数目为64，卷积核大小为7*7，步长为1，第二层为池化层，卷积核大小为2*2，步长为2，第三层为卷积层，神经元数目为128，卷积核大小为5*5，步长为1，第四层为池化层，卷积核大小为2*2，步长为2，第五层为卷积层，神经元数目为256，卷积核大小为3*3，步长为1，第六层为池化层，卷积核大小为2*2，步长为2，第七层和第八层为全连接层，神经元数目均为512，第九层为全连接层，神经元数目为2，所述第一层、第三层、第五层、第七层和第八层均设置有激活函数，且激活函数均为relu函数，所述图像检测模型的前6层用于提取图像特征，所述图像检测模型的后三层用于图像分类。
3.根据权利要求2所述的基于卷积神经网络的低照度图像增强方法，其特征在于：所述图像检测模型的损失函数为：
4.根据权利要求1所述的基于卷积神经网络的低照度图像增强方法，其特征在于：所述图像分解模型采用卷积神经网络，所述图像分解模型包括卷积层和合并层，所述图像分解模型第一层包括三种卷积层，三种卷积层的神经元数目分别为12、20和32，三种卷积层的卷积核大小分别为3*3、5*5和7*7，通过第一层提取出不同的图像特征，第二层为合并层，通过第二层将每个特征图按照通道维度拆开，并分别进行处理，并将处理后的特征图在通道维度上进行拼接，形成新的特征图，第三层和第四层均为为卷积层，神经元数目均为64，卷积核大小均为3*3，通过第三层和第四层对图像特征进行细化，第五层为卷积层，神经元数目均为4，卷积核大小均为3*3，通过第五层将图像特征分解为反射率图和光照图，并将反射率图和光照图输出，第五层最后设置sigmoid激活函数，通过sigmoid激活函数将输出的反射率图和光照图的像素值归一化到[0,1]。...
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。