【技术实现步骤摘要】
本申请涉及图像增强，更具体地说，涉及一种低光照图像增强方法。
技术介绍
1、图像作为一种重要的信息传输媒介，其质量对后续的下游视觉任务具有至关重要的影响。因此，图像增强技术在众多应用场景中获得了广泛的关注与应用。在计算机视觉研究领域，低光照图像增强技术是其中的一个重要组成部分。其核心目标在于通过提升图像亮度、调整对比度、改善色彩不均匀性、抑制噪声等操作来增强图像质量，从而为后续任务提供更加清晰、可靠的图像输入。
2、随着研究的深入，低光照图像增强技术取得了显著的进展。根据所采用的技术手段的不同，现有的低光照图像增强方法主要分为两类，即传统增强方法和基于深度学习的增强方法。传统方法通常利用手动设计的先验知识来改善对比度和恢复细节。然而，由于低光图像增强是一个不适定问题，因此很难在各种照明条件下采用合适的先验，从而限制了这种方法的实际应用。
3、随着深度学习的发展，许多低光照图像增强问题得到了有效解决。基于学习的方法不是利用手动设计的先验知识，而是使用深度神经网络自动学习特征进行低光照图像增强。得益于其在低光和高质量图像之间的映射建模能力，深度学习方法通常比传统方法获得更好的结果。lore[lore k g，akintayo a.sarkar s.llnet：a deep autoencoderapproach to natural low-lightimage enhancement[j].pattern recognition，2017，61：650-662]等人首次将深度学习引入到低光图像增强任务中，提
4、目前已有的低光照图像增强方法大多数都是依赖于低光图像与正常光图像的成对数据进行监督学习，以捕获亮度之间的映射关系。然而，由于获取成对数据集费时费力，如何减少对成对数据集的依赖，已成为低光照图像增强领域的一个关键挑战。
技术实现思路
1、有鉴于此，本申请提供一种低光照图像增强方法，以解决上述问题。
2、本申请提供的技术方案如下：
3、一种低光照图像增强方法，包括：
4、获取n(n≥1)个低光图像对，构建训练数据集；各个所述低光图像对均由同一场景下的一张曝光不足的低光图像和一张已对齐的低光图像组成；
5、基于所述训练数据集和预设的低光照损失函数，构建并训练低光图像去噪网络ld-net，所述ld-net用于输出去噪图像；所述低光照损失函数包括用于衡量两对变换后的低光图像之间差异的损失、用于衡量去噪和下采样后的图像与目标图像间差异的损失和结构相似性损失；
6、基于ld-net输出的去噪图像，构建并训练分解网络；所述分解网络的损失函数包括重建损失、反射率一致性损失、照明平滑度损失和分解损失；
7、根据训练完成的所述ld-net和所述分解网络，生成去噪retinex分解模型，用于基于照度校正因子对待处理图像进行图像增强操作。
8、其中一种可能的实现方式，获取低光图像对之后，所述方法还包括：
9、对所述低光图像对进行预处理，将所述低光图像对中的各个低光图像裁剪至预设尺寸。
10、其中一种可能的实现方式，构建的所述低光照去噪网络ld-net为卷积神经网络cnn，包括卷积层conv和加入所述卷积层之后的激活函数层，所述激活函数层以线性修正单元leakyrelu为激活函数；
11、所述卷积层conv包括3x3的卷积核，用于提取输入ld-net的低光图像的局部特征。
12、其中一种可能的实现方式，基于所述训练数据集训练低光图像去噪网络ld-net，包括：
13、对所述训练数据集中大小为w×h×c的图像i1进行下采样操作g＝(g1，g2)，得到两个大小为w/2×h/2×c的图像i1′＝g1(i1)和i2′＝g2(i1)；
14、基于i1′、i2′和i1训练低光图像去噪网络ld-net。
15、其中一种可能的实现方式，所述低光照去噪网络ld-net预设的去噪损失函数为：
16、lld＝lsym+lcon+lssim
17、其中，lsym为对称损失函数，lcon为用于衡量去噪和下采样后图像与目标图像间的差异的损失函数，lssim为结构相似性损失函数；
18、所述对称损失函数lsym用于衡量两对变换后的低光图像之间的差异，表示为：
19、
20、式中，由图像i1′与图像i1′对应的噪声做(去噪)操作得到，为图像i2′与图像i2′对应的噪声做去噪操作得到，代表l2范数；
21、所述损失函数lcon用于衡量两个去噪和下采样后的图像i1′、i2′和对应的预期或目标图像和之间的差异，表示为：
22、
23、所述结构相似性损失函数lssim表示为：
24、lssim＝1-ssim(i1，i2)
25、式中，ssim(，)为度量两张低光图像结构相似性指标的函数，i1与i2分别为某一低光图像对去噪后所对应的图像。
26、其中一种可能的实现方式，所述分解网络包括照度分量分解网络il-net：和反射率分量分解网络re-net，均由六层以relu为激活函数的3×3卷积层和一层sigmoid函数构成。
27、其中一种可能的实现方式，所述分解网络的损失函数设置为：
28、llr＝lrec+lref+lil+ldec
29、其中，lrec为重建损失，lref为反射率一致性损失，lil为照明平滑度损失，ldec为分解损失。
30、重建损失函数用于确保分解后的反射率分量r和照度分量l可以重本文档来自技高网...
【技术保护点】
1.一种低光照图像增强方法，其特征在于，包括：
2.根据权利要求1所述的一种低光照图像增强方法，其特征在于，获取低光图像对之后，所述方法还包括：
3.根据权利要求1所述的一种低光照图像增强方法，其特征在于，构建的所述低光照去噪网络LD-Net为卷积神经网络CNN，包括卷积层Conv和加入所述卷积层之后的激活函数层，所述激活函数层以线性修正单元LeakyReLU为激活函数；
4.根据权利要求1所述的一种低光照图像增强方法，其特征在于，基于所述训练数据集训练低光图像去噪网络LD-Net，包括：
5.根据权利要求1所述的一种低光照图像增强方法，其特征在于，所述低光照去噪网络LD-Net预设的去噪损失函数为：
6.根据权利要求1所述的一种低光照图像增强方法，其特征在于，所述分解网络包括照度分量分解网络IL-Net和反射率分量分解网络RE-Net，均由六层以Relu为激活函数的3×3卷积层和一层Sigmoid函数构成。
7.根据权利要求1所述的一种低光照图像增强方法，其特征在于，所述分解网络的损失函数设置为：
<...【技术特征摘要】
1.一种低光照图像增强方法，其特征在于，包括：
2.根据权利要求1所述的一种低光照图像增强方法，其特征在于，获取低光图像对之后，所述方法还包括：
3.根据权利要求1所述的一种低光照图像增强方法，其特征在于，构建的所述低光照去噪网络ld-net为卷积神经网络cnn，包括卷积层conv和加入所述卷积层之后的激活函数层，所述激活函数层以线性修正单元leakyrelu为激活函数；
4.根据权利要求1所述的一种低光照图像增强方法，其特征在于，基于所述训练数据集训练低光图像去噪网络ld-net，包括：
5.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：马玉琨，乔明辉，李潇文，李兆峰，
申请(专利权)人：河南科技学院，
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。