增强图像对比度的方法、设备及存储介质技术

一种增强图像对比度的方法、设备及存储介质，该方法包括：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度(101)；将第三图像输入所述神经网络(102)；获得经过所述神经网络映射输出的第四图像，所述第四图像的对比度高于所述第三图像的对比度(103)。该方法可以增强任意输入的低对比度图像，使之能达到多曝光融合图像的高动态范围，因此对比度增强后的图像效果真实，图像质量较高。

Method, device and storage medium for enhancing image contrast

A method, apparatus and storage medium for enhancing image contrast includes invoking a neural network whose training set is a set of image pairs, wherein each pair of images includes a first image and a second image for the same scene, and the contrast of the first image is lower than the contrast of the second image (1). 01); the third image is input to the neural network (102); and a fourth image is obtained which is mapped by the neural network, and the contrast of the fourth image is higher than that of the third image (103). This method can enhance any input low contrast image, so that it can reach the high dynamic range of multi-exposure fusion image. Therefore, the contrast enhanced image is real and the image quality is high.

【技术实现步骤摘要】
【国外来华专利技术】增强图像对比度的方法、设备及存储介质
本申请涉及图像处理
，尤其涉及一种增强图像对比度的方法、设备及存储介质。
技术介绍
数码摄像设备在室外场景，或者夜间场景进行拍摄时，由于所采用的图像传感器，例如CCD(ChargeCoupledDevice，电荷耦合元件)等的感光范围低于自然场景的动态范围，容易出现过曝光或者欠曝光的情况，因此需要通过增强图像的对比度，提升图像中细节信息的显示，从而向计算机视觉识别提供更为可靠的输入图像。相关技术中，可以采用单张图像增强算法提升图像对比度，例如，利用基于Retinex理论的算法增强图像的对比度，该算法的原理是将图像分解为低频的光照强度部分和高频的细节部分，通过优化低频的光照强度部分来增强原始图像的对比度。但是，由于上述算法是基于先验条件来优化光照强度部分的，而真实图像往往比较复杂，先验条件难以很好地反应出真实世界的色彩，从而使得对比度增强后的图像出现非真实的效果，导致图像质量不高。
技术实现思路
本申请公开了增强图像对比度的方法、设备及存储介质。依据本专利技术的第一方面，提供一种增强图像对比度的方法，所述方法包括：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度；将第三图像输入所述神经网络；获得经过所述神经网络映射输出的第四图像，所述第四图像的对比度高于所述第三图像的对比度。依据本专利技术的第二方面，提供一种增强图像对比度的设备，包括：内部总线，以及通过内部总线连接的存储器和处理器；其中，所述存储器，用于存储增强图像对比度的控制逻辑对应的机器可读指令；所述处理器，用于读取所述存储器上的所述机器可读指令，并执行所述指令以实现如下操作：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度；将第三图像输入所述神经网络；依据本专利技术的第三方面，提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被执行时进行如下处理：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度；将第三图像输入所述神经网络；获得经过所述神经网络映射输出的第四图像，所述第四图像的对比度高于所述第三图像的对比度。本申请实施例提供一预先训练的神经网络，该神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，且第一图像的对比度低于第二图像的对比度，基于上述训练集训练的神经网络具有增强图像对比度的性能，因而在实际应用环境中，当将第三图像输入到该神经网络后，可以实现对第三图像的对比度的增强，从而映射输出质量较高的第四图像，由此可知，本申请实施例可以增强任意输入的低对比度图像，使之能达到多曝光融合图像的高动态范围，因此对比度增强后的图像效果真实，图像质量较高。附图说明图1是本申请增强图像对比度的方法的一个实施例流程图；图2是本申请增强图像对比度的方法的另一个实施例流程图；图3是本申请增强图像对比度的装置的一个实施例框图；图4是本申请增强图像对比度的装置的另一个实施例框图；图5是本申请增强图像对比度的设备的一个实施例框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。数码摄像设备在进行拍摄时，如果其图像传感器的感光范围低于自然场景的动态范围，则会导致所拍摄图像出现过曝光或欠曝光的情况，此时需要对图像进行增强对比度的处理，以提升图像中细节信息的显示。在一些计算机视觉识别的典型应用场景中，例如，人脸识别，场景识别，行人检测等，通过增强图像对比度，可以向计算机视觉识别提供更为可靠的输入图像。增强图像对比度的算法可以嵌入摄像设备的芯片中，在拍摄过程中实现对图像对比度增强的实时处理。相关技术中，可以采用单张图像增强算法提升图像对比度，但是该算法容易导致对比度增强后的图像出现非真实的效果，因此为了提高图像对比度增强效果，本申请实施例通过一预先训练的神经网络对图像对比进行增强。神经网络可以从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。神经网络是一种运算模型，其由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，可称为激励函数(ActivationFunction)。不同神经网络的输出依据其网络连接方式，各个节点对应的权重值和激励函数的不同而不同。DNN(DeepNeuralNetwork，深层神经网络)可以包括CNN(ConvolutionalNeuralNetwork，卷积神经网络)，RNN(RecurrentNeuralNetworks，循环神经网络)等，其具有自适应、自组织和实时学习的能力。本申请实施例中使用的神经网络，其训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和作为参考图像的第二图像，且第一图像的对比度低于第二图像的对比度，也就是用于训练神经网络的第二图像具有高动态范围和高对比度，从而训练学习得到一个端对端的神经网络，该神经网络具有将一个低对比度图像映射为高对比度图像的性能。下面结合附图对本申请实施例进行详细说明。参见图1，为本专利技术增强图像对比度的方法的一个实施例流程图，该实施例可以包括以下步骤：步骤101：调用神经网络，该神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，第一图像的对比度低于第二图像的对比度。本实施例中的神经网络可以为预先构建的一神经网络，用于构建该神经网络的设备可以与本实施例执行增强图像对比度的设备不同，或者在执行本实施例的设备具有较强计算能力时，二者也可以相同，对此本申请实施例不进行限制。该神经网络具有将低对比度图像映射为高对比度图像的能力，因此其训练集为包含多个图像对的一组图像对，其中每一对图像针对同一场景，且包括一个低对比度的第一图像和一个高对比度的第二图像，该第二图像可以通过多曝光图像融合算法生成，从而保证第二图像在动态范围和对比度上均高于第一图像，以便在将图像对作为参考图像输入到神经网络进行学习时，可以获得用于增强图像对比度的神经网络。本实施例中的神经网络作为一种算法模型，在需要对图像进行对比度增强时，由该算法模型的执行主体调用该神经网络。其中，上述算法模型可以预先嵌入摄像设备的芯片中，在摄像设备拍摄过程中，实时调用该算法模型对所拍摄图像进行对比度增强；或者，上述算法模型也可以预先保存在计算设备的存储器中，在计算设备进行图片批量处理时，调用该算法模型对图片对比度进行批量增强。步骤102：将第三图像输入该神经网络。步骤103：获得经过该神经网络映射输出的第四图像，该第四图像的对比度高于第三图像的对比度。由上述实施例可见，该实施例提供一预先训练的神经网络，该神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的本文档来自技高网...

【技术保护点】
1.一种增强图像对比度的方法，其特征在于，所述方法包括：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度；将第三图像输入所述神经网络；获得经过所述神经网络映射输出的第四图像，所述第四图像的对比度高于所述第三图像的对比度。

【技术特征摘要】
【国外来华专利技术】1.一种增强图像对比度的方法，其特征在于，所述方法包括：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度；将第三图像输入所述神经网络；获得经过所述神经网络映射输出的第四图像，所述第四图像的对比度高于所述第三图像的对比度。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过多曝光图像融合算法构建一组图像对；将所述一组图像对作为训练集，训练得到所述神经网络。3.根据权利要求2所述的方法，其特征在于，所述通过多曝光图像融合算法构建一组图像对，包括：确定多种训练场景；获取每一种训练场景下的第一图像和预设数量的合格图像；调用为每一种训练场景配置的目标融合算法；通过所述目标融合算法对所述预设数量的合格图像进行融合，获得每一种训练场景下与所述第一图像对应的第二图像。4.根据权利要求3所述的方法，其特征在于，所述获取每一种训练场景下的第一图像和预设数量的合格图像，包括：采集在每一种训练场景下拍摄的第一图像，以及采用不同曝光参数拍摄的多个候选图像；获得从所述候选图像中筛选出的满足预设条件的合格图像，所述预设条件包括所筛选出的合格图像中不包含移动对象。5.根据权利要求3所述的方法，其特征在于，所述调用为每一种训练场景配置的目标融合算法，包括：以每一种训练场景的场景名称为索引，查找预先保存的训练场景与所配置融合算法的对应关系；根据查找到的与所述场景名称对应的目标融合算法的算法名称，从预先保存的融合算法中调用所述目标融合算法。6.根据权利要求2所述的方法，其特征在于，所述将所述一组图像对作为训练集，训练所述神经网络，包括：调用预先建立的深度卷积神经网络模型，所述深度卷积神经网络模型中包括多个网络层，所述多个网络层包括输入层、一个或多个隐含层、以及输出层；重复执行如下训练操作，直至损失函数收敛：从所述一组图像对中随机提取预设数量组的待训练图像；依次将所述待训练图像中的第一图像输入所述多个网络层进行训练，得到训练后的第一图像；调用损失函数计算所述训练后的第一图像与对应的第二图像的均方误差；如果所述均方误差大于所述误差阈值，则采用反向传播算法将所述均方误差从所述输出层反向传播到输入层，以更新所述多个网络层的参数。7.根据权利要求6所述的方法，其特征在于，所述依次将所述待训练图像中的第一图像输入所述多个网络层进行训练，得到训练后的第一图像，包括：将每一组待训练图像中的第一图像输入所述多个网络层中的输入层；在每一个网络层，将预设数量的滤波器与所述第一图像进行卷积操作，获得特征图像，以及对所述特征图像进行非线性变换，获得变换图像，并将所述变换图像输出到下一个网络层；获得所述多个网络层中的输出层输出的变换图像，得到所述训练后的第一图像。8.根据权利要求7所述的方法，其特征在于，所述采用反向传播算法将所述均方误差从所述输出层反向传播到输入层，以更新所述多个网络层的参数，包括：从所述输出层到所述输入层的反向方向上，对于每一个网络层，计算所述均方误差对所述网络层的每个滤波器的权重的偏导值；通过计算所述滤波器的原始权重值与所述偏导值的差值，获得所述滤波器的更新权重值；利用所述更新权重值更新所述滤波器的权重。9.一种增强图像对比度的设备，其特征在于，包括：内部总线，以及通过内部总线连接的存储器和处理器；其中，所述存储器，用于存储增强图像对比度的控制逻辑对应的机器可读指令；所述处理器，用于读取所述存储器上的所述机器可读指令，并执行所述指令以实现如下操作：调用神经网络，所述神经网络的训练集为一组图像对，其中每一对图像包括针对同一场景的第一图像和第二图像，所述第一图像的对比度低于所述第二图像的对比度；将第三图像输入所述神经网络；获得经过所述神经网络映射输出的第四图像，所述第四图像的对比度高于所述第三图像的对比度。10.根据权利要求9所述的设备，其特征在于，所述处理器，还用于通过多曝光图像融合算法构建一组图像对；将所述一组图像对作为训练集，训练得到所述神经网络。11.根据权利要求10所述的设备，其特征在于，所述处理器，在执行通过多曝光图像融合算法构建一组图像对的操作时，具体用于确定多种训练场景；获取每一种训练场景下的第一图像和预设数量的合格图像；调用为每一种训练场景配置的目标融合算法；通过所述目标融合算法对所述预设数量的合格图像进行融合，获得每一种训练场景下与所述第一图像对应的第二图像。12.根据权利要求11所述的设备，其特征在于，所述处理器，在执行获取每一种训练场景下的第一图像和预设数量的合格图像的操作时，具体用于采集在每一种训练场景下拍摄的第一图像，以及采用不同曝光参数拍摄的多个候选图像；获得从所述候选图像中筛选出的满足预设条件的合格图像，所述预设条件包括所筛选出的合格图像中不包含移动对象。13.根据权利要求11所述的设备，其特征在于，所述处理器，在执行调用为每一种训练场景配置的目标融合算法的操作时，具体用于以每一种训练场景的场景名称为索引，查找预先保存的训练场景与所配置融合算法的对应关系；根据查找到的与所述场景名称对应的目标融合算法的算法名称，从预先保存的融合算法中调用所述目标融合算法。14.根据权利要求10所述的设备，其特征在于，所述处理器，在执行将所述一组图像对作为训练集，训练所述神经网络的操作时，具体用于调用预先建立的深度...

【专利技术属性】
技术研发人员：蔡剑锐，曹子晟，胡攀，
申请(专利权)人：深圳市大疆创新科技有限公司，
类型：发明
国别省市：广东,44