【技术实现步骤摘要】
一种图像增强方法、装置、终端设备及计算机可读介质
本专利技术属于计算机视觉与智慧交通
，具体是涉及到一种图像增强方法、装置、终端设备及计算机可读介质。
技术介绍
低照度环境下拍摄的图像常存在曝光不足致使图像整体偏暗，视觉效果模糊，很大程度上影响了对图像信息的提取和分析。图像增强是一种常用的图像处理技术，可提高图像的对比度，从而改善图像视觉效果。深度学习作为计算机视觉领域的研究热点，已经越来越多的被应用于增强低照度图像。但现有技术中，主要采用下采样卷积和上采样卷积融合的神经网络模型用于增强低照度图像，容易造成图像信息丢失，采用该方法获得的增强图像失真严重，不利于后续的图像处理。
技术实现思路
有鉴于此，本专利技术实施例提供一种图像增强方法、装置、终端设备及计算机可读介质，能够避免生成的增强图像的严重失真。本专利技术实施例的第一方面提供了一种图像增强方法，包括：将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像；其中，所述低照度低动态范围图像作为样本对数据集中的训...
【技术保护点】
1.一种图像增强方法，其特征在于，包括：/n将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像；其中，所述低照度低动态范围图像作为样本对数据集中的训练图像，正常照度低动态范围图像作为样本对数据集中的目标图像；/n在通过所述样本对数据集对自编码网络进行迭代训练的过程中，将所述低照度低动态范围图像输入自编码网络中，并通过所述自编码网络输出预测的低照度增强图像；其中，所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络，以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征，并输出所述预测的低照度增强图像的解码网络；...
【技术特征摘要】
1.一种图像增强方法，其特征在于，包括：
将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像；其中，所述低照度低动态范围图像作为样本对数据集中的训练图像，正常照度低动态范围图像作为样本对数据集中的目标图像；
在通过所述样本对数据集对自编码网络进行迭代训练的过程中，将所述低照度低动态范围图像输入自编码网络中，并通过所述自编码网络输出预测的低照度增强图像；其中，所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络，以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征，并输出所述预测的低照度增强图像的解码网络；
采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异，并将所述差异输入所述自编码网络中，由所述自编码网络根据所述差异调整所述自编码网络的参数值，直到在所述迭代训练的过程中使所述差异达到极小值时，获得训练好的自编码网络；
通过所述训练好的自编码网络接收低照度图像，并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
2.根据权利要求1所述的图像增强方法，其特征在于，所述将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像，包括：
计算出高动态范围图像的平均亮度平均亮度的计算公式为：
其中，Lω(x，y)是像素点(x,y)的亮度，N是场景内的像素数，δ是一个很小的数用来应对像素点纯黑的情况；
根据图像平均亮度映射到中间图像亮度L(x,y)：
其中，a用来控制场景的亮度倾向，转换成正常照度低动态范围图像时，a＝0.36，转换成低照度低动态范围图像时，a＝0.045；
将中间图像亮度映射到[0,1]区间，生成目标映射图像亮度Ld(x,y):
其中，所述目标映射图像亮度即为所述正常照度低动态范围图像或低照度低动态范围图像对应的图像亮度。
3.根据权利要求1所述的图像增强方法，其特征在于，采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异L的公式为：
M是样本数量，表示预测的低照度增强图像，I表示正常照度低动态范围图像。
4.一种图像增强装置，其特征在于，包括：
转化模块，用于将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像；其中，所述低照度低动态范围图像作为样本对数据集中的训练图像，正常照度低动态范围...
【专利技术属性】
技术研发人员：罗茜，张斯尧，谢喜林，王思远，黄晋，张诚，文戎，
申请(专利权)人：苏州千视通视觉科技股份有限公司，
类型：发明
国别省市：江苏;32
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。