【技术实现步骤摘要】
一种基于卷积神经网络的低照度带噪声图像优化方法
本专利技术涉及图像处理领域，具体涉及一种基于卷积神经网络的低照度带噪声图像优化方法。
技术介绍
运用相机等摄像设备拍摄高质量的图片与视频在许多情况下都有着很大的作用，但是并非所有拍摄到的图像的图片都有着良好的质量。由于拍摄时的光照不足以及在传输过程中各种电噪声，机械噪声，信道噪声和其他噪声干扰，通常会导致捕捉的图像整体偏暗，同时还伴有图像噪声，造成图像降质，因此很难清楚地识别物体或纹理，因此很有必要改善低亮度图片的质量。目前，国内外改善低亮度噪声图像的主流算法是直方图均衡化(Histogramequalization，HE)、对比度受限自适应直方图均衡化(Contrastlimitedadaptivehistogramequalization，CLAHE)、伽马校正(Gammacorrection，GC)，这些方法虽然改善了低亮度噪声图像的图片质量，但效果仍不理想，并且有着各自的缺点，容易造成图片的色彩失真，图像出现大量白块等问题。
技术实现思路
本...
【技术保护点】
1.一种基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，包含：/n步骤S1、构建LLED-Net卷积神经网络；所述LLED-Net卷积神经网络为卷积-反卷积结构，包括N个卷积层与N层相应的镜像反卷积层，使用跳越连接从卷积层连接到对应的镜像反卷积层，所述跳越连接是指单个卷积层的输出传递给下一层卷积层，且将输出传递给对应的镜像反卷积层；所述LLED-Net卷积神经网络使用结构相似性损失作为卷积神经网络的损失函数；/n步骤S2、收集正常光照图像，并通过人工合成相应的低照度带噪声图像，将该低照度带噪声图像进行数据增强扩充数量后作为训练数据，使用所述训练数据训练所述LLED-...
【技术特征摘要】
1.一种基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，包含：
步骤S1、构建LLED-Net卷积神经网络；所述LLED-Net卷积神经网络为卷积-反卷积结构，包括N个卷积层与N层相应的镜像反卷积层，使用跳越连接从卷积层连接到对应的镜像反卷积层，所述跳越连接是指单个卷积层的输出传递给下一层卷积层，且将输出传递给对应的镜像反卷积层；所述LLED-Net卷积神经网络使用结构相似性损失作为卷积神经网络的损失函数；
步骤S2、收集正常光照图像，并通过人工合成相应的低照度带噪声图像，将该低照度带噪声图像进行数据增强扩充数量后作为训练数据，使用所述训练数据训练所述LLED-Net卷积神经网络模型，动态调整网络模型的学习率进行训练，得到训练好的LLED-Net卷积神经网络；
步骤S3、通过训练好的LLED-Net卷积神经网络模型对采集到的真实低照度带噪声图像进行重构优化，实现重构高质量图像。
2.如权利要求1所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，
所述LLED-Net卷积神经网络包含十层用于处理图像的卷积层与十层相应的镜像反卷积层；
所述卷积层作为特征提取器，经过所述卷积层转发后，后接10个反卷积层恢复图像中的细节，反卷积层特征图数目与相应的卷积层特征图数目镜像相同；
所述LLED-Net卷积神经网络模型使用跳越连接从卷积层连接到对应的镜像反卷积层，将层层传递的卷积层特征图逐项求和又作为反卷积层的输入，并通过跳越连接进行校正后再传递到下一层反卷积层。
3.如权利要求2所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，
所述LLED-Net卷积神经网络的结构中，进一步包含：
十层卷积层从输入端至输出端依次记作为第一层卷积层、第二层卷积层…直至第十层卷积层；
十层反卷积层从输入端至输出端依次记作为第一层反卷积层、第二层反卷积层…直至第十层反卷积层；
第i层卷积层对应地与第11-i层反卷积层进行跳越连接，且1≤i≤10。
4.如权利要求3所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，
所述LLED-Net卷积神经网络的结构中，进一步包含：
第一层卷积层至第四层卷积层的卷积核数目均为128，第五层卷积层至第七层卷积层的卷积核数目均为256，第八层卷积层至第十层卷积层的卷积核数目均为512；
第一层反卷积层至第二层反卷积层的卷积核数目均为512，第三层反卷积层至第五层反卷积层的卷积...
【专利技术属性】
技术研发人员：吴海申，李启明，王礼凯，徐璐，吕玥齐，康信杰，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31
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。