一种基于一体式网络的微光图像增强方法技术

本发明专利技术公开了一种基于一体式网络的微光图像增强方法。本发明专利技术提供的方法是：首先运用计算机读取低光照条件下拍摄的微光图像，通过将微光图像分割为若干超像素，利用局部标准差与局部梯度的比值估计每个超像素的噪声电平；然后，将图像反转，采用BM3D滤波器与结构滤波器自适应方法进行平滑处理，以获得无噪声和纹理完整图像；最后，将无噪声和纹理完整图像输入微光一体式网络中，以增强对比度，防止对比度过度增强。本方法可以对微光图像进行有效的增强处理，在主观评价和客观评价方面均优于传统方法，且图像质量评价指标峰值信噪比和结构相似性指数分别达到31.64dB，91.2％。相对其他基于深度学习进行微光图像增强方法，有效地提高了增强图像的处理速度和鲁棒性。

A low light level image enhancement method based on Integrated Network

【技术实现步骤摘要】
一种基于一体式网络的微光图像增强方法
本专利技术涉及图像处理
，特别是一种基于一体式网络的微光图像增强方法。
技术介绍
在图像采集过程中，由于光照过暗导致拍摄的图像整体灰度值偏低，对比度低，如夜间图像，局部信息无法辨认，难以进行特征提取，甚至特征信息丢失，增加了进一步处理的困难程度，如目标识别、目标检测与跟踪任务难以进行。因此，如何针对低光照问题有效地对微光图像进行前期增强处理，是图像增强技术研究的热点问题。图像增强是指利用各种优异的数学模型和变换方法与手段提高图像中感兴趣目标的对比度和清晰度，以满足不同领域的特定应用场景的图像处理技术。现有的微光图像增强技术主要分为空间统一方法和空间非统一方法两类。如：基于直方图均衡化(HE)的方法，对数压缩，伽玛校正，基于人眼对比敏感度的方法，以及基于Retinex理论的方法等。然而，这些算法在实际应用中突显出明显的不足之处，如下：1、对图像进行了全局的图像对比度增强与拉伸，在一定程度上，容易出现对比度过增强问题，出现图像失真，不符合人肉眼视觉感知。2、由于其在多个尺度上分别做耗时的卷积运算，因此，计算量较大。3、由于不同图像的应用环境不同、拍摄的光照强度不同，存在较差的鲁棒性。
技术实现思路
本专利技术提供一种基于一体式网络的微光图像增强方法，以克服现有图像增强技术存在的微光图像增强的过增强，计算量大，鲁棒性差的问题。为了达到本专利技术的目的，本专利技术提出的方案如下：复制与现有技术相比，本专利技术的有益效果是：1)本专利技术充分考虑非局部均值去噪算法中相似性对噪声去除的影响，利用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点，在超像素分割块基础上优化纹理区域相似窗口的选择策略，提高图像块与中心像素块之间的相似性，从而达到提升非局部均值算法的去噪纹理级别、防止图像过度增强，边缘纹理不被模糊的目的。2)本专利技术使用一个一体式网络集成了K估计模块与对比度光值估计模块，学习去噪后的微光图像特征，减少了参数与计算量，从而提升图像处理速度，并提高了微光图像增强的处理效率与视觉效果，图像质量评价指标峰值信噪比和结构相似性指数分别达到了31.64dB，91.2％。3)本专利技术通过一体式网络的增强方法，训练的模型结果可处理出不同光照程度的微光图像，有效地提升了鲁棒性。附图说明图1为本专利技术实施例的方法流程图；图2基于一体式网络的微光图像增强结构图；图3为一体式网络模型图；图4为部分数据集图；图5为不同算法时间消耗成本图；图6几种不同微光图像对比度增强算法比较图；图7为32幅真实测试图像与增强结果图；图8为不同算法的32幅图的平均LOE比较图。具体实施方式下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。本专利技术提供一种基于一体式网络的微光图像增强方法，包括如下步骤：步骤1、准备阶段：运用计算机读取低光照条件下拍摄的微光图像，详细说明如下：运用摄像头终端进行图像采集，不仅运用最简单的方法获得了微光图像，而且可以达到有效扩大数据集的数量，降低数据获取成本的目的；其具体包括如下步骤：步骤101、数据集的获取，选择用图像采集终端获得微光图像，这种获取数据集的方法简单且方便，而且可以有效的扩充数据集；步骤102、将获取的数据集进行分类，划分为训练集、验证集及测试集；步骤103、读取预训练模型，并读入微光图像目录；步骤2、图像预处理阶段：通过将微光图像输入计算机，运用分割算法将微光图像分割为若干超像素，利用局部标准差与局部梯度的比值来估计每个超像素的噪声电平；步骤3、基于滤波器的去噪处理阶段：将图像反转，采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像，详细说明如下：将低照度条件下拍摄的图像先进行反转操作，用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点，在超像素分割块基础上优化纹理区域相似窗口的选择策略，提高图像块与中心像素块之间的相似性，然后根据每个超级像素的噪声纹理级别，采用BM3D滤波器自适应提取平滑的基础层，通过反转图像的一阶微分提取另一个细节层，并采用结构滤波器进行平滑，去除图像中的噪声，以获得无噪声和纹理完整图像；步骤4、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取微光图像的关键点信息；然后构建用于提高局部对比度的一体式网络，将无噪声和纹理完整图像应用于微光一体式网络中，实现整体微光图像增强，详细说明如下：首先采用基于滤波器平滑出来的无噪声和纹理完整的微光图像，运用骨干网络VGG16进行特征提取，根据所述骨干网络VGG16得到提取微光图像的特征信息，以获得微光图像特征，将获取微光特征后的特征向量发送到一体式网络的K模块估计单元。然后将提取的微光图像特征送入一体式网络模型中的K估计模块，先进行K估计模块进行卷积、池化等操作，估计新变量K(x)，再通过由乘法层与若干加法层构成的清晰图像生成模块，进行计算得到对比度光照值，并进行参数更新，减少了计算参数，加快了处理速度；步骤5、图像反转阶段：将提高对比度之后的图像进行反转操作，输出增强后的优化图像，即可得到与原微光图像相匹配的增强图像，以提高微光图像的整体视觉感知。实施例：如图1所示，该方法通过以下步骤实现：s1：准备阶段：运用计算机读取低光照条件下拍摄的微光图像具体的，将摄像头对准不同光照强度的场景，获取不同对比度的微光图像，进行数据集获取。主要包括步骤如下：步骤101、数据集的获取，选择用图像采集终端获得低光照条件下拍摄的微光图像；步骤102、将获取的数据集进行分类，划分为训练集、验证集及测试集；步骤103、读取预训练模型，并读入微光图像目录。s2：通过图像采集终端得到微光图像，计算机读入微光图像，采用基于图像采集终端检测出来的微光图像，将其分割为若干超像素，利用局部标准差与局部梯度的比值来估计每个超像素的噪声电平。具体的，利用超像素方法将微光图像I分割成多个子区域。对于每个子区域，使用以下方法来确定平滑度，假设噪声是加性高斯白噪声i(AWGN)。用δi表示超像素i标准差，表示超像素的局部梯度。考虑到δi和之间的归一化比值λi来测量子区域噪声电平：s3：将低照度条件下拍摄的图像先进行反转操作，用经本文档来自技高网...

【技术保护点】
1.一种基于一体式网络的微光图像增强方法，包括如下步骤：/n步骤1、准备阶段：运用计算机读取低光照条件下拍摄的微光图像；/n步骤2、图像预处理阶段：应用分割算法将微光图像分割为若干超像素，估计噪声电平。/n步骤3、基于滤波器的去噪处理阶段：将图像反转，采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像，防止了过增强；/n步骤4、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取微光图像的关键点信息；然后，构建用于提高局部对比度的一体式网络，将无噪声和纹理完整图像应用于微光一体式网络中，实现整体微光图像增强，有效地减少计算量，提升处理速度；/n步骤5、图像反转阶段：将提高对比度之后的图像进行反转操作，输出增强后的优化图像，以提高微光图像的整体视觉感知，并提高鲁棒性。/n

【技术特征摘要】
1.一种基于一体式网络的微光图像增强方法，包括如下步骤：
步骤1、准备阶段：运用计算机读取低光照条件下拍摄的微光图像；
步骤2、图像预处理阶段：应用分割算法将微光图像分割为若干超像素，估计噪声电平。
步骤3、基于滤波器的去噪处理阶段：将图像反转，采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像，防止了过增强；
步骤4、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取微光图像的关键点信息；然后，构建用于提高局部对比度的一体式网络，将无噪声和纹理完整图像应用于微光一体式网络中，实现整体微光图像增强，有效地减少计算量，提升处理速度；
步骤5、图像反转阶段：将提高对比度之后的图像进行反转操作，输出增强后的优化图像，以提高微光图像的整体视觉感知，并提高鲁棒性。


2.根据权利要求1所述的一种基于一体式网络的微光图像增强方法，其特征在于，步骤1具体包括如下步骤：
步骤101、数据集的获取，选择用图像采集终端获得低光照条件下拍摄的微光图像；
步骤102、将获取的数据集...

【专利技术属性】
技术研发人员：王鹏，吴娇，李晓艳，吕志刚，许韫韬，符惠桐，王明铭，张云绚，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：陕西;61