一种基于显著性前景内容的低光照图像增强方法技术

本发明专利技术公开了一种基于显著性前景内容的低光照图像增强方法，学习低光照图像中的显著性前景内容信息并与增强过程融合，将低光照图像输入低光照显著注意力深度网络模型SAM得到输出的显著图；向深度预测网络模型输入低光照图像并输出对应的深度图；将获得的深度图作为引导图对显著图进行引导滤波，得到显著前景图；对于输入的低光照图像，以显著前景图作为增强程度的权重，采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。本发明专利技术能够针对低光照图像中的显著性前景内容区域有效的增强，同时抑制背景和无关内容区域的过度增强并抑制噪声。

A low light image enhancement method based on saliency foreground content

【技术实现步骤摘要】
一种基于显著性前景内容的低光照图像增强方法
本专利技术属于图像处理
，具体涉及一种基于显著性前景内容的低光照图像增强方法。
技术介绍
随着图像传感器设备和技术的发展和更新人们可以更便捷地获取高质量的图像，然而在低光照环境下图像传感器因为光线不足，成像会出现对比度较低、随机噪声、颜色失真等问题。这些问题往往对物体识别、检测与跟踪等后续的计算机视觉与图像处理任务的开展产生不少阻碍。为了解决低光照图像的上述问题，人们相继提出了不少低光照增强的方法，根据其所基于的理论和模型主要可划分为三大类：第一类是基于对比度提升的方法例如灰度直方图均衡、自适应对比度增强的方法；第二类是基于Retinex模型的增强算法，其主要原理将原始的低光照自然图像分解为反射图和照射图，通过对照图的估计计算出反射图作为增强后的图像；第三类是随着深度学习技术的发展，人们设计出相应的网络并构造相应的数据集，通过对网络的训练来得到增强低光照图像的模型。尽管现有的图像增强方法针对一些低光照数据集已经具有比较令人满意的效果，然而面对更普通的低光照图像或者条件更恶劣的低光照图像时本文档来自技高网...

【技术保护点】
1.一种基于显著性前景内容的低光照图像增强方法，其特征在于，学习低光照图像中的显著性前景内容信息并与增强过程融合，将低光照图像输入低光照显著注意力深度网络模型SAM得到输出的显著图；向深度预测网络模型monodepth2输入低光照图像并输出对应的深度图；将获得的深度图作为引导图对显著图进行引导滤波，得到显著前景图；对于输入的低光照图像，以显著前景图作为增强程度的权重，采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。/n

【技术特征摘要】
1.一种基于显著性前景内容的低光照图像增强方法，其特征在于，学习低光照图像中的显著性前景内容信息并与增强过程融合，将低光照图像输入低光照显著注意力深度网络模型SAM得到输出的显著图；向深度预测网络模型monodepth2输入低光照图像并输出对应的深度图；将获得的深度图作为引导图对显著图进行引导滤波，得到显著前景图；对于输入的低光照图像，以显著前景图作为增强程度的权重，采用LIME增强算法对低光照图像进行不同程度的增强，最终得到基于显著性前景内容增强的结果图。


2.根据权利要求1所述的基于显著性前景内容的低光照图像增强方法，其特征在于，利用拥有10000张训练图像、5000张验证图像以及5000张测试图像的SALICON数据集对SAM模型进行训练，将原始的自然图像通过Gamma变换和添加高斯随机噪声转化为模拟低光照图像，获得模拟低光照图像的显著性预测训练集用于训练，得到针对低光照图像显著性预测的模型。


3.根据权利要求2所述的基于显著性前景内容的低光照图像增强方法，其特征在于，模拟低光照条件预处理后的训练图像L为：
L＝A×Iγ+X
其中，I为原始数据集图像，X为服从高斯分布的随机噪声，A为1，γ为2～5之间的随机数，B为(0，1)之间的均匀分布。


4.根据权利要求1所述的基于显著性前景内容的低光照图像增强方法，其特征在于，显著前景图中包含显...

【专利技术属性】
技术研发人员：杨勐，郝鹏程，王爽，郑南宁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61