【技术实现步骤摘要】
一种基于深度学习的稀疏颜色传感器图像重建方法
本专利技术属于图像处理
,涉及一种基于深度学习的稀疏颜色传感器图像重建方法。
技术介绍
在过去的十年中,数码相机有了很大的发展。数码相机的基本原理是,采用单个传感器的成像结构,一次曝光获得一幅图像,传感器表面覆盖滤光片,曝光成像时,传感器的每个像素位置只采集一种颜色,这种直接采样获取的图像称为raw图像,需通过软件方法重建出每个像素位置上没有直接采样的颜色,这个重建过程被称为图像去马赛克。当前RGB数码相机中,传感器表面最常见的滤光片阵列是Bayer阵列,成像区域由2×2的重复阵列组成,每组2×2阵列包含2个绿色像素(G)、1个红色像素(R)、1个蓝色像素(B)。近些年针对Bayer阵列raw图像的去马赛克技术取得了一定进步,但采用Bayer阵列的相机在拍摄弱光场景图像时仍存在图像不清晰、细节丢失等缺陷。为了克服Bayer阵列成像在弱光条件下的成像缺陷,Kodak公司提出了RGBW滤光片阵列,在RGB基础上加入了W全色像素。与表面覆盖了滤光片的R、G、B三色像素不同,W全色像素没有覆盖滤光片,从而意味着可接收更多光线进入传感器,从而引发传感器的光电响应,利于捕捉弱光条件下的图像信息,但是其技术效果还是不够理想。
技术实现思路
本专利技术的目的是提供一种基于深度学习的稀疏颜色传感器图像重建方法,解决了现有技术在采用Bayer阵列的相机拍摄弱光场景图像时,仍存在图像不清晰、细节丢失,弱光条件下的成像质量差的问题。本专利技术采用的技术特 ...
【技术保护点】
1.一种基于深度学习的稀疏颜色传感器图像重建方法,其特征在于,按照以下步骤具体实施:/n步骤1、构建亮度恢复网络,根据raw图像中占96%的全色像素W
【技术特征摘要】
1.一种基于深度学习的稀疏颜色传感器图像重建方法,其特征在于,按照以下步骤具体实施:
步骤1、构建亮度恢复网络,根据raw图像中占96%的全色像素WS恢复出100%的全色像素图像WR;
步骤2、构建生成对抗网络WGAN;
步骤3、更新对抗模块参数;
步骤4,更新颜色重建网络参数;
步骤5,建立非线性映射关系,
训练对抗模块和颜色重建网络,直到对抗模块的损失值达到最大,颜色重建网络的损失值达到最小;保存训练好的颜色重建网络的结构及各层参数,得到建立好的非线性映射关系;
步骤6,获取RGB彩色图像,
将测试数据输入到训练好的颜色重建网络中,得到RGB彩色图像。
2.根据权利要求1所述的基于深度学习的稀疏颜色传感器图像重建方法,其特征在于:所述的步骤1中,具体过程是,
利用raw图像中占96%空间的全色像素WS计算出全部空间上的全色像素图像WR,亮度恢复网络的结构依次为:全色像素WS作为输入→第一个卷积层Conv1→第二个卷积层Conv2→第三个卷积层Conv3→第四个卷积层Conv4→第五个卷积层Conv5→第六个卷积层Conv6→输出全色像素图像WR,
其中Conv1、Conv2和Conv3的特征映射图的总数均为64个,Conv4和Conv5的特征映射图的总数均为128个;前五个卷积层的卷积核大小均为3×3,卷积步长均为1,并通过ReLU函数激活;网络的最后一层卷积层的尺寸为H×W×1,其中H和W分别代表输入图像的高度和宽度;输出层通过双曲正切函数激活;在恢复100%的全色像素图像WR的同时,采用Canny边缘提取算法提取出边缘特征ER作为低级特征,表达式为ER∈[0,1]H×W×1,
亮度恢复网络的每一层均使用批量归一化函数进行归一化处理,在训练亮度恢复网络时,采用将L1+SSIM损失函数组合在一起作为最终的网络训练损失函数,表达式为:
式(1)中,L(WG,WR)表示真实图像的全色像素图像WG和恢复出来的全色像素图像WR之间的损失;
p表示像素,P表示整个图像块,N表示图像块中像素的总数,WG(p)和WR(p)分别是WG和WR的像素值;
其中,和分别表示WG和WR的平均值,和是标准偏差,是真实图像的全色像素图像WG和恢复出来的全色像素图像WR的协方差,C1和C2是常量,l是亮度分量,c是对比度分量,s是结构分量。
3.根据权利要求1所述的基于深度学习的稀疏颜色传感器图像重建方法,其特征在于:所述的步骤2中,具体过程是,
构建一个颜色重建网络CRN并设置该网络的每层参数,作为生成对抗网络WGAN中的生成器,该网络的输入数据包含:步骤1获得的100%全色像素图像WR、边缘特征ER、以及raw图像中的占4%空间的稀疏RGB像素CS,网络输出为重建的RGB彩色图像IR,
颜色重建过程采用对抗训练,颜色重建网络CRN作为生成器,对抗模块作为判别器,颜色重建网络CRN的结构依次为:集合K={WR,CS,ER}作为输入→第一个卷积块ConvB1→第一个密集-过渡块Dense1-Tran1→第二个密集-过渡块Dense2-Tran2→第三个密集-过渡块Dense3-Tran3→第二个卷积块ConvB2→第三个卷积块ConvB3→第四个卷积块ConvB4→第五个卷积块ConvB5→第六个卷积块ConvB6→第七个卷积块ConvB7→第八个卷积块ConvB8→输出RGB彩色图像IR,
其中,Dense1-Tran1与ConvB7相连,Dense2-Tran2与ConvB6相连,Dense3-Tran3与ConvB5相连,ConvB1的特征映射图的总数为15个,卷积核大小为3×3,卷积步长为1,通过ReLU函数激活;
ConvB1首先处理全色像素图像WR和稀疏RGB像素CS,然后将边缘特征图像PR与ConvB1的...
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。