一种基于深度学习的逆光图像协同增强方法技术

本发明专利技术公开了一种基于深度学习的逆光图像协同增强方法，步骤包括：步骤1、采集逆光图像；步骤2、选取三种传统逆光图像增强方法，对每一幅逆光图像均生成三幅不同种类的伪目标图像；步骤3、设置对逆光图像增强的全卷积深度神经网络模型；步骤4、针对不同种类的伪目标图像设计不同的损失函数，然后加权综合所有的损失函数形成总的损失函数，以此来共同指导逆光图像增强的全卷积神经网络模型的训练，来学习并综合不同伪目标图像优点；步骤5、对于待增强的逆光图像，输入到训练好的全卷积神经网络模型，该模型的输出就是增强后的逆光图像。本发明专利技术的方法，增强后的图像整体轮廓清晰、层次分明、色彩协调。

【技术实现步骤摘要】
一种基于深度学习的逆光图像协同增强方法
本专利技术属于数字图像处理
，涉及一种基于深度学习的逆光图像协同增强方法。
技术介绍
随着数码相机、手机等成像设备的日益普及，图像作为传递信息的主要媒介已被广泛应用于社会生活的各个领域。但是由于拍摄环境的约束以及拍摄设备硬件的限制，常会出现逆光图像，导致被拍摄的图像质量降低，进而会影响到后续的处理或者识别。因此，对逆光图像进行自动增强显得非常重要，具有实际应用价值。现有的针对逆光图像的增强手段，主要是采用传统的基于光照不均图像的增强方法来进行处理，如直方图均衡增强方法、多尺度Retinex方法、照射图估计方法、非线性亮度提升方法等。这些方法无法同时兼顾欠曝光的主体和部分过曝光的背景，导致增强后图像的细节表现不好。另外，如果将逆光图像看作低照度图像和过曝光图像的结合，分别通过融合低照度增强方法和过曝光增强方法的增强结果来提高逆光图像的质量，虽然能同时增强欠曝光区域和过曝光区域的细节，但得到的图像整体往往会变得不连续。虽然基于深度学习的方法在低质量图像增强方面有许多方法，但在逆光图像的增强方面鲜本文档来自技高网...

【技术保护点】
1.一种基于深度学习的逆光图像协同增强方法，其特征在于，按照以下步骤实施：/n步骤1、采集逆光图像I

【技术特征摘要】
1.一种基于深度学习的逆光图像协同增强方法，其特征在于，按照以下步骤实施：
步骤1、采集逆光图像Is；
步骤2、选取三种传统逆光图像增强方法，对步骤1采集的每一幅逆光图像均生成三幅不同种类的伪目标图像；
步骤3、设置对逆光图像增强的全卷积深度神经网络模型，用Fe表示，
步骤4、针对步骤2中的不同种类的伪目标图像设计不同的损失函数，然后加权综合所有的损失函数形成总的损失函数，以此来共同指导步骤3所设计的逆光图像增强的全卷积神经网络模型的训练，来学习并综合不同伪目标图像优点；
步骤5、对于待增强的逆光图像Is，将其输入到步骤4训练好的逆光图像增强的全卷积神经网络模型Fe，该全卷积神经网络模型的输出就是增强后的逆光图像Ie，即Ie＝Fe(Is)，即成。


2.根据权利要求1所述的基于深度学习的逆光图像协同增强方法，其特征在于：所述的三种具有不同特色的传统逆光图像增强方法分别是，
传统逆光图像增强方法1生成的伪目标图像要求结构清晰，用It1表示；
传统逆光图像增强方法2生成的伪目标图像要求细节丰富，用It2表示；
传统逆光图像增强方法3生成的伪目标图像要求色彩丰富，用It3表示。


3.根据权利要求1所述的基于深度学习的逆光图像协同增强方法，其特征在于：所述的步骤3中，具体过程为，
3.1)使用一个步长为1的3×3卷积层将输入的逆光图像Is映射到特征空间，形成特征图；
3.2)采用三个下采样块对步骤3.1)形成的特征图进行编码，每一个下采样块都是由一个步长为2的3×3卷积层和ReLU激活层组成，每个下采样块都提取64通道的特征映射输出；
3.3)通过三个上采样块对步骤3.2)最后一个下采样块的特征映射输出进行解码，每个上采样块都是先通过最近邻插值将特征图上采样到更高一层的尺寸，再通过一个3×3卷积层和...

【专利技术属性】
技术研发人员：张二虎，段敬红，李贝，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61