【技术实现步骤摘要】
用于楼宇内低照度环境的图像增强和噪声自适应去除方法
本专利技术涉及图像处理
，具体涉及一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法，适用于目标检测、显著性检测、语义分割、目标跟踪、人脸识别等高度依赖目标可见性的系统。
技术介绍
随着手机等便于携带的移动成像设备的广泛普及，图像的获取变得越来越容易，大量处于楼宇内低照度环境下拍摄的图像开始出现。低照度图像由于其低曝光度的特性不仅会导致视觉上效果较差的影响，而且会使得目标检测、显著性检测、语义分割、目标跟踪、人脸识别等下游计算机视觉任务因为黑暗区域细节的减少而出现极大的性能下降。为了解决低照度图像带来的各种影响，低照度图像增强技术在近些年出现蓬勃的发展。低照度图像增强技术是一种针对光照不足图像中存在的低亮度、低对比度、高噪声、颜色失真等问题的处理技术。低光照图像增强技术的主要目的是通过解决上述问题，提高图像的视觉效果，使得人类或者机器可以更多的发现原本无法察觉的细节。常见的低照度图像增强技术有直方图均衡化、非锐化掩蔽、大气光成像模型、多曝光度图像融...
【技术保护点】
1.一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法，其特征在于，包括步骤：/nS1、采用三个不同的卷积神经网络将原始图像进行分解，分解为照度图、反射图和噪声图；/nS2、通过卷积神经网络对步骤S1分解出的照度图进行照度的调整；/nS3、将步骤S2调整后的照度图与步骤S1分解得到的反射图进行融合，得到最终的增强图像。/n
【技术特征摘要】
1.一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法，其特征在于，包括步骤：
S1、采用三个不同的卷积神经网络将原始图像进行分解，分解为照度图、反射图和噪声图；
S2、通过卷积神经网络对步骤S1分解出的照度图进行照度的调整；
S3、将步骤S2调整后的照度图与步骤S1分解得到的反射图进行融合，得到最终的增强图像。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1对原始图像进行分解采用如下公式：
S(x,y)＝R(x,y)·L(x,y)+N(x,y)(1)
其中，S(x,y)代表原始图像，R(x,y)代表反射图，表示物体反射出的光；L(x,y)代表照度图，表示物体周围的环境光；N(x,y)代表噪声。
3.根据权利要求2所述的方法，其特征在于，所述步骤S1中，对原始图像进行分解的步骤包括：
先对原始图像进行归一化，并将归一化后的图像输入到步骤S1中所述的三个卷积神经网络中，得到大小分别为H×W×1、H×W×3和H×W×3的照度图、反射图和噪声图，其中，H表示图像的高，W表示图像的宽；
其中，照度图所需的卷积神经网络包括5个卷积块，每个卷积块包括一个3×3的卷积核和一个Relu，最后一层将Relu替换为Sigmoid，输出通道数为1；反射图所需的卷积神经网络包括5个卷积块，每个卷积块包括一个3×3的卷积核和一个Relu，最后一层将Relu替换为Sigmoid，输出通道数为3，分别对应图像中的R、G、B三个通道；噪声图所需的卷积神经网络包括5个卷积块，每个卷积块包括一个3×3的卷积核和一个Relu，最后一层将Relu替换为Tanh，输出通道数为3，并且在每一个卷积块之后都将照度图的反转图与之进行连接。
4.根据权利要求3所述的方法，其特征在于，所述步骤S1中，采用1范数对反射图进行约束以保证反射图的一致性，其采用的公式为：
LR＝||Rnorm(x,y)-Rlow(x,y)||1(2)
其...
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。