本发明专利技术公开了一种轻量级无监督暗光图像增强方法及装置，其中方法包括：S1：建立无监督图像分解网络，所述图像分解网络用于将输入的原始暗光图像分解为光照图像和反射图像；S2：建立无监督图像增强网络，所述图像增强网络用于增强所述光照图像的亮度以得到对应的增强光照图像，同时，根据所述增强光照图像得到对应的含噪声增强图像；S3：建立无监督图像去噪网络，所述图像去噪网络用于对所述含噪增强图像去除噪声，输出增强图像；本发明专利技术可使最终的增强图像具有更好的增强效果。增强图像具有更好的增强效果。增强图像具有更好的增强效果。
【技术实现步骤摘要】
一种轻量级无监督暗光图像增强方法及装置
[0001]本专利技术涉及图像处理
，更具体的说是涉及一种轻量级无监督暗光图像增强方法及装置。
技术介绍
[0002]近年来，近年来，智能手机的高速发展让人们可以随时随地拍摄照片。然而，在日常生活中常会遇到较差的光照环境。例如，在弱光源不足以照亮整个场景的情况下，得到的图像整体通常非常暗，且黑暗区域可能隐藏了较多的成像噪声，其视觉质量通常不令人满意。即使通过图像处理技术将图像整体光照进行增强，原本隐藏在暗处的噪声也很容易随之显著放大，依旧严重影响了输出图像的视觉质量。因此，暗光图像处理主要包含两方面目标：一方面是增强图像亮度，另一方面是去除图像噪声。
[0003]目前，现有技术中暗光图像增强方法主要可分为基于模型驱动的传统方法和基于数据驱动的深度学习方法，其中模型驱动方法中，最具代表性的是基于Retinex图像分解框架的暗光图像增强模型，但此类方法往往存在如下问题：(1)建立Retinex图像分解目标函数，其分解结果会因正则化项不同而各有差异；(2)对Retinex图像分解所得的光照图进行伽马矫正来增强图像光照，其中的伽马校正参数数值只能依据经验设定为定值1/2.2，对图像亮度改善能力有限，对不同图像场景和内容的泛化能力不强；(3)在去噪问题上，可通过在目标函数添加正则化项、或直接后处理进行，但是这样的做法都是基于全局处理，容易导致原本光线较好的图像区域细节丢失。
[0004]对于数据驱动下的暗光图像增强方法，一般是构建含有大量参数的深度神经网络，以全监督的方式在大规模训练数据集拟合出复杂的函数映射，使低质量的暗光图片转变为高质量的正常光照图片，进而完成暗光增强。但是此类方法仍然存在一些缺点。首先，随着移动设备的发展，更多的深度模型开始在移动端部署，然而现有的深度学习方法大多模型庞大，参数较多，部署到移动端比较困难。第二，很多基于深度学习的暗光图像增强算法属于全监督学习的范式，即训练模型时须有大量成对的数据(即同一场景下的一张暗光图片和一张正常光照图片，且两张图片之间须在像素级一一对应)来拟合暗光到正常光照的映射函数。此类成对图像数据集的大规模采集和构建通常非常困难，现有若干公开数据集并不能很好地模拟真实的暗光环境，容易使得模型出现过拟合情况，进而造成模型的泛化能力不足。第三，一些基于深度学习的暗光增强方法也对图像的噪声进行去除，但是这些方法的去噪步骤通常忽略了噪声分布与光照分布的高度联系，因此也常出现将图像原本细节错误抹除的问题。综上，暗光图像处理方法中，更广泛场景对比度增强、针对性的去噪、模型轻量化、以及不依赖于成对数据集的的无监督学习都是需要暗光增强任务中亟需解决的问题。
[0005]因此，如何提供一种能够解决上述问题的暗光图像增强方法是本领域技术人员亟需解决的问题。
技术实现思路
[0006]有鉴于此，本专利技术提供了一种轻量级无监督暗光图像增强方法及装置，构建了光照引导的去噪模型，在此模型下可以针对性地去除暗处的噪声而保留亮处的细节，从而使得最终的增强图像具有更好的增强效果。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种轻量级无监督暗光图像增强方法，包括：
[0009]S1：建立无监督图像分解网络，所述图像分解网络用于将输入的原始暗光图像分解为光照图像和反射图像；
[0010]S2：建立无监督图像增强网络，所述图像增强网络用于增强所述光照图像的亮度以得到对应的增强光照图像，同时，根据所述增强光照图像得到对应的含噪声增强图像；
[0011]S3：建立无监督图像去噪网络，所述图像去噪网络用于对所述含噪增强图像去除噪声，输出增强图像。
[0012]优选的，所述步骤S1还包括：
[0013]步骤S11：采用L1损失最小化函数降低所述原始暗光图像与所述光照图像及所述反射图像的差距；
[0014]步骤S12：采用第一平滑损失函数保证所述光照图像线性平滑；
[0015]步骤S13：采用预训练VGG
‑
19模型加强所述原始暗光图像与所述光照图像及所述反射图像的联系。
[0016]优选的，所述步骤S1中，所述无监督图像分解网络包括：光照图分支网络及反射图分支网络，所述光照图分支网络包括依次连接的第一卷积+LReLU层、第二卷积+LReLU层及第一卷积+Sigmoid层，所述反射图分支网络包括依次连接的五层第一U
‑
Net结构、第三卷积+LReLU层、第二卷积+Sigmoid层，且所述第二卷积+LReLU层与所述第三卷积+LReLU层串联。
[0017]优选的，所述步骤S2还包括：
[0018]步骤S21：将所述步骤S1得到的所述光照图像采用光照矫正曲线对所述光照图像进行增强，得到第一光照图像，其中光照矫正曲线的表达式为：
[0019]LE(I(p),α)＝I(p)+αI(p)(1
‑
I(p))
[0020]式中，LE(I(p),α)是I(p)的增强结果，α是用于训练的增强参数；
[0021]将α转换成像素级A
n
的形式，具体为：
[0022]LE
n
(p)＝LE
n
‑1(p)+A
n
LE
n
‑1(p)(1
‑
LE
n
‑1(p))
[0023]步骤S22：对所述第一光照图像采用曝光损失函数控制曝光水平，得到第二光照图像，其中曝光损失函数的表达式为：
[0024][0025]式中，Y表示尺寸为16*16的不重叠局部块亮度强度的平均值，E为曝光级别；
[0026]步骤S23：对所述第二光照图像采用第二平滑损失函数进行平滑迭代，得到最终的增强光照图像，其中第二平滑损失函数的表达式为：
[0027][0028]式中，L
TV
表示平滑损失；
[0029]步骤S24：将所述增强光照图像与所述反射图像逐像素相乘得到含噪声增强图像。
[0030]优选的，所述步骤S2中，所述无监督图像增强网络包括依次连接的四层卷积+LReLU层、第一卷积+Tanh层，所述四层卷积+LReLU层依次两两串联。
[0031]优选的，所述步骤S3还包括：采用去噪损失函数对所述含噪声增强图像进行处理，输出增强图像。
[0032]优选的，所述步骤S3中，所述无监督图像去噪网络包括依次连接的五层第二U
‑
Net结构。
[0033]进一步，本专利技术还提供一种无监督暗光图像增强装置，包括：
[0034]第一网络构建模块，所述第一网络构建模块用于构建所述无监督图像分解网络；
[0035]第一图像处理模块，所述第一图像处理模块用于利用所述无监督图像分解网络对原始暗光图像进行分解处理，得到对应的光照图像及反射图像；
[0036]第二网络构建模块，所述第二网络构建模块用于构建所述无本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种轻量级无监督暗光图像增强方法，其特征在于，包括：S1：建立无监督图像分解网络，所述图像分解网络用于将输入的原始暗光图像分解为光照图像和反射图像；S2：建立无监督图像增强网络，所述图像增强网络用于增强所述光照图像的亮度以得到对应的增强光照图像，同时，根据所述增强光照图像得到对应的含噪声增强图像；S3：建立无监督图像去噪网络，所述图像去噪网络用于对所述含噪增强图像去除噪声，输出增强图像。2.根据权利要求1所述的一种轻量级无监督暗光图像增强方法，其特征在于，所述步骤S1还包括：步骤S11：采用L1损失最小化函数降低所述原始暗光图像与所述光照图像及所述反射图像的差距；步骤S12：采用第一平滑损失函数保证所述光照图像线性平滑；步骤S13：采用预训练VGG
‑
19模型加强所述原始暗光图像与所述光照图像及所述反射图像的联系。3.根据权利要求2所述的一种轻量级无监督暗光图像增强方法，其特征在于，所述步骤S1中，所述无监督图像分解网络包括：光照图分支网络及反射图分支网络，所述光照图分支网络包括依次连接的第一卷积+LReLU层、第二卷积+LReLU层及第一卷积+Sigmoid层，所述反射图分支网络包括依次连接的五层第一U
‑
Net结构、第三卷积+LReLU层、第二卷积+Sigmoid层，且所述第二卷积+LReLU层与所述第三卷积+LReLU层串联。4.根据权利要求1所述的一种轻量级无监督暗光图像增强方法，其特征在于，所述步骤S2还包括：步骤S21：将所述步骤S1得到的所述光照图像采用光照矫正曲线对所述光照图像进行增强，得到第一光照图像，其中光照矫正曲线的表达式为：LE(I(p),α)＝I(p)+αI(p)(1
‑
I(p))式中，LE(I(p),α)是I(p)的增强结果，α是用于训练的增强参数，p是每一个像素；将α转换成像素级A
n
的形式，具体为：LE
n
(p)＝LE
n
‑1(p)+A
n
LE
n
...
【专利技术属性】
技术研发人员：郝世杰，韩徐，郭艳蓉，洪日昌，汪萌，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。