【技术实现步骤摘要】
基于循环生成对抗残差网络及QTP损失项的黑夜图像增强方法及系统
[0001]本专利技术涉及计算机视觉,深度学习以及生成对抗神经网络
,具体地说是一种基于循环生成对抗残差网络及QTP损失项的无监督真实场景领域的黑夜图像增强方法及其在图像处理中的应用。
技术介绍
[0002]在科技日新月异的当下,计算机视觉技术正走进人们生活的方方面面。比如说自动驾驶,场景摄像头的检测识别,辅助倒车影像等等。但是前述所举的任务例子中,往往在光线充足的环境下,计算机视觉技术的性能较好,一旦应用于光线欠佳甚至黑夜环境下,这些视觉任务的准确率和性能会大幅下降。其原因在于黑夜场景的能见度低,光线不充足,设备采集的图像会发生模糊,噪声点等影响,导致诸如检测识别任务等视觉任务不能很好的应对这些问题。解决这些问题的一个途径是对黑夜场景图像进行增强,使得这些图像获得近似白天图像的特性,从而可以大大提升计算机视觉任务的处理效果。正因如此,解决实际黑夜场景增强是迫切而有必要的。
[0003]由于实际场景往往没有严格成对的数据集,因此真实黑夜场景的图像增强归于无监督任务。现在的无监督黑夜增强任务面临3个主要问题:
[0004]1.伪色,图像模糊质量差;2.黑夜的增强效果不够;3.增强前后图像的失真导致语义信息丢失。
技术实现思路
[0005]本专利技术针对上述的三种问题提出了一种全新的处理思路,基于循环生成对抗残差网络的混合质量
‑
任务
‑
感知损失方法QTP(Quality,Task,P ...
【技术保护点】
【技术特征摘要】
1.一种基于循环生成对抗残差网络及QTP损失项的黑夜图像增强方法,其特征在于,包括以下步骤:步骤1:收集黑夜场景图像和对应白天场景图像形成数据集;将数据集划分为测试集和训练集,并进行数据预操作;步骤2:搭建循环生成对抗残差网络,其网络结构由一对生成网络G
A
与判别网络以及另一对生成网络G
B
与判别网络组成;所述生成网络采用编码网络+残差块+解码网络结构,所述生成网络学习白天图像和黑夜图像之间的残差,用于进行黑夜白天域之间的转换;判别网络结构由五层卷积层组成,输出为一维单节点,用于判断生成域是否真实;步骤3:训练循环生成对抗残差网络的第一对生成网络G
A
与判别网络,该生成网络G
A
完成黑夜域到白天域的转换,判别网络完成对生成网络G
A
的预测白天场景图像同真实白天场景图像进行比较,二者对抗协同进行训练,直至判别网络无法区分生成网络G
A
的生成结果是预测白天场景图像还是真实白天场景图像;而后训练第二对生成网络G
B
与判别网络,完成真实白天场景图像到预测黑夜场景图像的转换,训练过程和第一对类似,在第一对生成网络G
A
训练完成后训练第二对生成网络G
B
,二者交替训练;在所述循环生成对抗残差网络的训练中,将训练集数据和预操作后的数据作为输入以达到增加训练数据量的目的,将其随机切割成256*256像素尺寸以加快网络训练速度,随后将256*256像素尺寸的图像输入到循环生成对抗残差网络的生成网络,生成预测白天图像;将此生成图像经过总体损失函数的计算后更新反传,再输入对应的判别网络进行判别;循环生成对抗残差网络的生成网络和判别网络在训练过程中交替更新,目标是使得总体损失函数最小,使得网络尽量收敛,得到接近收敛的黑夜增强网络;步骤4:将实际需要处理的黑夜场景图像输入训练好的黑夜增强网络,得到增强后的生成白天图像。2.如权利要求1所述的基于循环生成对抗残差网络及QTP损失项的黑夜图像增强方法,其特征在于,步骤1中包括数据预操作:剪裁图像、缩放图像尺寸大小、图像旋转与翻转,最后将图像像素矩阵以均值方差皆为0.5归一化至[0,1],作为循环生成对抗残差网络的输入内容。3.如权利要求1所述的基于循环生成对抗残差网络及QTP损失项的黑夜图像增强方法,其特征在于,步骤3中对于循环生成对抗残差网络的训练,包括两组损失项;循环对抗网络损失项和QTP损失项;循环对抗网络损失项包括L
gan
、L
cycle
、L
identity
;所述QTP损失项包括L
quality
、L
task
、L
phase
;其中,L
quality
为质量损失:首先用基本模型ResNet50提取语义特征,然后将语义特征输入到超网络中,质量预测目标网络进行质量预测的结果输出,该输出值的范围是[0,100],数值越大则表示图像质量越优异,该数值结果评估出图像优劣;L
task
为任务损失:建立可以评估预测图像白天概率的白天概率预测器,训练白天概率预测器的生成网络,使得该生成网络能输出一张像素值非黑即白的标签图,计算该标签图的像素平均值从而得到一幅图像的白天概率预测值;获得了图像的白天概率预测值,将该概率预测值归一化到[0,1]之间后,加入循环生成对抗残差网络中,作为一损失项约束循环生成对抗残差网络的训练;L
phase
为感知损失:在循环生成对抗残差网络训练的时候,保持生成图像和原始黑夜的
相位一致来达到保持生成图像内容与原始黑夜图像一致的目的,在语义内容维度上约束了生成对抗网络。4.如权利要求3所述的基于循环生成对抗残差网络及QTP损失项的黑夜图像增强方法,其特征在于,白天概率预测器的网络结构由三层卷积层,九个残差模块,三层反卷积层构成。5.如权利要求3所述的基于循环生成对抗残差网络及QTP损失项的黑夜图像增强方法,其特征在于,白天概率预测器的数据准备过程为:首先分别将黑夜数据集和白天数据集进行随机切块拼接,使得拼接之后的图像由黑夜域的小块和白天域的小块组成,再给合成的拼接图打上标签;如果小块是属于黑夜的,则标签为0,如果是属于白天的则置255,那么拼接图对应的生成一张标签图;对于经过上述过程标定的标签图,统计属于白天标签的像素个数占整体图像尺寸的比率代表这张图属于白天的概率;由于全黑像素值为0,全白像素值为255,如果将[0,255]归一化到[0,1]之后,那么白天概率就是对应计算整张图像素的平均值;在数据准备过程中,准备10000
‑
15000张拼接的图像和经过标定的标签图提供给白天概率预测器进行训练。6.如权利要求3所述的基于循环生成对抗残差网...
【专利技术属性】
技术研发人员:邱崧,郭皓明,徐伟,陈昕苑,孙力,李庆利,丰颖,
申请(专利权)人:华东师范大学,
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。