一种基于对抗网络的图像亮度提升方法、终端及存储介质技术

本发明专利技术公开了一种基于对抗网络的图像亮度提升方法、终端及存储介质，其中，方法包括：将待处理图像从RGB空间转换为Lab空间，得到预处理数据；将预处理数据输入至对抗网络模型中；将输出图像数据输入至判别网络模型中，得到判别结果；根据判别结果对对抗网络模型进行训练，得到训练后的对抗网络模型；基于训练后的对抗网络模型调节待处理图像的亮度。本发明专利技术通过将图像转换为Lab空间，可以避免产生色彩失真的现象；并且，通过将转换后的数据输入至对抗网络模型中，利用判别网络模型判别输出结果，从而自动地寻找亮度增强因子，提高了图像亮度提升的精度，避免了因亮度值过高或过低而产生的图像明暗边缘突出以及色彩扭曲的现象。产生的图像明暗边缘突出以及色彩扭曲的现象。产生的图像明暗边缘突出以及色彩扭曲的现象。

【技术实现步骤摘要】
一种基于对抗网络的图像亮度提升方法、终端及存储介质


[0001]本专利技术涉及图像亮度应用领域，尤其涉及的是一种基于对抗网络的图像亮度提升方法、终端及存储介质。

技术介绍

[0002]随着数字图像及计算机视觉领域研究的不断深入，图像增强技术也在得到持续的完善，其中图像亮度值的提升是图像增强最常见的方式之一。而有关图像的亮度值参数，常常以Lab色彩空间的L参数来表示。
[0003]Lab色彩空间是一种基于生理特征的颜色系统，L分量表示像素的亮度，即从纯黑到纯白的变化范围，a表示从红色到绿色的变化范围，b表示从黄色到蓝色的变化范围，它的色域宽阔，可以表现人眼所能感知的所有色彩，除了包含CMYK、RGB色彩空间的所有颜色外，还能弥补RGB色彩模型的不足：蓝色与绿色间的过渡色太多，而绿色与红色之间的过渡色太少。
[0004]由于，Lab色彩空间中亮度分量L与色彩分量a、b是相互独立的，仅对亮度分量L进行处理不会对图像的色彩产生影响，避免了对RGB图像3个分量通道的分量不区分色彩和亮度直接处理导致的后期图像融合产生的色彩失真，因此，在进行图像处理工作时常常使用Lab色彩模式图像进行处理。而对于图像亮度提升即对L值进行提升，如何准确得到目标亮度值图像且不影响颜色变化是目前主要面临的问题。
[0005]经典的图像亮度增强技术分为频率域法和空间域法，频率域法主要用于去除或减弱噪声并有效增强细节，算法复杂度低、效率高；空间域法主要是依据图像像素建立数学模型，算法通过对不同属性的像素操作进而实现图像亮度的增强。然而传统的增强方法，虽然可以在一定的程度上完成亮度的增强，但是却忽视了颜色参数以及图像对比度，且无法使增强亮度的图像可以达到目标亮度值。
[0006]现在针对于图像的亮度提升常常采用Retinex理论以及该理论相关的改进方法。1971年，Land等人提出Retinex算法，指出物体的反射情况决定了视觉系统对物体色彩的感知结果。2014年Li等提出了一种基于加权引导滤波的Retinex算法，将权重设置为自适应因子，从而降低噪声，改善图像的清晰度和亮度。但从效果来看，图像细节对比度不高，亮度提升效果也不明显。2017年，Guo等人为了有效改善低亮度图像的图像质量，使用加权L1范数正则化代替原有Retinex算法中照度分量的估计，该方法对图像亮度有较大提升。2018年Jie等人将引导滤波与Retinex算法结合，采用迭代多尺度的方法对存在光照缺陷图像增强。HuFeng等人设计了一种基于模拟多曝光融合的微光图像增强方法，将Retinex算法模型和形态学相结合，通过构建一种新的补偿函数，调整图像细节，解决图像光晕等现象，降低了图像的失真率。2020年Li等人提出卷积神经网络与四叉树分解结合的方式针对特定场景的图像进行降噪处理，进而提升图像的亮度。
[0007]以上方法均从不同角度对图像的亮度进行了增强，但是由于图像光照分布不均，高光区域受算法处理影响小，容易导致图像明暗边缘突出以及色彩扭曲等问题，且高光区
域细节没有得到明显改善，同时也无法准确得到需要的亮度值图像。此外对于一些软件如PS往往采用人工手动的方式去提高图像亮度，该类方式虽然可以准确的得到图像的亮度值，但此方式效率太低，无法满足大量的图像亮度提升。
[0008]因此，现有技术还有待改进。

技术实现思路

[0009]本专利技术要解决的技术问题在于，针对现有技术缺陷，本专利技术提供一种基于对抗网络的图像亮度提升方法、终端及存储介质，在不影响图像颜色变化的情况下，准确地提高图像的亮度值，以解决现有的图像亮度增强方式中出现的图像明暗边缘突出以及色彩扭曲的技术问题。
[0010]本专利技术解决技术问题所采用的技术方案如下：
[0011]第一方面，本专利技术提供一种基于对抗网络的图像亮度提升方法，基于对抗网络的图像亮度提升方法包括以下步骤：
[0012]将待处理图像从RGB空间转换为Lab空间，得到所述待处理图像的预处理数据；
[0013]构建对抗网络模型，并将所述预处理数据输入至所述对抗网络模型中，得到输出图像数据；
[0014]将所述输出图像数据输入至判别网络模型中，得到所述输出图像数据的判别结果；
[0015]根据所述判别结果对所述对抗网络模型进行训练，得到训练后的对抗网络模型；
[0016]基于所述训练后的对抗网络模型调节所述待处理图像的亮度。
[0017]在一种实现方式中，所述将待处理图像从RGB空间转换为Lab空间，得到所述待处理图像的预处理数据，包括：
[0018]将所述待处理图像从所述RGB空间转换为XYZ空间；
[0019]将所述XYZ空间转换为所述Lab空间，得到所述Lab空间的通道数据；
[0020]根据所述通道数据获取亮度值低于预设亮度的待处理图像，并对获取的待处理图像进行命名。
[0021]在一种实现方式中，所述构建对抗网络模型，并将所述预处理数据输入至所述对抗网络模型中，得到输出图像数据，包括：
[0022]构建所述对抗网络模型；
[0023]将命名后的待处理图像输入至所述对抗网络模型，通过所述对抗网络模型提取以及确定亮度增强因子所在的区间参数；
[0024]根据所述区间参数确定所述亮度增强因子的运算区间，并根据所述运算区间计算输出图像的新亮度值；
[0025]将输出的亮度值提升后的图像从Lab空间转换为RGB空间，并输出转换后的RGB图像。
[0026]在一种实现方式中，所述亮度增强因子的运算区间采用以下公式进行计算：
[0027][0028]其中，m为提升前的图像亮度值；
[0029]a、b为亮度提升范围；
[0030]p、q为亮度提升幅度；
[0031]k1、k2、k3为偏置参数；
[0032]T
θ
L(m)为亮度增强分段函数。
[0033]在一种实现方式中，所述将输出图像数据输入至判别网络模型中，得到所述输出图像数据的判别结果，包括：
[0034]将输出后的RGB图像和目标亮度的RGB图像输入所述判别网络模型中；
[0035]通过所述判别网络模型将所述输出后的RGB图像的参数与所述目标亮度的RGB图像的参数进行对比；
[0036]根据参数对比结果确定所述输出后的RGB图像与所述目标亮度的RGB图像的误差。
[0037]在一种实现方式中，所述根据判别结果对所述对抗网络模型进行训练，得到训练后的对抗网络模型，包括：
[0038]确定对抗损失分量的加权和以及正规化损失分量；
[0039]根据所述对抗损失分量的加权和以及所述正规化损失分量，构建损失函数；
[0040]通过所述损失函数记录所述误差，并判断所述误差是否小于预设值；
[0041]若所述误差大于或等于所述预设值，则将所述误差反馈至所述对抗网络模型，以进行下一轮的训练；
[0042]若所述误差小于所述预设值，则结束训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗网络的图像亮度提升方法，其特征在于，所述基于对抗网络的图像亮度提升方法包括以下步骤：将待处理图像从RGB空间转换为Lab空间，得到所述待处理图像的预处理数据；构建对抗网络模型，并将所述预处理数据输入至所述对抗网络模型中，得到输出图像数据；将所述输出图像数据输入至判别网络模型中，得到所述输出图像数据的判别结果；根据所述判别结果对所述对抗网络模型进行训练，得到训练后的对抗网络模型；基于所述训练后的对抗网络模型调节所述待处理图像的亮度。2.根据权利要求1所述的基于对抗网络的图像亮度提升方法，其特征在于，所述将待处理图像从RGB空间转换为Lab空间，得到所述待处理图像的预处理数据，包括：将所述待处理图像从所述RGB空间转换为XYZ空间；将所述XYZ空间转换为所述Lab空间，得到所述Lab空间的通道数据；根据所述通道数据获取亮度值低于预设亮度的待处理图像，并对获取的待处理图像进行命名。3.根据权利要求2所述的基于对抗网络的图像亮度提升方法，其特征在于，所述构建对抗网络模型，并将所述预处理数据输入至所述对抗网络模型中，得到输出图像数据，包括：构建所述对抗网络模型；将命名后的待处理图像输入至所述对抗网络模型，通过所述对抗网络模型提取以及确定亮度增强因子所在的区间参数；根据所述区间参数确定所述亮度增强因子的运算区间，并根据所述运算区间计算输出图像的新亮度值；将输出的亮度值提升后的图像从Lab空间转换为RGB空间，并输出转换后的RGB图像。4.根据权利要求3所述的基于对抗网络的图像亮度提升方法，其特征在于，所述亮度增强因子的运算区间采用以下公式进行计算：其中，m为提升前的图像亮度值；a、b为亮度提升范围；p、q为亮度提升幅度；k1、k2、k3为偏置参数；T
θ
L(m)为亮度增强分段函数。5.根据权利要求3所述的基于对抗网络的图像亮度提升方法，其特征在于，所述将输出图像数据输入至判别网络模型中，得到所述输出图像数据的判别结果，包括：将输出后的RGB图像和目标亮度的RGB图像输入所述判别网络模型中；通过所述判别网络模型将所述输出后的RGB图像的参数与所述目标亮度的RGB图像的...

【专利技术属性】
技术研发人员：朱家松，雷占占，李庆，
申请(专利权)人：深圳大学，
类型：发明
国别省市：