低光图像增强方法及系统技术方案

本发明专利技术提供一种低光图像增强方法及系统，属于图像处理技术领域，获取待增强的低光图像；利用预先训练好的分解模型，对获取的低光图像进行处理，提取低光图像的特征，将低光图像分解成照射图和反射图；利用预先训练好的增强模型，通过残差块对照射图进行增强，将增强后的照射图与反射图进行拼接，得到最后的增强图像。本发明专利技术在图像处理阶段提取了更多的图像特征，基于残差学习增强，将昏暗、可见性差的图片调整成亮度合适图片，同时，保证了增强处理后的图片的真实性。后的图片的真实性。后的图片的真实性。

【技术实现步骤摘要】
低光图像增强方法及系统


[0001]本专利技术涉及图像处理
，具体涉及一种基于深度学习并依据 Retinex理论融入残差机制的低光图像增强方法及系统。

技术介绍

[0002]计算机视觉是近年发展较快的研究领域，图像数据的丰富和便携设备的高计算能力，使得计算机视觉应用已经融入到我们的日常生活中。一些视觉应用如夜间场景监控中受光线、视角等影响，获得的图像质量较差；又如夜间广场这种人员密集，灯光环境复杂，不同的建筑、植物、机车等多事物融合的场景，在这种复杂光照环境中获取的图像，由于光照强度不均或者曝光不足、设备自身问题等原因，导致采集到的图像对比度较低且噪声严重，从而影响图像后续的识别和分析。
[0003]低光图像增强方法的研究，具有重要的理论和应用价值。增强后的图像能够在视觉上带来更好的体验，从图像中获取到清晰的内容，更好为应用 (如全天自动驾驶、目标识别、目标检测等)提供高质量输入，使其更好的服务人们日常的生活、生产。
[0004]对低光图像增强最直观的方法就是放大照射图，这会使得较为明亮的区域产生过饱和的问题，并且会丢失细节信息。R.E.Woods等人提出了使用基于直方图均衡化方法对图像进行增强，该方法是给出一个灰度值的映射函数，把原始图像的直方图分布改成均匀分布的直方图，这种变换可使得图像信息量较大的灰度区域得到放大，达到对比度增强的目的。这种方法旨在扩展观测图像的动态范围，可以在一定程度上缓解直接放大照射图产生的问题。然而，这种增强方法的目的是增强对比度而不是调整照明，因此可能会产生增强过度或增强不足的问题。
[0005]Artur等人提出了一种基于小波系数局部统计的低光图像对比度自动增强方法。使用了一种基于小波系数局部分布的非线性增强函数，该函数被建模为Cauchy分布来扩展亮度/对比度，并使用收缩函数来防止噪声放大。但这种方法的降噪效果并不明显。
[0006]傅雪阳等人提出了一个加权变分模型来估计从观察到的图像的反射率和照度。与传统的变分模型不同，该模型可以保留更多细节的估计反射率。虽然这种方法取得了比较理想的效果，但在图片中亮度较低的区域，总是会出现噪声干扰。
[0007]Lore等人提出了一种基于深度自动编码器的方法来识别低光图像中的信号特征，并在不过度放大高动态范围图像中较亮部分的情况下，对图像进行自适应增强。在监视、监视和战术侦察中，从动态环境中收集可视信息并对这些数据进行精确处理是做出明智决策和确保任务成功的关键。虽然这种方法可以自适应的增强，但最后得到的结果并不自然，缺乏真实性。
[0008]Chen Wei等人提出了一种使用低/正常光图像对训练神经网络模型的方法，包括用于图像分解的Decom
‑
Net和用于图像增强的Enhance
‑
Net。在 Decom
‑
Net的训练过程中，分解的反射图和照射图没有对应的ground truth。该网络只需要学习关键的约束条件，其中包括成对的低/正常光图像共享的一致反射率以及照度平滑。随后通过Enhance
‑
Net的增
强网络对照射图进行后续亮度增强。虽然这种模型训练较为简单，但由于平滑处理过多，导致最后增强的结果真实性较差。

技术实现思路

[0009]本专利技术的目的在于提供一种在图像处理阶段提取更多的图像特征，使增强后的图片更具真实性的低光图像增强方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0010]为了实现上述目的，本专利技术采取了如下技术方案：
[0011]一方面，本专利技术提供一种低光图像增强方法，包括：
[0012]获取待增强的低光图像；
[0013]利用预先训练好的分解模型，对获取的低光图像进行处理，提取低光图像的特征，将低光图像分解成照射图和反射图；
[0014]利用预先训练好的增强模型，通过残差块对照射图进行增强，将增强后的照射图与反射图进行拼接，得到最后的增强图像。
[0015]优选的，训练分解模型包括：将筛选好的低光/正常光图像对数据集输入到分解网络Decom
‑
RNet，对分解网络进行训练；计算Decom
‑
RNet的损失，不断更新迭代，得到所述训练好的分解模型。
[0016]优选的，训练增强模型包括：将分解网络Decom
‑
RNet分解的结果输入到增强网络Enhance
‑
RNet进行增强；计算Enhance
‑
RNet的损失，不断更新迭代，得到训练好的增强模型。
[0017]优选的，使用Residual
‑
Attention机制和卷积层共同进行特征提取，对提取的图像特征进行优化，得到照射图和反射图。
[0018]优选的，将图像对输入到Residual
‑
Attention层进行图像特征提取，使用卷积层对提取到的特征进行整合，再次利用Residual
‑
Attention机制对提取的特征进行细化，使用Relu激活，最后使用一个卷积层将反射分量和照射分量从特征空间映射出来。
[0019]优选的，训练分解模型的损失函数包括重构损失、自检损失和平滑损失。
[0020]优选的，在增强模型中，加入了L2正则项，采用对全变分最小化进行加权的方式进行平滑处理。
[0021]第二方面，本专利技术提供一种低光图像增强系统，包括：
[0022]获取模块，用于获取待增强的低光图像；
[0023]分解模块，用于利用预先训练好的分解模型，对获取的低光图像进行处理，提取低光图像的特征，将低光图像分解成照射图和反射图；
[0024]增强模块，用于利用预先训练好的增强模型，通过残差块对照射图进行增强，将增强后的照射图与反射图进行拼接，得到最后的增强图像。
[0025]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的低光图像增强方法。
[0026]第四方面，本专利技术提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器
执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的低光图像增强方法的指令。
[0027]本专利技术有益效果：在图像处理阶段提取了更多的图像特征，基于残差学习增强，将昏暗、可见性差的图片调整成亮度合适图片，同时，保证了增强处理后的图片的真实性。
[0028]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0029]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低光图像增强方法，其特征在于，包括：获取待增强的低光图像；利用预先训练好的分解模型，对获取的低光图像进行处理，提取低光图像的特征，将低光图像分解成照射图和反射图；利用预先训练好的增强模型，通过残差块对照射图进行增强，将增强后的照射图与反射图进行拼接，得到最后的增强图像。2.根据权利要求1所述的低光图像增强方法，其特征在于，训练分解模型包括：将筛选好的低光/正常光图像对数据集输入到分解网络Decom
‑
RNet，对分解网络进行训练；计算Decom
‑
RNet的损失，不断更新迭代，得到所述训练好的分解模型。3.根据权利要求2所述的低光图像增强方法，其特征在于，训练增强模型包括：将分解网络Decom
‑
RNet分解的结果输入到增强网络Enhance
‑
RNet进行增强；计算Enhance
‑
RNet的损失，不断更新迭代，得到训练好的增强模型。4.根据权利要求1所述的低光图像增强方法，其特征在于，在分解模型中，使用Residual
‑
Attention机制和卷积层共同进行特征提取，对提取的图像特征进行优化，得到照射图和反射图。5.根据权利要求4所述的低光图像增强方法，其特征在于，将图像对输入到Residual
‑
Attention层进行图像特征提取，使用卷积层...

【专利技术属性】
技术研发人员：吴琦，秦茂玲，郑元杰，贾伟宽，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：