一种低光照图像增强方法、装置、设备及介质制造方法及图纸

本发明专利技术公开一种低光照图像增强方法、装置、设备及介质，该方法包括如下步骤：获取现场图像，对现场图像中高质量图像进行低光照模拟，生成多场景多光照条件的图像；将所述现场图像与多场景多光照条件的图像进行合并形成样本数据集，所述样本数据集分为训练集和验证集；构建编码器

【技术实现步骤摘要】
一种低光照图像增强方法、装置、设备及介质


[0001]本专利技术涉及图像处理
，尤其涉及一种低光照图像增强方法、装置、设备及介质。

技术介绍

[0002]近期随着人工智能技术的兴起以及企业用工成本的不断攀升，越来越多的行业对于生产或是制造环节中的流程进行自动化或是低人工介入的工作替换。由于自动化设备只需要保持设备的不断电及做定期的维护即可以持续运行，不需要像考虑人工一样进行排班或是关注工人的身心健康。因此使用自动化设备来代替人工进行某些环节的替换是一种更为廉价且稳定性更高的解决方案。
[0003]在变电站场景中，随着基于图像及视频类分析的场景越来越多，包括变电站场景中的缺陷检测、小动物闯入、设备位移分析等。但在实际的图像分析和判别的过程中，由于图像采集过程中由于光照条件的影响采集出来图像的清晰度会受到强光照及低光照条件的不同而呈现出不同的成像效果，另外由于天气的变化也会导致采集到的图像质量差距较大。如何辅助变电站的图像或视频类采集设备在光照条件不好的情况下，通过使用一系列的图像类算法提升图像的光照平衡类的优化，进而可以使得图像的可视层上有进一步的提升。相较于传统的光照平衡类算法的诸多缺点，如受限于输入及输出场景的局限性，即对于某种低质量的图片则需要根据具体的情况做相应的算法优化，包括但不限于对图像的亮度进行调节、颜色直方图上的均衡等等，但通过这种方式最大的问题是无法覆盖全场景，即对于已优化的场景可以正常的进行光照及图像质量类的处理，但对于未出现过的场景则对图像优化的效果大部分不够理想。
专利技术内容
[0004]为了解决上述技术问题，本专利技术提出一种低光照图像增强方法、装置、设备及介质，通过结合了传统算法与深度学习的算法进行了融合，尽可能的对变电站中的低光照情况的特点进行学习，从而可以做对后续所采集到的低光照图片进行图像增强。
[0005]为了达到上述目的，本专利技术的技术方案如下：
[0006]一种低光照图像增强方法，包括：
[0007]获取现场图像，对现场图像中高质量图像进行低光照模拟，生成多场景多光照条件的图像；
[0008]将所述现场图像与多场景多光照条件的图像进行合并形成样本数据集，所述样本数据集分为训练集和验证集；
[0009]构建编码器
‑
解码器架构的神经网络模型；
[0010]将样本数据集输入所述神经网络模型中进行训练和测试，直至收敛，得到图像处理模型；
[0011]对图像处理模型进行仿真实验，采用峰值信噪比作为评价指标，评价网络性能。
[0012]优选地，所述低光照模拟包括高斯噪声添加和伽马光照处理。
[0013]优选地，所述伽马光照处理包括归一化处理、像素预补偿和像素值反归一化。
[0014]优选地，所述神经网络模型包括3个串联的去噪编码器和3个对应的解码器，其中第一个去噪编码器设计的输入图像尺寸为17
×
17大小，第一个去噪编码器设计了867个隐藏单元、第二个去噪编码器设计了578个隐藏单元、第三个去噪编码器设计了289个隐藏单元，并将第三个去噪编码器做为瓶颈层；在第三个去噪编码器之后串联了3个对应的解码器，分别是578个隐藏单元、867个隐藏单元及289个隐藏单元。
[0015]优选地，所述第一、二个去噪编码器的学习率均为0.1，第三个去噪编码器的学习率为0.01，其网络终止的条件是验证集上的错误率小于0.5％。
[0016]优选地，所述峰值信噪比的计算方式如下：
[0017][0018]其中，MAX
I
表示I图像中的图像灰度级；MSE表示两张图像之间的均方差，计算方式如下：
[0019][0020]其中，(m，n)分别表示图像的宽和高，I(i，j)表示I图像中的(i，j)位置的值，K(i，j)表示K图像中的(i，j)位置的值。
[0021]优选地，所述神经网络模型的损失函数为：
[0022][0023]其中，N表示patch数量；θ＝{W,b,W
′
,b
′
}表示模型中的参数；又被称为KL散度，用于衡量两个概率分布的相似性，表示第j个隐藏层的均值；K表示隐藏单数目；表示重构后的图像；y
i
表示原始的图像；β、ρ和λ用于表示超参数，适用于后续的训练过程；F表示范数，为超参数；D表示输入的样本集。
[0024]一种低光照图像增强装置，包括：获取模块、合并模块、构建模块、训练模块和检验模块，其中，
[0025]所述获取模块，用于获取现场图像，对现场图像中高质量图像进行低光照模拟，生成多场景多光照条件的图像；
[0026]所述合并模块，用于将所述现场图像与多场景多光照条件的图像进行合并形成样本数据集，所述样本数据集分为训练集和验证集；
[0027]所述构建模块，用于构建编码器
‑
解码器架构的神经网络模型；
[0028]所述训练模块，用于将样本数据集输入所述神经网络模型中进行训练和测试，直至收敛，得到图像处理模型；
[0029]所述检验模块，用于对图像处理模型进行仿真实验，采用峰值信噪比作为评价指标，评价网络性能。
[0030]计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一所述的一种低光照图像增强方法。
[0031]一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的一种低光照图像增强方法。
[0032]基于上述技术方案，本专利技术的有益效果是：
[0033]1)本专利技术可有效提高图像处理的准确率：目前随着中国经济的发展，无论是工业化用电、商业商场用户或是居民用电均比之前有了较为明显的提升。随之而来的是特高压、高压及变电站的线路也越来越多，为了保障电力使用过程中的安全性、稳定性及及时的预警，基于图像检测或是视频分析的应用越来越多。但由于受到天气的影响或是特定设备摆放位置的影响，有些图像并不能够很好的将实际的内容呈现出来，这样会导致图像检测或是分析的准确率不能够有效的保证。因此通过本专利技术，将质量较低的图像进行基于深度学习的光照平衡处理则可以大概率的对图像进行转换为高质量图片，可以更好的辅助其它应用对于图像分析的准确率；
[0034]2)本专利技术具有较好的兼容能力：传统的机器学习算法往往需要针对不同的场景进行定制化的算法优化，但现在的场景是无法拿到所有的异常场景情况，包括已有的异常场景无法全获取，未知的异常场景不能提前预知。使用深度学习的技术进行光照平衡的优化方法，则可以通过对大量的样本进行学习，可以做到对已有的场景进行高质量的转换，同时对于未出现的场景也有着较好的泛化能力；
[0035]4)本专利技术具有易使用特性：本专利技术的初衷是为了改进图像的光照平衡，提升图像的质量。在与其它系统对接的过程中，不需要做任何额外的开发工作，只需要在之前的输入流程前添加本光照平衡的方法，然后将优化后的图像做为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低光照图像增强方法，其特征在于，包括：获取现场图像，对现场图像中高质量图像进行低光照模拟，生成多场景多光照条件的图像；将所述现场图像与多场景多光照条件的图像进行合并形成样本数据集，所述样本数据集分为训练集和验证集；构建编码器
‑
解码器架构的神经网络模型；将样本数据集输入所述神经网络模型中进行训练和测试，直至收敛，得到图像处理模型；对图像处理模型进行仿真实验，采用峰值信噪比作为评价指标，评价网络性能。2.根据权利要求1所述的一种低光照图像增强方法，其特征在于，所述低光照模拟包括高斯噪声添加和伽马光照处理。3.根据权利要求2所述的一种低光照图像增强方法，其特征在于，所述伽马光照处理包括归一化处理、像素预补偿和像素值反归一化。4.根据权利要求1所述的一种低光照图像增强方法，其特征在于，所述神经网络模型包括3个串联的去噪编码器和3个对应的解码器，其中第一个去噪编码器设计的输入图像尺寸为17
×
17大小，第一个去噪编码器设计了867个隐藏单元、第二个去噪编码器设计了578个隐藏单元、第三个去噪编码器设计了289个隐藏单元，并将第三个去噪编码器做为瓶颈层；在第三个去噪编码器之后串联了3个对应的解码器，分别是578个隐藏单元、867个隐藏单元及289个隐藏单元。5.根据权利要求4所述的一种低光照图像增强方法，其特征在于，所述第一、二个去噪编码器的学习率均为0.1，第三个去噪编码器的学习率为0.01，其网络终止的条件是验证集上的错误率小于0.5％。6.根据权利要求1所述的一种低光照图像增强方法，其特征在于，所述峰值信噪比的计算方式如下：其中，MAX
I
表示I图像中的图像灰度级；MSE表示两张图像之间的均方差，计算方式如...

【专利技术属性】
技术研发人员：冯广辉，
申请(专利权)人：佳源科技股份有限公司，
类型：发明
国别省市：