一种基于多尺度网络结构的低光图像增强方法技术

本发明专利技术提出一种基于多尺度网络结构的低光图像增强方法，所述增强方法包括用于计算均方误差的损失函数，通过控制均方误差来把低光图像和高光图像上对应像素点的颜色偏移量控制在阈值范围内，所述损失函数通过计算低光图像和高光图像的RGB三个通道上的像素值之间的比例来计算均方误差；所述增强方法采用的低光图像增强模型为基于多尺度网络结构的网络模型，其先对低光图像的灰度图进行伽马变换，再将其通过网络的支路得到高光的灰度图像，最后将其对低光图像进行加权，以指导低光图像的恢复；本发明专利技术能解决低光增强过程中对亮度的增强导致的颜色失真问题；还能解决极端低光区域的细节纹理在增强的过程中难以恢复的问题。细节纹理在增强的过程中难以恢复的问题。细节纹理在增强的过程中难以恢复的问题。

【技术实现步骤摘要】
一种基于多尺度网络结构的低光图像增强方法


[0001]本专利技术涉及图像增强
，尤其是一种基于多尺度网络结构的低光图像增强方法。

技术介绍

[0002]在数字图像广泛应用的今天，由于光源亮度不足、光照角度不当以及相机曝光时间过短等因素会显著的影响图像的质量。例如，夜间拍摄的图像因为光照不足导致图像整体偏暗，照片中的人像会因为逆光拍摄的原因导致人脸光线不足而影响人们的观感。因此，低光增强算法是一个具有研究价值的方向。
[0003]以往传统的低光增强算法有以下几种：
[0004]第一种方法，通过直方图均衡化调整像素值的分布区间，使得图像的对比度增大。低光图像的像素值分布在一个较小的区间中，因此像素值的对比度较小，导致图像不清晰。直方图均衡通过将像素值重新均匀分布，增加了像素之间的动态范围，从而提高了图像的对比度，对低光图像进行亮度增强。
[0005]第二种方法是基于Retinex理论的低光图像增强算法。Retinex理论是1963年Land提出的一种人类视觉的亮度和颜色感知模型，它提出物体的颜色和亮度是由物体的反射能力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度网络结构的低光图像增强方法，其特征在于：所述增强方法包括用于计算均方误差的损失函数，通过控制均方误差来把低光图像和高光图像上对应像素点的颜色偏移量控制在阈值范围内，所述损失函数通过计算低光图像和高光图像的RGB三个通道上的像素值之间的比例来计算均方误差；所述增强方法采用的低光图像增强模型为基于多尺度网络结构的网络模型，其先对低光图像的灰度图进行伽马变换，再将其通过网络的支路得到高光的灰度图像，最后将其对低光图像进行加权，以指导低光图像的恢复。2.根据权利要求1所述的一种基于多尺度网络结构的低光图像增强方法，其特征在于：所述低光图像增强模型的训练包括以下步骤；步骤S1、获取成对的低光图像和高光图像，用于训练低光图像增强模型；步骤S2、对图像的灰度图进行伽马变换，通过非线性的变换，将图像中的像素值较小的像素之间差距放大，从而将图像中极端低光区域中的对比度增大，增加图像的高频信息，以便在图像增强过程中恢复细节纹理；伽马变换所用的公式如下：E＝α
·
I
γ
ꢀꢀꢀꢀꢀ
公式一；步骤S3、以多尺度网络结构把图像分为三个尺度，在网络中使用密集残差连接模块，并在网络的下采样通过添加空洞空间卷积池化金字塔模块，获得不同感受野下的信息，帮助对像素值的增强；步骤S4、在多尺度网络结构的基础上增加一条灰度图支路，将低光图像的灰度图单独进行增强以获得更多的纹理信息和高频信息，并通过信息融合模块将其融合到RGB通道网络的特征图中；步骤S5、构建颜色损失函数，具体方法为：首先通过计算图像中的RGB三个通道之间的像素值比例从而获得比例矩阵，分别求得低光图像和增强后的低光图像的比例矩阵，经过Sigmoid函数处理后，将比例压缩到0到1之间；最后通过MSE损失函数计算两个矩阵之间的误差，其公式如下所示：ColorLoss＝MSE[Sigmoid(low)，Sigmoid(high)]
ꢀꢀꢀꢀꢀ
公式二；其中，low表示低光图像的比例矩阵，high表示增强后的低光图像的比例矩阵；通过该损失函数得到两张图像中颜色上的误差；步骤S6...

【专利技术属性】
技术研发人员：郭立，谢军伟，罗鸣，高钦泉，童同，
申请(专利权)人：福建帝视信息科技有限公司，
类型：发明
国别省市：