一种基于曲线族函数的低光照增强方法及系统技术方案

本发明专利技术公开了一种基于曲线族函数的低光照增强方法及系统。本方法为：1)利用低光照图像组成的数据集，训练低光照增强网络模型，其包括特征提取器、参数估值器和曲线族函数；特征提取器用于对输入的图像进行降采样，然后对所得降采样图像进行特征提取；参数估值器用于根据特征提取器提取的特征计算输入图像对应的曲线族函数的曲线族参数值；2)将待增强的低光照图像输入到训练好的低光照增强网络模型，所述特征提取器对所述待增强的低光照图像进行特征提取，得到对应的图像特征并将其输入到参数估值器中，得到对应的曲线族参数α并赋值给曲线族函数；3)将步骤2)所得的曲线族函数作用于待增强的低光照图像的每一像素上，得到光照增强图像。照增强图像。照增强图像。

【技术实现步骤摘要】
一种基于曲线族函数的低光照增强方法及系统


[0001]本专利技术属于数字图像低光照增强领域，涉及一种基于增强曲线族的无监督低光照增强模型实现方法及训练方法。

技术介绍

[0002]低光照是一种常见的图像降质，光照不足通常由低光照拍摄环境、参数设置错误、相机故障、使用者操作不当等原因造成。如何对低光照图片提高亮度一直受到学术界和工业界的关注。目前较为流行的增强方法大多利用深度学习，借助神经网络直接对每一个像素点进行修改与合成。这些现存方法运用成对的训练数据、对比学习或视网膜皮层的颜色恒常理论来保证训练结果的质量。此外，这些提亮方法常常运用抹黑噪点、增强对比度等操作来提高人类视觉层面上的图片质量。
[0003]但是，以上方法需要使用参数繁多的网络模型，存在训练过拟合的风险。由于模型过于复杂，训练过程往往需要花费大量的时间与资源。这些方法的鲁棒性也十分有限，很容易产生噪点。此外，为提高人类视觉层面的图片质量，这些方法会牺牲很多可供计算机提取的高维语义。

技术实现思路

[0004]针对上述技术问题，本专利技术提出了一种基于增强曲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于曲线族函数的低光照增强方法，其步骤包括：1)利用低光照图像组成的数据集，训练低光照增强网络模型；所述低光照增强网络模型包括特征提取器、参数估值器和曲线族函数；所述特征提取器用于对输入的图像进行降采样，然后对所得降采样图像进行特征提取；所述参数估值器用于根据所述特征提取器提取的特征计算输入图像对应的所述曲线族函数的曲线族参数值；2)将待增强的低光照图像输入到训练好的低光照增强网络模型，所述特征提取器对所述待增强的低光照图像进行特征提取，得到对应的图像特征并将其输入到所述参数估值器中，得到对应的曲线族参数α并赋值给所述曲线族函数；3)将步骤2)所得的曲线族函数作用于所述待增强的低光照图像的每一像素上，得到光照增强图像。2.根据权利要求1所述的方法，其特征在于，所述曲线族函数为一设定的函数族f(x，α)，用于对输入图像的每一个像素值x进行映射，得到对应输出图像；其中，函数族f(x，α)满足四个性质：a)对于任意α，f(0，α)＝0，f(x，α)＝1；b)函数族f(x，α)为单调且可微；c)对于任意的正实数x0，y0，都存在α使得f(x0，α)＝y0；d)对于任意α，函数族f(x，α)对于定义域中任意x的导数非零。3.根据权利要求1或2所述的方法，其特征在于，所述参数估值器包括一个全局平均池化层和一个线性整流函数；其中，所述全局平局池化层根据所述特征提取器提取的特征计算曲线族参数值α，所述线性整流函数用于保证曲线族参数值α非负；所述全局平均池化层的运算公式为α
global
为经全局平均池化层运算预估的参数，S为特征提取器输出的特征矩阵，C为所述特征矩阵的总通道数，H为所述特征矩阵的总长，W为所述特征矩阵的总宽，S
i，j，k
为所述特征矩阵第i个通道(j，k)位置的值；所述线性整流函数运算公式为α＝max(0，α
global
)。4.根据权利要求1所述的方法，其特征在于，训练所述低光照增强网络模型所采用的总损失函数为L＝λ
exp
L
exp
+λ
spa
L
spa
+λ
color
L
color
；其中，λ
exp
、λ
spa
、λ
color
是权重项，增强程度损失函数项L
exp
＝∑
x∈I
|E(x)
‑
e|，E(x)为所述低光照增强网络模...

【专利技术属性】
技术研发人员：刘家瑛，汪文靖，徐正博，郭宗明，
申请(专利权)人：北京大学，
类型：发明
国别省市：