基于多尺度网络的图像增强模型创建方法及装置制造方法及图纸

本发明专利技术提供一种基于多尺度网络的图像增强模型创建方法及装置，所述方法包括：一种基于多尺度网络的图像增强模型创建方法，该方法包括：获取大量的暗光图像和标准图像，并基于所有的暗光图像和标准图像建立训练样本集；根据预设比例将所述训练样本集划分为训练集和监督集；将所述训练集和所述监督集输入到预存的CNN网络模型中进行迭代训练，当所述CNN网络模型中预存的学习参数满足收敛条件时完成训练，以得到暗光图像增强模型；本发明专利技术所述方法采用有监督学习的训练方法得到了暗光图像增强模型，提高了输入图像信息对暗光图像信息的拟合能力，从而提高暗光图像的增强效果。从而提高暗光图像的增强效果。从而提高暗光图像的增强效果。

【技术实现步骤摘要】
基于多尺度网络的图像增强模型创建方法及装置


[0001]本专利技术属于图像处理
，尤其涉及一种基于多尺度网络的图像增强模型创建方法及装置。

技术介绍

[0002]受限于客观世界光照条件不足以及拍摄设备性能有限，暗光图像在真实世界中无处不在。暗光图像亮度低，充满噪音、模糊等退化信息，难以表达真实被摄场景信息，可利用价值低，客观上限制了应用场景。
[0003]现有技术通常利用伽马校正与Retinex方法等数字图像处理技术进行暗光图像增强，但是在增强过程中无法感知输入图像特征，容易造成过增强或者增强结果不自然等问题，而利用基于机器学习的方法进行图像增强时，手工设计的算子并不能准确的表达真实世界的暗光图像信息，导致图像增强结果的鲁棒性较差。
[0004]因此，如何提升图像输入特征对暗光图像特征的拟合能力，从而提高暗光图像的增强效果，是业界亟需解决的重要课题。

技术实现思路

[0005]本专利技术提供的一种暗光图像增强方法及装置，用以解决现有技术进行暗光图像增强时因手工设计的算子并不能准确的表达真实世界的暗光图像信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度网络的图像增强模型创建方法，其特征在于，所述方法包括：获取大量的暗光图像和标准图像，并基于所有的暗光图像和标准图像建立训练样本集；根据预设比例将所述训练样本集划分为训练集和监督集；将所述训练集和所述监督集输入到预存的CNN网络模型中进行迭代训练，当所述CNN网络模型中预存的学习参数满足收敛条件时完成训练，以得到暗光图像增强模型。2.根据权利要求1所述的基于多尺度网络的图像增强模型创建方法，其特征在于，基于所有的暗光图像和标准图像建立训练样本集，之后包括：利用随机水平翻转、垂直翻转以及旋转操作对所述暗光图像进行数据扩充，以获取扩充后的暗光图像；将所述扩充后的暗光图像和所述标准图像的分辨率大小均调整为600*400，以获取调整后的训练样本集。3.根据权利要求1所述的基于多尺度网络的图像增强模型创建方法，其特征在于，将所述训练集和所述监督集输入到预存的CNN网络模型中进行迭代训练，之前包括：提取所述暗光图像中每个像素的通道值中的最大值组成一维亮度图，并将所述亮度图与所述暗光图像进行拼接，以获取目标暗光图像；基于所述目标暗光图像和所述标准图像获取所述训练样本集。4.根据权利要求1所述的基于多尺度网络的图像增强模型创建方法，其特征在于，所述CNN网络模型包括多个训练模型；所述训练模型包含多尺度CNN网络和权重重分配机制。5.根据权利要求4所述的基于多尺度网络的图像增强模型创建方法，其特征在于，所述多尺度CNN网络包括特征编码模块、下采样模块和上采样模块；所述权重重分配机制包括特征压缩层和重分配层，其中，所述特征压缩层包括全局最大值池化分支与全局平均值池化分支，所述重分配层用于将所述特征压缩层输出的全局特征进行分配并完成权重重分配。6.根据权利要求1所述的基于多尺度网络的图像增强模型创建方法，其特征在于，所述CNN网络模型中预存的学习参数满足收敛条件时完成训练包括：当所述CNN网络模型的总...

【专利技术属性】
技术研发人员：林诗登，唐帆，董未名，沈思成，潘兴甲，徐常胜，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：