本发明专利技术涉及一种低光图像增强方法、系统、终端以及存储介质。所述方法包括：根据传统Retinex视觉成像模型，建立新视觉成像模型；根据建立的新视觉成像模型，估计光照分量的初始值；在新视觉成像模型下，结合估计的光照分量的初始值和反射分量在实际成像中的分布特性，提出变分框架下的优化目标函数；采用变分寻优法对提出的优化目标函数进行求解，分解得到优化后的光照分量和反射分量；对优化目标函数分解得到的光照分量进行动态范围调整；根据新视觉成像模型将优化后的反射分量映射回调整动态范围的光照分量，从而使得低光图像达到高可视性和高信噪比的增强效果。本发明专利技术能够生成兼具高可视性和高信噪比的低光增强图像。具高可视性和高信噪比的低光增强图像。具高可视性和高信噪比的低光增强图像。
【技术实现步骤摘要】
低光图像增强方法、系统、终端以及存储介质
[0001]本专利技术涉及一种低光图像增强方法、系统、终端以及存储介质。
技术介绍
[0002]对室内外低光场景图像进行增强可以改善图像的视觉效果，例如众多计算机视觉场景：如城市智慧管理、智能视频监控、人脸识别系统等，都对图像中有效特征的高精度检测有着较高要求。但是，在低光场景下，由于自然环境下的光照率低和大气中悬浮的微小形态的溶胶颗粒、尘埃等散射现象的普遍存在，导致捕获到的图像存在严重的降质问题，如高噪声、低可视性、偏色等。这些问题极大地限制了计算机视觉任务的应用和落地。
[0003]现有的图像增强技术主要包含三类：传统增强方法、深度学习方法和基于Retinex模型理论方法。
[0004]传统增强方法旨在通过映射直方图的方式对动态范围(对比度)进行调整，以实现目标图像的视觉增强。尽管该类方法操作简单且计算代价低，但其强调的是对比度的增强，而不是对真实光照的调整。因而，该类方法难以照顾到接近饱和的相对明亮区域像素或强度极低的相对较暗区域像素，从而无法较好的解决图像增强过程中的不适定问题。
[0005]相较前者，深度学习类方法则通过使用大量训练样本在增强图像方面取得了很大进展，其能够利用大数据样本以及映射约束在一定程度上解决增强过程中问题的不适定。然而，该类方法依赖于复杂的网络结构和大量的训练数据，从而导致存在训练过程耗时且依赖硬件资源的问题。除此以外，由于样本获取困难，当测试图像与训练图像存在显著不同时，深度学习类方法在不适定问题上求解的效果会因为泛化能力的减弱从而导致精度的下降。
[0006]不同于前两类方法，基于Retinex模型理论的基础是：物体的颜色是由物体对长波(红色)、中波(绿色)、短波(蓝色)光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即Retinex是以色感一致性(颜色恒常性)为基础的。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应的增强。该类方法估计的光照分量是以假设实际场景中光照的分布是缓慢平滑的，其大部分通过对原始图像进行高斯滤波的方式来获得。该类方法虽然一定程度上能提升亮度的可视性，但不合理的假设造成模型估计的光照分量并不准确，且忽略了反射分量和噪声分量的假设分布，从而导致输出结果存在视觉上的伪影或放大的噪声，最终使得增强结果存在较差的可视性和较低的信噪比。
[0007]因而，如何使用更加科学合理的数学模型来构建人眼视觉成像过程并应用到低光图像增强任务中，使得精细处理后的图像能够获得清晰视图的同时兼顾符合高精度视觉算法对高信噪比输入的需求，俨然成为学术界研究热点和工业界的刚性需求。
技术实现思路
[0008]有鉴于此，有必要提供一种低光图像增强方法，以通过变分法迭代实现高可视性和高信噪比的低光图像增强。
[0009]本专利技术提供一种低光图像增强方法，该方法包括如下步骤：a.根据传统Retinex视觉成像模型，建立新视觉成像模型；b.根据建立的新视觉成像模型，估计光照分量的初始值；c.在新视觉成像模型下，结合估计的光照分量的初始值和反射分量在实际成像中的分布特性，提出变分框架下的优化目标函数；d.采用变分寻优法对提出的优化目标函数进行求解，分解得到优化后的光照分量和反射分量；e.利用非线性gamma函数对优化目标函数分解得到的光照分量进行动态范围调整；根据新视觉成像模型将优化后的反射分量映射回调整动态范围的光照分量，从而使得低光图像达到高可视性和高信噪比的增强效果。
[0010]优选地，所述的步骤a中：
[0011]所述新视觉成像模型为：
[0012][0013]其中，P为相机捕获图像，R为反射分量，L为光照分量，为基于像素的点乘运算符，N为噪声分量。
[0014]优选地，所述的步骤b包括：
[0015]在相机捕获图像P的三通道中，选取通道之间像素的最大值作为光照分量的初始值，即在每个像素x上光照分量的初始值为：L
ini
(x)＝maxc∈{R,G,B}P(x)。
[0016]优选地，所述的步骤c包括：
[0017]S3.1，光照分量L在整幅图像中满足空间的分段平滑性；
[0018]S3.2，光照分量L在整幅图像内的强度值大于等于捕获图像的强度值，即L≥P；
[0019]S3.3，反射分量R在整幅图像中满足空间的分段常数，并在低亮度处包含噪声；
[0020]S3.4，反射分量R的细节与捕获图像中的细节具有一致性；
[0021]S3.5，通过实验可以观察到的是：低光环境下，反射分量与光照分量的乘积接近于捕获图像，用于两者的数值相近性构建对应的数据保真项；
[0022]通过以上先验假设，提出优化目标函数：
[0023][0024]其中，λ
P
、λ
R
、λ
L
为用于平衡不同正则项的正的权重因子；为数据保真项，用于保证重组后的结果接近于捕获图像P；为梯度保真项，用于保持分离出的反射分量R在细节上与捕获图像P的保持一致；用于强制反射分量保持空间各向异性平滑，其中异性平滑，其中作用于R使其在非同质区域保留重要结构的同时在同质区域压缩噪声以提高信噪比；用于强制光照分量L稀疏并分段平滑。
[0025]优选地，所述的步骤d包括：
[0026]首先引入两个辅助变量和然后将提出的优化目标函数转为如下条件限制的优化形式：
[0027][0028][0029]上式的增广拉格朗日函数自然地写为：
[0030][0031]其中，ξ和η是拉格朗日乘子，β
L
和β
R
是预定义的正的参数，将L
A
分离为对应于X和Y、L和R的子问题并交替求解，用于接下来的子问题收敛到一个全局最优解；
[0032](X,Y)子问题：从L
A
中分别收集X和Y相关项，并通过如下形式获得关于X和Y的最小化问题：
[0033][0034][0035]其对应的解为：
[0036][0037][0038]其中，sgn表示符号函数；
[0039](L,R)子问题：固定以上的X和Y结果，从L
A
中分别收集L和R相关项，并通过如下形式获得关于L和R的最小化问题：
[0040][0041][0042]其对应的解：
[0043][0044][0045]其中，I表示单位矩阵，F(
·
),F
‑1(
·
)和分别表示FFT运算符号，逆FFT运算符和复共轭运算符；
[0046](ξ,η)更新：每次迭代过程中，拉格朗日乘子ξ和η使用步长为(ξ,η)更新：每次迭代过程中，拉格朗日乘子ξ和η使用步长为分别通过和来更新；
[0047]基于上述运算本文档来自技高网...
【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，该方法包括如下步骤：a.根据传统Retinex视觉成像模型，建立新视觉成像模型；b.根据建立的新视觉成像模型，估计光照分量的初始值；c.在新视觉成像模型下，结合估计的光照分量的初始值和反射分量在实际成像中的分布特性，提出变分框架下的优化目标函数；d.采用变分寻优法对提出的优化目标函数进行求解，分解得到优化后的光照分量和反射分量；e.利用非线性gamma函数对优化目标函数分解得到的光照分量进行动态范围调整；根据新视觉成像模型将优化后的反射分量映射回调整动态范围的光照分量，从而使得低光图像达到高可视性和高信噪比的增强效果。2.如权利要求1所述的方法，其特征在于，所述的步骤a中：所述新视觉成像模型为：其中，P为相机捕获图像，R为反射分量，L为光照分量，为基于像素的点乘运算符，N为噪声分量。3.如权利要求2所述的方法，其特征在于，所述的步骤b包括：在相机捕获图像P的三通道中，选取通道之间像素的最大值作为光照分量的初始值，即在每个像素x上光照分量的初始值为：L
ini
(x)＝max
c∈{R,G,B}
P(x)。4.如权利要求3所述的方法，其特征在于，所述的步骤c包括：S3.1，光照分量L在整幅图像中满足空间的分段平滑性；S3.2，光照分量L在整幅图像内的强度值大于等于捕获图像的强度值，即L≥P；S3.3，反射分量R在整幅图像中满足空间的分段常数，并在低亮度处包含噪声；S3.4，反射分量R的细节与捕获图像中的细节具有一致性；S3.5，通过实验可以观察到的是：低光环境下，反射分量与光照分量的乘积接近于捕获图像，用于两者的数值相近性构建对应的数据保真项；通过以上先验假设，提出优化目标函数：其中，λ
P
、λ
R
、λ
L
为用于平衡不同正则项的正的权重因子；为数据保真项，用于保证重组后的结果接近于捕获图像P；为梯度保真项，用于保持分离出的反射分量R在细节上与捕获图像P的保持一致；用于强制反射分量保持空间各向异性平滑，其中平滑，其中作用于R使其在非同质区域保留重要结构的同时在同质区域压缩噪声以提高信噪比；用于强制光照分量L稀疏并分段平滑。5.如权利要求4所述的方法，其特征在于，所述的步骤d包括：首先引入两个辅助变量和然后将提出的优化目标函数转为如下条件限制的优化形式：的优化形式：
上式的增广拉格朗日函数自然地写为：其中，ξ和η是拉格朗日乘子，β
L
和β
R
是预定义的正的参数，将L
A
分离为对应于X和Y、L和R的子问题并交替求解，用于接下来...
【专利技术属性】
技术研发人员：曹伟，宋展，叶于平，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。