基于改进的Zero-DCE网络的低照度图像增强方法技术

本发明专利技术涉及一种基于改进的Zero

【技术实现步骤摘要】
基于改进的Zero
‑
DCE网络的低照度图像增强方法


[0001]本专利技术涉及低照度图像增强领域，特别是涉及一种基于改进的Zero
‑
DCE网络的低照度图像增强方法。

技术介绍

[0002]在光线相对较弱的环境中拍摄的图像被认为是低照度图像，这些图像表现出低亮度、低对比度、窄灰度范围、颜色失真以及相当大的噪声等，由于缺乏关照，这些图像的像素值主要集中在较低的范围内，彩色图像各通道间对应像素的灰度差异有限，图像的最大灰度级和最小灰度级之间只有很小的差距。整个颜色层存在偏差，边缘信息较弱，很难区分图像的细节，降低了图像的可用性，严重降低了主观视觉效果以及限制之后的各类功能。
[0003]传统方法大多使用直方图增强或者基于Retinex方法，前者往往忽略相邻像素间的依赖关系而导致局部增强，后者则在复杂光源场景下差强人意。深度学习方法则主要分为两种，一种是利用暗环境与正常环境图对训练，另一种是GAN方法，利用单图像训练，前者数据集有限，后者数据集相对易得。传统的Zero
‑
DCE为比较典型的GAN方法，但是8次迭代相对更加冗余，计算量较大。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进的Zero
‑
DCE网络的低照度图像增强方法，以解决传统的Zero
‑
DCE网络迭代冗余，计算量大的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：一种基于改进的Zero
‑
DCE网络的低照度图像增强方法，包括：获取待增强图像；将所述待增强图像输入至改进的Zero
‑
DCE网络中，输出增强后的图像；其中，所述改进的Zero
‑
DCE网络包括：9层浅层特征层；第一浅层特征层至第六浅层特征层依次连接；其中，第二浅层特征层至第四浅层特征层中每一层浅层特征层均经过前一层浅层特征层卷积并利用relu函数激活后依次连接；所述第四浅层特征层、第五浅层特征层以及所述第六浅层特征层之间引入残差模块，所述第四浅层特征层、第五浅层特征层以及所述第六浅层特征层之间设为残差连接；第三浅层特征层与所述第四浅层特征层拼接后连接所述第四浅层特征层与所述第五浅层特征层之间的残差模块；所述第二浅层特征层与所述第五浅层特征层拼接后连接所述第五浅层特征层与所述第六浅层特征层之间的残差模块；所述残差模块为残差网络；取消第七浅层特征层的8次迭代过程，以三次卷积穿插三次激活层的方式，在所述第一浅层特征层以及所述第六浅层特征层拼接后且所述第七浅层特征层之前、所述第五浅层特征层与第九浅层特征层之间以及所述第六浅层特征层与第八浅层特征层之间增加激活模块。
[0006]可选的，所述改进的Zero
‑
DCE网络的损失函数包括空间一致性损失函数、曝光损
失函数、颜色损失函数、光照平滑度损失函数以及结构平滑度损失函数。
[0007]可选的，所述空间一致性损失函数为：；其中，为空间一致性损失函数；K为局部区域的数量；为以区域i为中心的四个相邻区域；j为相邻区域编号；Y
i
为原图局部区域i的颜色数值；Y
ij
为原图局部区域i的邻域j的颜色数值；I
i
为增强后局部区域i的颜色数值；I
ij
为增强后局部区域i的邻域j的颜色数值。
[0008]可选的，所述曝光损失函数为：；其中，为曝光损失函数；M为不重叠的局部区域数量；k为局部区域编号；E
k
为所述增强后的图像中局部区域k的平均像素强度值；E为标准强度。
[0009]可选的，所述颜色损失函数为：；其中，为颜色损失函数；J
p
为颜色通道组合p的平均强度；J
q
为颜色通道组合q的平均强度；为颜色通道组合集合。
[0010]可选的，所述光照平滑度损失函数为：；其中，为光照平滑度损失函数；为水平方向的梯度操作；为垂直方向的梯度操作；A为三组加权系数。
[0011]可选的，所述结构平滑度损失函数为：其中，为结构平滑度损失函数；λ为平衡系数；Out为输出的增强后的图像；为计算梯度。
[0012]可选的，所述将所述待增强图像输入至改进的Zero
‑
DCE网络中，输出增强后的图像，之前还包括：将待训练的图像随机划分为若干批次，且每个批次包含相同数量的图像；利用所述若干批次图像训练并优化所述改进的Zero
‑
DCE网络，直至计算得到的总损失达到损失阈值或者迭代次数达到次数阈值，停止训练并保存训练好的改进的Zero
‑
DCE网络。
[0013]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于改进的Zero
‑
DCE网络的低照度图像增强方法。
[0014]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于改进的Zero
‑
DCE网络的低照度图像增强方法。
[0015]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供了一种基于改进的Zero
‑
DCE网络的低照度图像增强方法，在传统Zero
‑
DCE网络的结构之上，取消Zero
‑
DCE网络中的8次迭代步骤，以卷积、归一化、激活的方式取而代之，避免了迭代冗余的问题，大大降低了计算量；且引入了残差网络作为残差模块，作用于第四浅层特征层、第五浅层特征层以及第六浅层特征层，从而能够更大程度保留原有特征。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术所提供的改进的Zero
‑
DCE网络架构图；图2为本专利技术所提供的残差模块结构图；图3为本专利技术所提供的Act模块结构图；图4为本专利技术所提供的待增强图像示意图；图5为本专利技术所提供的增强后的图像示意图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]本专利技术的目的是提供一种基于改进的Zero
‑
DCE网络的低照度图像增强方法，避免了迭代冗余的问题，降低了计算量。
[0020]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的Zero
‑
DCE网络的低照度图像增强方法，其特征在于，包括：获取待增强图像；将所述待增强图像输入至改进的Zero
‑
DCE网络中，输出增强后的图像；其中，所述改进的Zero
‑
DCE网络包括：9层浅层特征层；第一浅层特征层至第六浅层特征层依次连接；其中，第二浅层特征层至第四浅层特征层中每一层浅层特征层均经过前一层浅层特征层卷积并利用relu函数激活后依次连接；所述第四浅层特征层、第五浅层特征层以及所述第六浅层特征层之间引入残差模块，所述第四浅层特征层、第五浅层特征层以及所述第六浅层特征层之间设为残差连接；第三浅层特征层与所述第四浅层特征层拼接后连接所述第四浅层特征层与所述第五浅层特征层之间的残差模块；所述第二浅层特征层与所述第五浅层特征层拼接后连接所述第五浅层特征层与所述第六浅层特征层之间的残差模块；所述残差模块为残差网络；取消第七浅层特征层的8次迭代过程，以三次卷积穿插三次激活层的方式，在所述第一浅层特征层以及所述第六浅层特征层拼接后且所述第七浅层特征层之前、所述第五浅层特征层与第九浅层特征层之间以及所述第六浅层特征层与第八浅层特征层之间增加激活模块。2.根据权利要求1所述的低照度图像增强方法，其特征在于，所述改进的Zero
‑
DCE网络的损失函数包括空间一致性损失函数、曝光损失函数、颜色损失函数、光照平滑度损失函数以及结构平滑度损失函数。3.根据权利要求2所述的基于改进的Zero
‑
DCE网络的低照度图像增强方法，其特征在于，所述空间一致性损失函数为：；其中，为空间一致性损失函数；K为局部区域的数量；为以区域i为中心的四个相邻区域；j为相邻区域编号；Y
i
为原图局部区域i的颜色数值；Y
ij
为原图局部区域i的邻域j的颜色数值；I
i
为增强后局部区域i的颜色数值；I
ij
为增强后局部区域i的邻域j的颜色数值。4.根据权利要求3所述的基于改进的Zero
‑
DCE网络的低照度图像增强方法，其特征在于，所述曝光损失函数为：；其中，为曝光损失函数；M为不重叠的局...

【专利技术属性】
技术研发人员：张旭东，刘颖群，邹渊，樊杰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：