【技术实现步骤摘要】
一种自监督低照度图像增强方法及系统
[0001]本专利技术属于计算机视觉技术以及图像处理
，更具体地，涉及一种自监督低照度图像增强方法及系统。
技术介绍
[0002]低照度图像增强是图像处理技术的核心问题之一，可广泛地应用于语义分割、目标识别和目标检测等高层计算机视觉任务中。低照度图像是由于现有视觉成像技术的限制，在夜间等低照度条件下，光线照明不足，使水平能见度显著降低，从而导致成像传感器采集的图像严重降质。
[0003]传统的低照度增强方法包括基于直方图均衡的方法和基于人类视觉模型的方法。后者受到的关注相对较多。一个典型的基于人类视觉模型的方法通过某种先验或正则化将低照度图像分解为反射分量和照明分量。而被估测的反射饭量被视为增强的效果。这种方法有一些局限性：1)将反射分量视为增强结果的理想假设并不总是成立，特别是考虑到各种照明特性，可能会导致不现实的增强，如细节的损失和色彩的扭曲；2)基于人类视觉模型方法中通常忽略了噪声，因此噪声在增强结果中被保留或被放大；3)找到一个有效的先验或正则化是具有挑战性的，不准确...
【技术保护点】
【技术特征摘要】
1.一种自监督低照度图像增强方法，其特征在于，包括以下步骤：对低照度图像进行直方图均衡化处理，再采用映射函数提取出经过直方图均衡化处理的低照度图像的高阶特征信息，将高阶特征信息作为直方图均衡先验信息；其中，低照度图像是指在环境光照强度小于1Lux情况下拍摄的图像；计算低照度图像的最大通道值，将最大通道图像与低照度图像结合后输入到第一组合层以获取连接图中的特征图像；其中，第一组合层包括一层9
×
9的卷积和ReLU层；以直方图均衡先验信息和连接图中的特征图像作为空间特征转换层的输入，学习直方图均衡先验信息的调制参数对以自适应地对连接图中的特征图像进行空间上的仿射变换，获取融入先验信息的特征图像；将融入先验信息的特征图像输入到基于视网膜大脑皮层理论构建的自适应深度神经网络模型中，通过若干卷积层和sigmoid层获取反射图和亮度图；其中，所述反射图为复原图像。2.根据权利要求1所述的自监督低照度图像增强方法，其特征在于，所述先验映射函数为深度卷积神经网络，包括五层结构，第一层为第二组合层，中间三层为第三组合层；最后一层为1
×
1卷积层；其中，第二组合层包括3
×
3卷积和LeakyReLU层；第三组合层包括1
×
1卷积和LeakyReLU层。3.根据权利要求1或2所述的自监督低照度图像增强方法，其特征在于，所述空间特征转换层获取融入先验信息的特征图像方法为：采用两层1
×
1卷积层提取出直方图均衡先验信息的中间参数与连接图中的特征图像进行相乘，获取直方图均衡先验信息的第一调制参数；再采用两层1
×
1卷积层提取出直方图均衡先验信息的第二调制参数；将第一调制参数与第二调制参数相加获取融入先验信息的特征图像。4.根据权利要求3所述的自监督低照度图像增强方法，其特征在于，通过融入先验信息的特征图像获取反射图和亮度图的方法为：所述融入先验信息的特征图像输入到U
‑
Net网络中提取包含更深层次特征信息的深层特征图像；其中，更深层次特征信息包括低照度图像的结构信息和纹理信息；采用第四组合层从输入的低照度图像中提取出输入图像的特征图像；其中，第四组合层包括一个3
×
3的卷积和ReLU层；再通过连接的方式将输入图像的特征图像与深层特征图像进行结合；采用两层3
×
3的卷积层对结合后的特征图像进行再次融合；基于再次融合的特征图像，采用一层sigmoid层得到最终的反射图和亮度图，其中，反射图为复原图像。5.根据权利要求4所述的自监督低照度图像增强方法，其特征在于，获取包含更深层次特征信息的深层特征图像方法为：采用第五组合层对融入先验信息的特征图像进行下采样，降低融入先验信息的特征图像的尺寸，提取出包含更深层次特征信息的深层特征图像；其中，第五组合层包括两层3
×
3的卷积和ReLU层；采用第六组合层对深层特征图像进行上采样，恢复到融入先验信息的特征图像的尺寸大小，同时保留了更深层次特征信息；其中，第六组合层包括两层3
×
3的反卷积和ReLU层。
6.一种自监督低照度图像增强系统，其特征在于，包括：直方图均衡化处理模块，用于对低照度图像进行直方图均衡化处理；其中，所述低照度图像为在环境光照强度小于1Lux情况下拍摄...
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。