自适应亮度调节的图像增强方法及系统技术方案

本发明专利技术实施例提供一种自适应亮度调节的图像增强方法及系统，属于图像处理技术领域。所述方法包括：采集目标图像，并对所述目标图像进行预处理，获得预处理后的图像信息；基于所述预处理后的图像信息作为预设Zero

【技术实现步骤摘要】
自适应亮度调节的图像增强方法及系统


[0001]本专利技术涉及图像处理
，具体地涉及一种自适应亮度调节的图像增强方法及一种自适应亮度调节的图像增强系统。

技术介绍

[0002]现实中的成像环境会很大程度上影响获取图像的质量，弱光条件下获得的图像通常存在低亮度、低对比度、强噪声、色彩失真以及图片细节丢失等问题。因此为了从原图像更多地提取有效信息，必须通过算法对图像进行增强，而图像增强不只是对图像亮度的提高，还要综合考虑图像的视觉效果，有目的地强调图像整体或局部特征。目前传统的弱光图像增强分别建立在直方图技术和视网膜理论的基础上，基于直方图均衡化技术的方法效果明显，但效果单一，亮度虽然有了一定提升，但对于颜色噪声问题的解决效果一般；基于视网膜理论的Retinex增强方法可以通过反复迭代加强图片亮度，但无法避免颜色失真和“光晕”现象的出现。基于深度学习的弱光增强可以分为基于有监督网络的增强算法和基于无监督网络的增强算法，基于有监督网络的增强算法依赖不同光照条件下同一场景的图片对来进行配对训练，对网络的训练集的要求很高；基于无监督网络的增强算法则基于生成对抗网络(GAN)来达到显著的图像增强效果，它可以选择不成对的数据集来进行网络训练，网络的效果和泛化性更好。
[0003]零参考深度曲线估计网络(Zero
‑
DCE)用神经网络来拟合亮度映射曲线，再根据曲线与原图像来生成拟合新图像。它提出了一种单调可微分的图像增强曲线，将微光图像的增强问题转化成输入图像对应的亮度映射曲线的最优估计问题，可以控制曲率的迭代次数来得到很好的图像增强效果。但对于所有低亮度图像，固定的迭代次数对其增强要求是不够的，迭代次数过少，会使得增强效果不好；迭代次数过多，又会造成图像丰富度丢失。不用图像采集场景下采集的图像信息，其需要进行的图像增强质量需求是不同的，但是目前固定迭代次数的增强方案，并不能适应实际需求。所以虽然存在基于Zero
‑
DCE进行图像增强的方案，但是因为现有方案其迭代次数固定，是的不同的图像进行增强后往往存在增强效果不佳或图像价值信息缺失的问题，针对目前的图像亮度增强方案普遍存在的无法针对图像实际情况制定迭代次数导致的增强效果不佳的问题，需要创造一种自适应亮度调节的图像增强方法。

技术实现思路

[0004]本专利技术实施方式的目的是提供一种自适应亮度调节的图像增强方法及系统，以至少解决目前的图像亮度增强方案普遍存在的无法针对图像实际情况制定迭代次数导致的增强效果不佳的问题。
[0005]为了实现上述目的，本专利技术第一方面提供一种自适应亮度调节的图像增强方法，所述方法包括：采集目标图像，并对所述目标图像进行预处理，获得预处理后的图像信息；基于所述预处理后的图像信息作为预设Zero
‑
DCE算法的入参，进行图像增强，每完成一次
迭代，获得一幅图像信息，完成预设次数迭代后，将所有图像信息作为图像集；基于所述图像集进行信息熵和峰值信噪比确认，并基于确认的信息熵和峰值信噪比构建优化函数，基于所述优化函数确定迭代次数；在所述图像集中基于确定的迭代次数选择完成对应迭代次数后的图像信息作为增强后的图像信息。
[0006]可选的，所述对所述目标图像进行预处理中，所述预处理包括：图像校正处理、图像去噪处理和图像平滑处理中的任意一种。
[0007]可选的，所述峰值信噪比的确认规则为：针对图像集中每一次增强后的前后两个图像确定峰值信噪比；基于确定的峰值信噪比和预设标准峰值信噪比之间的大小关系确定峰值信噪比最终值；
[0008][0009]其中，PSNR
n
表示图像P
n
的峰值信噪比；PSNR
norm
为预设标准峰值信噪比。
[0010]可选的，所述信息熵的确认规则为：对图像集中的图像信息进行二值化处理，并统计每个像素点的灰度值；基于各像素点的灰度值进行信息熵确认，规则为：
[0011][0012]其中，p
i
为灰度值为i的像素所占比例；H为确认的信息熵。
[0013]可选的，所述优化函数表示为：
[0014]QE＝
‑
H
n
+P(PSNR
norm
,PSNR)
[0015]其中，H表示图像P的信息熵；QE为优化评价值。
[0016]n n
[0017]可选的，所述基于所述优化函数确定迭代次数，包括：对比图像集中各图像信息的优化函数评价结果，选出数值最大的图像赌对应的迭代次数，作为确定的迭代次数
[0018]可选的，所述方法还包括：构建预设Zero
‑
DCE算法网络，包括：构建7个对称结构的卷积层；其中，前6层采用大小为3x3、步长为1的小卷积核，对应的激活函数为ReLU函数；第7层卷积通道数分别设置为{3，6，
…
，96}。
[0019]可选的，所述预设Zero
‑
DCE算法为：
[0020]LE(I(x)；α)＝I(x)+αI(x)(1
‑
I(x))
[0021]其中，LE(I(x)；α)为像素点x增强后的光强值；I(x)为像素点x的光强值；α为预设增强系数。
[0022]本专利技术第二方面提供一种自适应亮度调节的图像增强系统，所述系统包括：采集单元，用于采集目标图像，并对所述目标图像进行预处理，获得预处理后的图像信息；处理单元，用于基于所述预处理后的图像信息作为预设Zero
‑
DCE算法的入参，进行图像增强，每完成一次迭代，获得一幅图像信息，完成预设次数迭代后，将所有图像信息作为图像集；确定单元，用于基于所述图像集进行信息熵和峰值信噪比确认，并基于确认的信息熵和峰值信噪比构建优化函数，基于所述优化函数确定迭代次数；增强单元，用于在所述图像集中基于确定的迭代次数选择完成对应迭代次数后的图像信息作为增强后的图像信息。
[0023]另一方面，本专利技术提供一种计算机可读储存介质，该计算机可读存储介质上储存
有指令，其在计算机上运行时使得计算机执行上述的自适应亮度调节的图像增强方法。
[0024]通过上述技术方案，本专利技术方法在无监督神经网络Zero
‑
DCE的基础上提出了一种评价方法，通过引入信息熵和峰值信噪比进行图像丰富度和增强效果综合评价，找到适应当前图像的最佳迭代次数，并基于该迭代次数进行当前图像处理，保证图像处理增强效果符合预期。能够根据场景图片自适应地对图像进行增强，做到亮度、对比度、色彩和不丢失细节等方面的均衡，达到实际场景应用的需求。
[0025]本专利技术实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0026]附图是用来提供对本专利技术实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施方式，但并不构成对本专利技术实施方式的限制。在附图中：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应亮度调节的图像增强方法，其特征在于，所述方法包括：采集目标图像，并对所述目标图像进行预处理，获得预处理后的图像信息；基于所述预处理后的图像信息作为预设Zero
‑
DCE算法的入参，进行图像增强，每完成一次迭代，获得一幅图像信息，完成预设次数迭代后，将所有图像信息作为图像集；基于所述图像集进行信息熵和峰值信噪比确认，并基于确认的信息熵和峰值信噪比构建优化函数，基于所述优化函数确定迭代次数；在所述图像集中基于确定的迭代次数选择完成对应迭代次数后的图像信息作为增强后的图像信息。2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行预处理中，所述预处理包括：图像校正处理、图像去噪处理和图像平滑处理中的任意一种。3.根据权利要求1所述的方法，其特征在于，所述峰值信噪比的确认规则为：针对图像集中每一次增强后的前后两个图像确定峰值信噪比；基于确定的峰值信噪比和预设标准峰值信噪比之间的大小关系确定峰值信噪比最终值；其中，PSNR
n
表示图像P
n
的峰值信噪比；PSNR
norm
为预设标准峰值信噪比。4.根据权利要求1所述的方法，其特征在于，所述信息熵的确认规则为：对图像集中的图像信息进行二值化处理，并统计每个像素点的灰度值；基于各像素点的灰度值进行信息熵确认，规则为：其中，p
i
为灰度值为i的像素所占比例；H为确认的信息熵。5.根据权利要求4所述的方法，其特征在于，所述优化函数表示为：QE＝
‑
H
n
+P(PSNR
norm
,PSNR)其中，H
n
表示图像P
n
的信息熵；QE为优化...

【专利技术属性】
技术研发人员：邢应春，董二宝，单晓锋，郭祥，韩先国，甄武东，姚欢，柏光瑞，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：