低光图像增强模型的训练方法和低光图像增强方法技术

本发明专利技术涉及图像处理技术领域，尤其涉及一种低光图像增强模型的训练方法和低光图像增强方法。其中，低光图像增强模型的训练方法包括，在训练低光图像增强模型，可以先获取多个低光图像样本，以及各个低光图像样本对应的正常光图像；将多个低光图像样本输入到初始低光图像增强模型中，得到各个低光图像样本对应的预测增强图像；根据各个低光图像样本对应的正常光图像和所述预测增强图像，对初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型。这样通过深度学习使得训练得到的低光图像增强模型，可以获取到效果较好的增强图像，使得得到的增强图像细节可视性较高。高。高。

【技术实现步骤摘要】
低光图像增强模型的训练方法和低光图像增强方法


[0001]本专利技术涉及图像处理
，尤其涉及一种低光图像增强模型的训练方法和低光图像增强方法。

技术介绍

[0002]低光图像是指在光线较暗或者夜晚时拍摄时获取到图像，低光图像在现有技术中是极为常见的一种现象。低光图像增强是针对图像亮度低、噪声大、图像细节可视性差等特点进行增强，使得部分隐含在较暗区域的图像细节能够较清晰地呈现出来，并且降低噪声的影响。
[0003]现有技术中，对低光图像进行图像增强时，主要通过去噪处理消除噪声的影响，但是无法对图像的细节特征进行增强，因此，采用现有技术中的图像增强方法得到的低光图像的增强图像，细节可视性较差。因此，如何获取到低光图像对应的高清晰的增强图像，是本领域技术人员亟待解决的问题。

技术实现思路

[0004]本专利技术提供一种低光图像增强模型的训练方法和低光图像增强方法，用以解决现有技术中的增强方法得到的增强图像细节可视性较差的技术问题。
[0005]一方面，本专利技术提供一种低光图像增强模型的训练方法，包括：
[0006]获取多个低光图像样本，以及各个低光图像样本对应的正常光图像；
[0007]将所述多个低光图像样本输入到初始低光图像增强模型中，得到所述各个低光图像样本对应的预测增强图像；
[0008]根据所述各个低光图像样本对应的所述正常光图像和所述预测增强图像，对所述初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型。
[0009]根据本专利技术提供的一种低光图像增强模型的训练方法，所述初始低光图像增强模型包括图像生成网络，所述图像生成网络包括输入网络、残差网络、空间注意力机制网络、上采样网络和特征融合网络；
[0010]所述将所述多个低光图像样本输入到初始低光图像增强模型中，得到所述各个低光图像样本对应的预测增强图像，包括：
[0011]针对每个所述低光图像样本执行以下处理：
[0012]将所述低光图像样本输入到所述输入网络中，并通过所述输入网络将所述低光图像样本输入到所述残差网络中，得到多个不同尺度的第一特征图；
[0013]将所述多个不同尺度的第一特征图输入到所述空间注意力机制网络中，得到多个具有语义信息的第二特征图；
[0014]将尺度最小的第一特征图输入到所述上采样网络中，得到多个不同尺寸的第三特征图；
[0015]将所述多个具有语义信息的第二特征图和多个不同尺寸的第三特征图输入到所
述特征融合网络中，得到所述预测增强图像。
[0016]根据本专利技术提供的一种低光图像增强模型的训练方法，还包括；
[0017]所述根据所述各个低光图像样本对应的所述预测增强图像，对所述初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型，包括：
[0018]将所述低光图像样本对应的正常光图像以及预测增强图像输入到图像判别网络中，得到预设的图像损失函数的损失值；
[0019]根据所述图像损失函数的损失值，采用损失梯度反向传播算法迭代调整所述图像生成网络和图像判别网络的权重，直到所述初始低光图像增强模型收敛，将收敛的模型作为训练后的低光图像增强模型。
[0020]根据本专利技术提供的一种低光图像增强模型的训练方法，所述预设的图像损失函数包括：全局对抗损失函数、部对抗损失函数、全局自特征保留损失函数和局部自特征保留损失函数。
[0021]根据本专利技术提供的一种低光图像增强模型的训练方法，所述特征融合网络包括池化层和卷积层；将所述多个具有语义信息的第二特征图和多个不同尺寸的第三特征图输入到所述特征融合网络中，得到所述预测增强图像，包括：
[0022]将所述多个具有语义信息的第二特征图和多个不同尺寸的第三特征图输入到所述池化层中，得到多个与原所述低光图像样本大小相同的第四特征图；
[0023]将所述多个与原所述低光图像样本大小相同的第四特征图输入到所述卷积层中，得到所述预测增强图像。
[0024]另一方面，本专利技术还提供一种低光图像增强方法，包括：
[0025]获取待增强的低光图像；
[0026]将所述待增强的低光图像输入到低光图像增强模型中，得到所述待增强的低光图像对应的增强图像；所述增强图像为上述任一项所述的增强图像模型。
[0027]另一方面，本专利技术还提供一种低光图像增强模型的训练装置，包括：
[0028]第一获取单元，用于获取多个低光图像样本，以及各个低光图像样本对应的正常光图像；
[0029]第一处理单元，用于将所述多个低光图像样本输入到初始低光图像增强模型中，得到所述各个低光图像样本对应的预测增强图像；
[0030]更新单元，用于根据所述各个低光图像样本对应的所述正常光图像和所述预测增强图像，对所述初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型。
[0031]另一方面，本专利技术还提供一种低光图像增强装置，包括：
[0032]第二获取模块，用于获取待增强的低光图像；
[0033]第二处理单元，用于将所述待增强的低光图像输入到低光图像增强模型中，得到所述待增强的低光图像对应的增强图像；所述增强图像为上述任一项所述的增强图像模型。
[0034]另一方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述低光图像增强模型的训练方法；或者实现如上所述的低光图像增强方法。
[0035]另一方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述低光图像增强模型的训练方法；或者实现如上所述的低光图像增强方法。
[0036]本专利技术提供的低光图像增强模型的训练方法，在训练低光图像增强模型，可以先获取多个低光图像样本，以及各个低光图像样本对应的正常光图像；将多个低光图像样本输入到初始低光图像增强模型中，得到各个低光图像样本对应的预测增强图像；根据各个低光图像样本对应的正常光图像和所述预测增强图像，对初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型。这样通过深度学习使得训练得到的低光图像增强模型，可以获取到效果较好的增强图像，使得得到的增强图像细节可视性较高。
附图说明
[0037]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
[0038]图1为本专利技术实施例提供的低光图像增强模型的训练方法流程示意图；
[0039]图2为本专利技术实施例的图像生成网络的结构示意图；
[0040]图3为本专利技术实施例的预测增强图像获取方法流程示意图；
[0041]图4为本专利技术实施例的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低光图像增强模型的训练方法，其特征在于，包括：获取多个低光图像样本，以及各个低光图像样本对应的正常光图像；将所述多个低光图像样本输入到初始低光图像增强模型中，得到所述各个低光图像样本对应的预测增强图像；根据所述各个低光图像样本对应的所述正常光图像和所述预测增强图像，对所述初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型。2.根据权利要求1所述的低光图像增强模型的训练方法，其特征在于，所述初始低光图像增强模型包括图像生成网络，所述图像生成网络包括输入网络、残差网络、空间注意力机制网络、上采样网络和特征融合网络；所述将所述多个低光图像样本输入到初始低光图像增强模型中，得到所述各个低光图像样本对应的预测增强图像，包括：针对每个所述低光图像样本执行以下处理：将所述低光图像样本输入到所述输入网络中，并通过所述输入网络将所述低光图像样本输入到所述残差网络中，得到多个不同尺度的第一特征图；将所述多个不同尺度的第一特征图输入到所述空间注意力机制网络中，得到多个具有语义信息的第二特征图；将尺度最小的第一特征图输入到所述上采样网络中，得到多个不同尺寸的第三特征图；将所述多个具有语义信息的第二特征图和多个不同尺寸的第三特征图输入到所述特征融合网络中，得到所述预测增强图像。3.根据权利要求2所述的低光图像增强模型的训练方法，其特征在于，还包括；所述根据所述各个低光图像样本对应的所述预测增强图像，对所述初始低光图像增强模型的模型参数进行更新，以得到训练后的低光图像增强模型，包括：将所述低光图像样本对应的正常光图像以及预测增强图像输入到图像判别网络中，得到预设的图像损失函数的损失值；根据所述图像损失函数的损失值，采用损失梯度反向传播算法迭代调整所述图像生成网络和图像判别网络的权重，直到所述初始低光图像增强模型收敛，将收敛的模型作为训练后的低光图像增强模型。4.根据权利要求3所述的低光图像增强模型的训练方法，其特征在于，所述预设的图像损失函数包括：全局对抗损失函数、部对抗损失函数、全局自特征保留损失函数和局部自特征保留损失函数。5.根据权利要求2...

【专利技术属性】
技术研发人员：孙哲南，李琦，董潇潇，陈丹丹，李暄，
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：