【技术实现步骤摘要】
基于嵌入麦克劳林与卷积的低曝光图像增强方法及系统
[0001]本公开涉及图像处理
，具体涉及基于嵌入麦克劳林与卷积的低曝光图像增强方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，多数低曝光图像增强的卷积神经网络的核心思想都是从低曝光图像中学习出图像的亮度分量，并从低曝光图像中去除亮度分量，以实现低曝光图像增强。但是这种增强模式存在两方面问题：
[0004](1)低曝光图像与相应的亮度分量之间的数学关系极为复杂，需要较深的网络方能拟合低曝光图像与亮度分量之间的数学关系，导致前向推导速度较慢。
[0005](2)网络训练完成后，网络的权重为静态值，导致输出图像的亮度水平为固定值，无法满足智能手机、数码相机等消费电子对亮度水平动态可调的需求。
技术实现思路
[0006]本公开为了解决上述问题，提出了一种基于嵌入麦克劳林展开公式与卷积权重校准的低曝光图像增强方法及系统，通过嵌入麦克劳林展开公式加强网络的拟合性...
【技术保护点】
【技术特征摘要】
1.基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，包括：获取待增强的低曝光图像，对所述低曝光图像进行处理分解；将所述低曝光图像输入至主干网络中提取多尺度特征，在主干网络中引入动态调节因子，利用所述动态调节因为学习卷积权重校准图，并将学习到的权重校准图对主干网络的卷积权重进行校准，利用校准后的卷积核对特征执行卷积运算，获得低曝光图像的亮度分量，利用亮度分量输出可随动态调节因子变化的长曝光图像。2.如权利要求1所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，获取待增强的低曝光图像，对所述低曝光图像进行处理分解的方式包括：将低曝光图像分解为亮度分量与长曝光图像的乘积，在分解过程中增加残差项获取亮度分量。3.如权利要求2所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，所述亮度分量为多尺度特征的非线性组合，在非线性函数中嵌入麦克劳林展开公式，通过麦克劳林展开公式将亮度分量与低曝光图像之间的函数关系变换为多尺度特征与多项式系数的组合。4.如权利要求1所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，构建主干网络对低曝光图像进行增强，所述主干网络的结构是由11个卷积层构成，前7个卷积层、2个下采样层、2个上采样层构成多尺度卷积模块，用于生成多尺度特征。5.如权利要求4所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，在多尺度卷积模块后设置2个卷积层将多尺度特征逐渐压缩至3个通道，采用跳跃连接层对特征进行加权校准。6.如权利要求4所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，在多尺度卷积模块上引出另一条分支来获取麦克劳林展开公式的系数，所述分支包含2个卷积层和1个全局平均池化层...
【专利技术属性】
技术研发人员：代成刚，陈成军，李东年，赵正旭，林明星，
申请(专利权)人：青岛理工大学，
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。