一种基于深度Retinex的低光图像增强方法技术

本发明专利技术公开了一种基于深度Retinex的低光图像增强方法，该方法根据Retinex理论，利用层分解网络将低光、正常光图像分解为反射图像和照度图像；然后，将低光照度图像和低光反射率图像作为反射率恢复网络的输入，学习低光反射图像到正常光反射图像的映射，得到反射率恢复图像。接着，将低光照度图像作为照度调节网络的输入，学习低光照度图像到正常光照度图像的映射，得到照度增强图像。然后融合反射率恢复图像和照度增强图像，得到初步增强图像；最后使用感知强化网络学习初步增强图像到正常光图像的映射，得到最终增强图像。本方法可以有效地恢复输入图像的纹理细节和增强色彩信息，使图像的亮度分布更加自然，并且具备更低的噪声。声。声。

【技术实现步骤摘要】
一种基于深度Retinex的低光图像增强方法


[0001]本专利技术属于图像处理
，涉及低光图像的增强方法，具体涉及一种基于深度Retinex的低光图像增强方法。

技术介绍

[0002]图像在拍摄过程中如果受到低光条件的影响，比如背光、非均匀照明、弱光等，最终得到的图像就会存在亮度和对比度低、噪声高、细节模糊以及颜色失真等多重退化问题，不仅影响图像的美学质量，还会影响高级视觉任务的执行，比如检测任务、识别任务等。
[0003]因此需要对低光图像进行一定的处理，增强图像质量。传统的低光图像增强方法包括直方均衡、伽马校正、基于反向去雾模型增强和基于Retinex理论增强等。其中直方均衡、伽马校正可以增强图像的对比度和可见性，但不可避免地出现了光晕效应和过度增强现象。基于反向去雾模型的增强方法基于夜间图像和雾天图像的视觉相似性，使用暗通道先验法对倒置图像执行去雾，增强了图像的动态范围，但是该方法在细节处理上不够稳定。基于Retinex理论的方法是根据先验知识从低光图像中估计出照度图像，并将反射图像作为增强结果，常见的有SSR、MSR，但本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度Retinex的低光图像增强方法，包括基于Retinex理论的图像分解、反射率恢复、照度调节和增强融合，其特征在于：具体包括以下步骤：步骤1、使用残差模块代替U
‑
Net网络中的卷积层得到反射率恢复网络，网络输入为低光图像S
l
分解得到的低光照度图像和低光反射率图像，反射率恢复网络学习低光反射率图像到正常光反射率图像的映射，输出为反射率恢复图像；反射率恢复网络的损失函数为：；其中，为反射率一致性损失函数，为结构一致性损失函数，为梯度一致性损失函数，为颜色损失函数：；其中，为CLEDE_2000标准色差损失函数；步骤2、在Dense block的瓶颈层引入残差跳跃，使用DenseNet
‑
bc作为照度调节网络学习低光照度图像到正常光照度图像的映射，网络输入为低光照度图像，输出为照度增强图像；照度调节网络对应的损失函数为：；其中，第一项是照度一致性损失函数；第二项是梯度一致性损失函数；第三项是结构一致性损失函数；步骤3、采用图像重构的方法将步骤1中的反射率恢复图像和步骤2中的照度增强图像进行融合，得到初步增强图像；步骤4、采用感知强化网络学习初步增强图像到正常光图像的映射，所述感知强化网络首先对初步增强图像使用普通的卷积操作，再连续进行空洞卷积操作，且卷积的空洞率以2的倍数依次增长，再使用一次空洞率为1的卷积操作，最后使用1x1的卷积操作恢复通道数，输出最终增强图像；感知强化网络对应的损失函数为：；其中，第一项和第二项分别是MSE损失函数和结构一致性损失函数，第三项为感知损失函数：；其中表示从预训练的模型中提取的特征图，表示最大池化，为最大池化后的第个
卷积层，与为特征图的尺寸。2.如权利要求1所述一种基于深度Retinex的低光图像增强方法，其特征在于：根据Retinex理论分别对低光图像和正常光图像进行分解，得到低光反射率图像、正常光反射率图像、低光照度图像和正常光照度图像；计算公式为：；其中，为表示分解前的原图像，、分别表示分解得到的为反射率图像和照度图像，为像素乘法。3.如权利要求1或2所述一种基于深...

【专利技术属性】
技术研发人员：陈滨，杨剑豪，邵艳利，魏丹，王兴起，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：