【技术实现步骤摘要】
一种基于深度曲线估计的图像曝光校正方法
[0001]本专利技术属于数字图像处理技术、计算机视觉和图像增强等领域，具体涉及一种基于深度曲线估计的图像曝光校正方法。
技术介绍
[0002]拍照时，相机需优化曝光参数以保证图像质量。然而，受复杂光照条件、人为等因素的影响，相机往往以欠佳的曝光设置来进行拍摄，使得图像出现曝光过度或曝光不足的问题。其中，曝光过度会导致图像部分像素饱和，造成图像亮部细节丢失、过度明亮等问题；曝光不足则会造成图像部分像素响应不充分，导致图像整体灰暗、暗部细节丢失等问题。上述曝光问题限制了图像的进一步应用，曝光校正则是解决图像曝光问题的有效技术手段。
[0003]当前，曝光校正领域的研究者们主要关注的是欠曝光图像的校正问题，并获得了丰富的研究成果，而对于可同时处理过曝光和欠曝光图像的通用方法而言，现有成果则较少，现有方法的精度有待进一步提升。此外，现有通用方法主要利用深度学习技术，构建大规模的编码
‑
解码器结构来进行曝光校正，这类模型完全依靠数据的拟合来建模，方法可解释性较差。对于...
【技术保护点】
【技术特征摘要】
1.一种基于深度曲线估计的图像曝光校正方法，其特征在于，包括以下步骤：步骤1，利用相机采集图像，并使用图像后期处理软件以不同的曝光度渲染图像，得到具备不同曝光度图像的数据集，具体包括以下步骤：步骤1.1，人工使用相机采集最优曝光图像；步骤1.2，使用图像后期处理软件渲染出不同曝光度的图像；步骤2，构建并训练一个深度曲线估计模型，具体包括以下步骤：步骤2.1，图像预处理；步骤2.2，基于卷积神经网络，构建用于提取图像特征的特征提取模块；步骤2.3，组合特征提取模块与单个神经网络，构建用于估计伽马校正参数的伽马估计模块；步骤2.4，组合特征提取模块与两个神经网络，构建用于估计逻辑斯蒂函数参数的逻辑斯蒂估计模块；步骤2.5，合并伽马估计模块与逻辑斯蒂估计模块，建立深度曲线估计网络模型；步骤2.6，建立复合损失函数并优化深度曲线估计网络模型；步骤3，估计图像曝光校正曲线的参数，利用由伽马变换和逻辑斯蒂函数复合而成的图像曝光校正模型，校正图像的曝光，具体包括以下步骤：步骤3.1，应用深度曲线估计模型估计图像曝光校正曲线的参数；步骤3.2，建立由伽马变换及逻辑斯蒂函数复合而成的校正模型，校正图像曝光。2.如权利要求1所述的一种基于深度曲线估计的图像曝光校正方法，其特征在于：步骤1.1所述最优曝光图像的采集方法为，选取不同的场景，由人工优化相机的曝光设置，并使用相机进行拍摄，得到曝光最优的RAW格式图像。3.如权利要求1所述的一种基于深度曲线估计的图像曝光校正方法，其特征在于：步骤1.2所述不同曝光度图像的渲染方法为，应用图像后期处理软件将RAW格式的最优曝光图像渲染为理想曝光图像，并在此基础上通过调节软件内的曝光设置增减图像曝光度，渲染出欠曝光和过曝光图像，完成数据集的创建。4.如权利要求1所述的一种基于深度曲线估计的图像曝光校正方法，其特征在于：步骤2.2中特征提取模块的具体实现方式如下；特征提取模块的输入是尺寸为256
×
256
×
3的图像，该模块首先使用卷积核大小为3
×
3的卷积层从输入图像中抽取一个256
×
256
×
16的特征图；随后，特征提取模块使用三个BRC模块对特征图作进一步映射；每个BRC模块中，含有三个由批归一化BN，ReLU非线性函数及3
×
3卷积所构成的基本组件，简称为BRC块，BRC块不对输入特征图的空间尺寸进行修改，而是通过提升特征图的通道数量来拓展图像的特征表示，每个BRC块输出特征图的通道数量会比输入特征图的通道数量多16；为避免特征提取模块最后提取到的特征维度过高，导致特征维度爆炸，在前两个特征提取模块内使用过渡模块来压缩中间特征的维度；过渡模块内使用1
×
1的卷积将BRC模块所输出特征图的通道维度缩减为16，随后使用一个均值池化层将特征图的空间维度缩减为原来的四分之一，得到图像更为精简的特征表示。5.如权利要求1所述的一种基于深度曲线估计的图像曝光校正方法，其特征在于：步骤2.3中，伽马估计模块的构造方式如下；
伽马估计模块是由一个特征提取模块及一个神经网络所构成的，伽马估计模块中的神经网络包含一个有着若干个神经元的隐藏层，隐藏层后接一个ReLU非线性层来进行非线性映射；为避免过拟合的问题，在训练中，隐藏层中神经元的响应以P％的概率被摒弃掉，由于伽马估计模块输出...
【专利技术属性】
技术研发人员：罗航，胡新荣，彭涛，梁金星，颜小运，柳正利，
申请(专利权)人：武汉纺织大学，
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。