【技术实现步骤摘要】
基于超像素分析的低照度图像增强方法及系统
[0001]本专利技术涉及人工智能
，特别是涉及基于超像素分析的低照度图像增强方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]在图像处理和计算机视觉领域，图像增强和分割是两个重要的任务。图像增强的目标是提高图像的质量和细节，使其更易于观察和分析。而图像分割的目标是将图像分成若干个不同的区域，以实现目标检测、物体识别、场景理解等应用。
[0004]传统的图像增强和分割方法通常需要使用多种技术和算法，而这些方法往往不是高效或准确的。随着深度学习技术的发展，越来越多的研究人员开始将深度学习应用于图像增强和分割任务中。其中，零参考图像增强技术因其能够从图像本身中自适应学习和提取信息而受到广泛关注。
[0005]然而，现有的零参考图像增强方法仍然存在一些问题，例如过度增强、失真和模糊等问题。此外，目前很多低照度图像增强的应用案例中，由于低照度场景下会存在少量的单色光源，从而导致图像在增强后...
【技术保护点】
【技术特征摘要】
1.基于超像素分析的低照度图像增强方法，其特征是，包括：S101：获取待处理的低照度图像，根据待处理低照度图像的平均灰度值选择对应等级的预训练网络模型，根据所选择的预训练网络模型对待处理图像进行第一次增强处理；S102：对第一次增强处理后的图像，进行第一次图像分割，分割出若干个独立的物体，每个独立的物体对应一个超像素；根据每个超像素的平均灰度值，采用相应等级的预训练网络模型，对相应的超像素进行第二次增强处理；将第二次增强处理后的所有图像进行合并，得到第二次增强后的低照度图像；S103：对第二次增强后的低照度图像，进行第二次图像分割；计算第二次图像分割结果与第一次图像分割结果的重叠度，如果重叠度小于第一设定阈值，则返回S101，如果重叠度大于第一设定阈值则进入S104；S104：计算第二次增强后的低照度图像整体的RGB值，分别将RGB值与第二设定阈值进行比较，如果超过第二设定阈值，则对第二次增强后的低照度图像进行直方图均衡化处理，并将处理后的图像送回S101；如果小于第二设定阈值，则结束，将第二次增强后的低照度图像作为增强结果输出。2.如权利要求1所述的基于超像素分析的低照度图像增强方法，其特征是，所述待处理低照度图像的平均灰度值，其中平均灰度值的计算过程包括：先计算待处理低照度图像的每个像素点的RGB值；将每个像素点的RGB值转换为每个像素点的灰度值；计算所有像素点灰度值总和；根据所有像素点灰度值总和和所有像素点的个数，计算出平均灰度值。3.如权利要求1所述的基于超像素分析的低照度图像增强方法，其特征是，所述预训练网络模型，其网络结构包括：依次连接的第一卷积层、第一激活函数层、第二卷积层、第二激活函数层、第三卷积层、第三激活函数层、第四卷积层、第四激活函数层、第五卷积层、第五激活函数层、第六卷积层、第六激活函数层、第七卷积层、第七激活函数层、第八卷积层、第八激活函数层、第九卷积层和第九激活函数层；所述第一激活函数层输出的特征图与第八激活函数层输出的特征图进行串联拼接融合后，输入到第九卷积层；所述第二激活函数层输出的特征图与第七激活函数层输出的特征图进行串联拼接融合后，输入到第八卷积层；所述第三激活函数层输出的特征图与第六激活函数层输出的特征图进行串联拼接融合后，输入到第七卷积层；所述第四激活函数层输出的特征图与第五激活函数层输出的特征图进行串联拼接融合后，输入到第六卷积层。4.如权利要求1所述的基于超像素分析的低照度图像增强方法，其特征是，所述预训练网络模型，具体训练过程包括：构建第一训练集，所述第一训练集，包括若干个子训练集，每个子训练集是将数据集中所有的图像根据亮度进行分类，分成若干个等级，每个等级的图像构成一个子训练集；将一个等级的子训练集，输入到对应的网络模型中，对网络模型进行训练，当网络模型
的总损失函数值不再下降时，得到当前等级的预训练网络模型；不同等级的子训练集，训练出不同等级的预训练网络模型。5.如权利要求1所述的基于超像素分析的低照度图像增强方法，其特征是，所述根据所选择的预训练网络模型对待处理图像进行第一次增强处理，具体包括：将待处理图像输入到所选择的预训练网络模型中，生成增强后的图像；所述将待处理图像输入到所选择的预训练网络模型中，生成增强后的图像，公式表达为：其中，E
k
(X)为...
【专利技术属性】
技术研发人员：刘云霞，戴瑜杉，孙茹，王予新，杨阳，许子健，
申请(专利权)人：山东大学，
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。