【技术实现步骤摘要】
一种基于解耦和聚合卷积的图像曝光矫正无损提升方法
[0001]本专利技术属于图像增强和处理领域，具体的说是一种基于解耦和聚合卷积的图像曝光矫正无损提升方法。
技术介绍
[0002]真实场景中拍摄或处理图像时，由于光线、相机设置或其他因素往往会导致最终拍摄的图像过亮或过暗，从而影响图像的质量和视觉效果.这些曝光不足/过度曝光图像不仅仅严重恶化了视觉感知的质量，而且也影响了后续高层计算机视觉任务,如图像分类、分割等智能计算机视觉任务的性能。
[0003]近些年来，随着深度学习(Deep Learning)的发展，特别是卷积神经网络(Convolutional NeuralNetworks,CNN)在计算机视觉和图像处理任务上被广泛应用，大量基于CNN的图像不良曝光矫正方法被提出。CNN通过一系列卷积和非线性操作，通过梯度下降算法对总体的损失函数进行自动的优化，在训练过程中避免了传统的人工特征提取步骤，模型的鲁棒性更强。
[0004]曝光不足/过度曝光的图像会遭受对比度降低和细节失真的影响。对比度退化会改变低频分量...
【技术保护点】
【技术特征摘要】
1.一种基于解耦和聚合卷积的图像曝光矫正无损提升方法，其特征在于，是按如下步骤进行：步骤1：获取训练图像数据集S并构建网络M；步骤1.1：合成和收集真实场景下的曝光不良配对数据集S＝{s1,s2,...,s
j
,...,s
n
}，其中，s
j
为第j个场景下的数据对，且s
j
＝{I
j
,gt
j
}，I
j
∈R
C
×
H
×
W
表示第j个场景下的曝光不良图，gt
j
∈R
C
×
H
×
W
表示第j个场景下的正确曝光图像，其中，C表示图像的通道数，H表示图像的高度，W表示图像的宽度，n代表数据集中数据对的数量；步骤1.2：使用解耦和聚合卷积搭建图像曝光不良矫正神经网络M＝{E,F,T}，其中，E表示特征提取层，F表示特征融合层，T表示图像映射层；其中，所述特征融合层F包含有m个解耦和聚合卷积{C1,C2,...,C
i
,...,C
m
}，C
i
代表第i层的解耦和聚合卷积；且C
i
＝{X
i
,D
i
,A
i
}，X
i
代表第i层的细节感知解耦单元分支，D
i
代表第i层的对比度感知解耦单元分支，A
i
代表第i层的混合单元分支，m代表特征融合层F中解耦和聚合卷积的个数；步骤2:获取图像对比度特征F
c
和图像细节特征F
d
；步骤2.1：所述特征提取层E对第j个场景下的曝光不良图I
j
进行处理，得到第j个场景下的图像特征e
j
∈R
C
×
H
×
W
；步骤2.2：所述图像特征e
j
输入所述特征融合层F中进行处理，得到第j个场景下第m层的图像对混合特征F
j_x_m
；步骤2.3：所述第m层的图像对混合特征F
j_x_m
输入所述特征图像映射层T中，并生成第j个场景下的曝光矫正图像O
j
＝M(Q
m
,I
j
)；Q
m
表示图像曝光不良矫正神经网络M的所有卷积参数；步骤3：训练图像曝光不良矫正神经网络M的模型权重参数Q
M
；步骤3.1：利用式(6)构建曝光不良矫正损失函数L：步骤3.2基于曝光不良配对数据集S，利用Adam优化迭代器对曝光不良配对数据集S进行训练，并计算所述曝光不良矫正损失函数L以优化更新模型权重参数Q
M
,直到曝光不良矫正损失函数L收敛为止，从而得到训练后的图像曝光不良矫正神经网络M'及其最优卷积参数Q'
M
；步骤4：对训练后的图像曝光不良矫正神经网络M
′
中的最优卷积参数Q
′
M
中特征融合层F最优卷积参数W
′
F
的进行融合；步骤4.1：令特征融合层F的最优卷积参数W
′
F
＝{W
′1，W
′2，...，W
′
i
，...，W
′
m
}，W
′
i
代表第i层的解耦和聚合卷积的最优参数，且i层的解耦和聚合卷积的最优参数，且表示第i层的细节感知解耦单元分支X
i
中第p个位置处的最优卷积核参数；表示第i层的对比度感知解耦单元分支Di中第p个位置处的卷积核参数；步骤4.2：利用式(7)对进行转换，得到第i层的等价卷积参数进行转换，得到第i层的等价卷积参数式(7)中，W
sc_i
表示卷积感受野为1的第i层的对比度感知解耦单元分支D
i
的残留项等价卷积参数，并有：
式(8)中，R表示所有曝光不良图的...
【专利技术属性】
技术研发人员：查正军，王洋，曹洋，彭龙，
申请(专利权)人：中国科学技术大学，
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。