一种暗光图像增强方法技术

本发明专利技术涉及图像增强领域，具体涉及一种暗光图像增强方法,通过构建暗光增强网络，对暗光图像进行修复得到暗光增强图像，基于Retinex理论构建暗光成像模型，将暗光图像分解为反射分量，光照分量和噪声分量；使用暗光成像模型将暗光图像及对应的正常光图像分解；将暗光图像的光照分量输入光照调整网络得到增强的光照分量；将暗光图像反射分量，暗光图像光照分量以及暗光图像噪声分量输入反射分量复原网络得到复原后的反射图；将增强的光照分量与复原后的反射图相乘得到暗光增强图像；构建噪声先验的编码器定制噪声先验对暗光增强图像进行去噪处理。本发明专利技术使得模型能够在保持图像细节的同时，有效地提高图像的亮度，从而达到暗光增强的目的。而达到暗光增强的目的。而达到暗光增强的目的。

【技术实现步骤摘要】
一种暗光图像增强方法


[0001]本专利技术涉及图像增强领域，具体涉及一种暗光图像增强方法。

技术介绍

[0002]暗光增强任务旨在将一张在较差光照条件下拍摄的暗光图像通过合理的算法，复原成一张视觉上效果较好的正常曝光图像。暗光图像由于光照不充分或背光、感光传感器较差等原因，通常会存在图像亮度低、对比度低和噪声污染等问题。此外，暗光图像还会降低目标检测、图像分割和图像分类等算法的性能，从而影响自动驾驶、智慧城市等现实场景的应用。因此，通过暗光增强算法来提升欠曝光图像的质量是十分必要的。
[0003]传统的方法将暗光图像增强问题建模为优化问题，并通过手工设定的图像先验以求解空间。其中一种代表性方法基于Retinex理论，它假设图像可以分解为反射和光照分量，其中前者在任何光照条件下保持一致性，后者反映亮度的变化。施加在光照图梯度上的L1和L2先验分别被提出以约束光照分量的平滑性及其整体结构。然而，这些手工设计的先验是很难设计的，并且其在复杂场景下的表征能力是有限的，进而限制了它们在真实场景中的应用。
[0004]随着近年来深度学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种暗光图像增强方法，通过构建暗光增强网络，对暗光图像进行修复得到暗光增强图像，暗光增强网络的训练过程包括以下步骤：步骤一，基于Retinex理论构建暗光成像模型，将暗光图像I分解为观察到的反射分量R，观察到的光照分量L和观察到的噪声分量N；步骤二，使用暗光成像模型将暗光图像I
l
分解为[L
l
，R
l
，N
l
]，R
l
为暗光图像反射分量，L
l
为暗光图像光照分量，N
l
为暗光图像噪声分量；将暗光图像对应的正常光图像I
n
分解为[L
n
，R
n
，N
n
]，R
n
为正常光图像反射分量，L
n
为正常光图像光照分量，N
n
为正常光图像噪声分量；步骤三，将暗光图像光照分量L
l
输入光照调整网络得到增强的光照分量L
en
；步骤四，将暗光图像反射分量R
l
，暗光图像光照分量L
l
以及暗光图像噪声分量N
l
输入反射分量复原网络得到复原后的反射图R
re
；步骤五，将增强的光照分量L
en
与复原后的反射图R
re
相乘得到暗光增强图像I
en
；步骤六，构建噪声先验的编码器定制噪声先验，其中目标特征为正常光图像的HOG特征，基于噪声先验对暗光增强图像I
en
进行去噪处理；步骤七，定义损失函数并根据损失函数训练暗光增强网络。2.如权利要求1所述一种暗光图像增强方法，其特征在于，步骤一具体包括：所述暗光成像模型及求解问题为：其中，代表哈达玛积运算；定义求解暗光成像模型的目标函数为：其中，||
·
||
F
是指F范数，μ是惩罚参数，||
·
||1表示L1范数，ρ1、ρ2和ρ3分别表示施加在N，L和R分量上的正则项，γ，β和ω是N，L和R分量的正则化系数；通过迭代更新N，L和R求解目标函数3.如权利要求2所述一种暗光图像增强方法，其特征在于，所述通过迭代更新N，L和R求解目标函数中，第k+1次迭代求解出的光照分量L
k+1
为：其中，是对应于先验ρ2的近端梯度下降算子，α1是光照子问题中的更新步长，为：其中，μ
k
代表第k次迭代的正则化系数，N
k
代表第k次迭代求解出的噪声分量，R
k
代表第k次迭代求解出的反射分量，I代表暗光图像。4.如权利要求3所述一种暗光图像增强方法，其特征在于，预训练掩码自编码器生成拥有光照分量特性的先验特征表征L
fp
：经过定制式光照先验调制后的光照分量为：

【专利技术属性】
技术研发人员：赵峰，郑乃山，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：