一种用于低光增强任务暗区去噪的方法技术

本发明专利技术提供一种用于低光增强任务暗区去噪的方法，所述方法包括：

【技术实现步骤摘要】
一种用于低光增强任务暗区去噪的方法


[0001]本专利技术涉及深度学习神经网络低层视觉任务中低光增强
，特别涉及一种用于低光增强任务暗区去噪的方法
。

技术介绍

[0002]现有的有监督深度学习低光增强任务中的去噪部分，主要依赖于模型自适应训练去噪，对于损失函数处理噪声的部分，一般使用平均绝对误差或是均方误差来实现去噪的效果，去噪的基本实现是使用神经网络对于图像的平滑作用，这种操作实际上与传统算法均值滤波的思路有很高的相似性
。
但是对于图像暗光增强任务，如何将去噪和增强过程简单地串联起来是一个难题
。
特别是增强前的去噪会导致模糊，而去噪前的增强会导致噪声放大
。
大多方案都是在数据集上随机在暗光图像上添加如高斯分布
、
泊松分布的噪声，依赖模型自适应，使用平均绝对误差或是均方误差或者一些平滑函数来实现去噪的效果
。
[0003]然而，目前的一些做法事实上并没有将低光增强与去噪任务友好的关联起来，使用绝对误差损失函数常常无法很好的去除暗区噪声，使用平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于低光增强任务暗区去噪的方法，其特征在于，所述方法采用增大对于暗区的关注度，即通过在损失函数上主动关注暗区，根据明暗区域估计噪声的分布自适应去噪，所述自适应即输入图像含有噪声，标签图像不含有噪声，在模型训练中通过反向传播使模型学习到这种输入与标签的不同，包括以下步骤：
S1.
网络中构建空间注意力结构：为增强模型自适应关注明暗区域的能力，为神经网络添加空间注意力结构；
S2.
损失函数中对于明暗的关注：由于这种关注是作为权重比例合成在损失函数中的，所以这种权重的值域在
[0,1]
之间，使用
(
亮图
‑
暗图
)/
亮图得到一个0到1的特征，这种特征是与亮度呈正相关的，通过翻转的方式得到关注暗区的特征，所述翻转即如下公式
(2)
中直接用1去减的操作，原有权重值域为
[0,1]
，值越大代表该区域亮度越亮，使用1去减之后，值域仍为
[0,1]
，但值越大代表该区域亮度越暗
:S3.
与均方误差函数或绝对误差函数合并
。2.
根据权利要求1所述的一种用于低光增强任务暗区去噪的方法，其特征在于，所述步骤
S1
中的结构为：
S
＝
σ
(Conv([Avg(F)
，
Max(F)]))
ꢀꢀꢀꢀꢀꢀꢀ
公式
(1)
其中，
F
为输入特征图，
Conv
为卷积，
Avg
为均值，
Max
为最值，
σ
为
sigmoid
函数；依赖此类结构与损失函数的共同作用，模型能够更容易学习到相关特征
。3.
根据权利要求1所述的一种用于低光增强任务暗区去噪的方法，其特征在于，所述步骤
S2
包括，对亮图与暗图做高斯模糊...

【专利技术属性】
技术研发人员：魏友奇，
申请(专利权)人：合肥君正科技有限公司，
类型：发明
国别省市：