一种低光增强训练数据模拟生成暗区彩条噪声的方法技术

本发明专利技术提供一种低光增强训练数据模拟生成暗区彩条噪声的方法，在一张暗图上提取暗区的亮度范围，根据此范围，在暗图暗区上的

【技术实现步骤摘要】
一种低光增强训练数据模拟生成暗区彩条噪声的方法


[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
，特别涉及一种真实场景下低光增强训练数据模拟生成暗区彩条噪声的方法
。

技术介绍

[0002]现有的有监督深度学习低光增强，其本质上是学习从暗光图像的值域映射到亮图域的函数映射，为提高图像质量，提亮，去噪等任务都是希望基于一个模型完成，而目前主流的训练损失函数，大多是基于信噪比或者结构相似度，都是一些综合任务的损失函数，所以单独考虑其中去噪的部分，主要还是依靠模型的自适应能力，这就需要数据集的噪声要尽可能符合真实场景，且需要大量的严格对齐的成对数据来训练，真实拍摄也很难获取足够的噪声数据，所以人工合成就成了性价比极高的方案，目前主要的方法在网络自适应去噪的方面选择随机在暗光图像上添加如高斯分布
、
泊松分布的噪声
。
[0003]大多方案都是随机在暗光图像上添加如高斯分布
、
泊松分布的噪声
。
然而，简单添加如高斯噪声之类的方法并不能模拟真实场景下的暗光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种低光增强训练数据模拟生成暗区彩条噪声的方法，其特征在于，所述方法包括以下步骤：
S1.
图像预统计：对真实场景下含有彩色条状噪声的进行统计，获取出现彩色条状噪声的区域的平均亮度，所述平均亮度经统计，彩色条状噪声处于图像暗区，其亮度在
[1
，
10]
，这里指
RGB
图像的值，整个图像的值域在
[0
，
255]
；
S2.
图像明暗分区：利用二值化获得一个
Mask
图；
S3.
统计暗区亮度：
S3.1
，对明暗分区
Mask
取反，获得暗区提取
Mask1
；
S3.2
，根据公式
brightness
＝
R*0299+G*0.587+B*0.114
，得到图像的亮度特征图；
S3.3
，将
brightness
与
Mask1
相乘，得到图像暗区的亮度特征图用
brightness
dark
表示；
S3.4
，计算图像暗区的亮度均值
mean
，其中分子代表暗区亮度特征图的所有像素之和，分母代表暗区亮度特征图的像素数；
S4.
生成噪声图模板：生成大小与原图相同，值为0的图作为暗图的模板；
S5.
生成噪声：
S5.1
，在噪声图模板
N
上随机选取坐标
(x
，
y
，
z)
，
x∈(0
，
width)
，
y∈(0
，
height)
，
z∈(0
，
3)
；
S5.2
，根据坐标构建向量
(width
‑
x
，
y
，
z)
，
(x
，
height
‑
y
，
z)
；
S5.3
，根据向量在
N
上，以
mean
为值，宽度为1，画出向量；
S5.4
，重复
S5.1
‑
S5.3
的步骤，根据经验值画
n
次，
n∈(200,500)
；
S5.5
，将
N
与
Mask1
相乘，即得到只在暗区含有的彩色...

【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：