【技术实现步骤摘要】
本专利技术涉及图像智能处理领域，具体为一种基于单样本学习的轻量级无监督低光图像增强方法及系统。
技术介绍
1、低光增强技术是一种在光线条件较差或光线较暗的环境下，提高图像质量和可视性的关键技术。这项技术在安防监控、军事、遥感、夜间摄影、自动驾驶、无人机、机器人和医学成像等领域具有广泛的应用前景。低光增强技术的核心目标是在保持色彩自然的前提下有效地提高图像的亮度、对比度和细节，使得在低光条件下拍摄的图像更容易被识别和理解。
2、随着数字图像处理技术的不断发展，低光增强技术在近年来也取得了重大的进展。目前，常见的低光增强技术主要分为以下两类：
3、(1)传统的低光增强技术。这些技术主要采用直方图均衡化、gamma校正和retinex理论等技术手段。直方图均衡化通过有规律地调整图像的像素值分布，从而增加图像的对比度和亮度。gamma校正采用非线性灰度调整，用于改善图像在显示时的输出效果。retinex理论模拟了生物视觉系统，通过分离图像的反射成分和光照成分，实现对图像细节的增强。尽管这些技术具有一定的效果，但是它们产生的结果不令人满意，并且需要手动调整大量的参数，以适应现实世界的应用场景。
4、(2)基于深度学习的低光增强技术。这些技术利用深度学习方法和神经网络模型，通过对大量且成对的低光图像和正常图像进行学习，实现对低光图像的效果增强。虽然深度神经网络在低光图像增强任务中取得了优异的性能，但它们的稳定性却无法保证，特别是在未知和多样化的现实场景中。此外，这些技术通常需要耗费大量人力标注成对的训练数
5、可见，低光增强技术已经有了一定的研究，但是目前存在依赖于大量成对学习样本，以及计算时间和计算资源消耗等问题。一方面，传统的低光增强技术虽然能够增加图像的对比度和亮度，但在处理复杂的低光环境时仍然存在一定挑战，导致增强效果有限，可能导致图像细节丢失或过度增强问题。在实际应用中需要手动调整大量的参数，以适应现实世界的不同场景。另一方面，虽然基于深度学习的低光增强技术在处理低光图像方面表现出优异性能，但其在未知和多样化的现实场景中的稳定性仍有待提高。特别是处理不同光照条件下的低光图像时，可能出现不稳定的增强结果，限制了该技术在实际应用中的可靠性。
6、综上所述，现有的低光增强技术仍然受到数据、方法、效率、资源等条件制约，需要进一步完善和改进，以提高它的效率和质量，降低对大规模成对训练样本的依赖，减少计算时间和计算资源的消耗。因此，开发一种快速轻量且减少对学习样本依赖的无监督低光图像增强技术显得尤为必要。
技术实现思路
1、为了解决现有技术所存在的问题，本专利技术提出一种基于单样本学习的轻量级无监督低光图像增强方法及系统，通过建立轻量级低成本通用无监督低光图像增强神经网络，对单个样本进行学习图像特征，无需大规模成对训练数据，可自动从单一低光图像中学习并获得准确有效的增强策略，以提高低光图像质量，在复杂低光环境下，也能实现高效、准确、稳定的低光图像增强效果。
2、本专利技术低光图像增强方法采用的技术方案为：一种基于单样本学习的轻量级无监督低光图像增强方法，包括以下步骤：
3、s1、基于一维卷积网络，构建和训练无监督低光图像增强网络；
4、s2、利用无监督低光图像增强网络，对图像进行低光增强处理；
5、所述方法首先对输入图像进行光照平衡；再基于像素的累积分布函数提取图像的像素分布规律，将输入图像的特征表示转换为一维向量；然后使用无监督低光图像增强网络学习图像的像素分布规律；最后使用一维卷积网络学习像素映射曲线每次迭代的参数，并利用这些参数迭代计算出最终迭代的高阶像素映射曲线，使用高阶像素映射曲线对低光图像进行映射生成最终的增强图像。
6、本专利技术图像增强系统采用的技术方案为：一种基于单样本学习的轻量级无监督低光图像增强系统，包括以下模块：
7、增强网络构建模块，基于一维卷积网络，构建和训练无监督低光图像增强网络；
8、增强处理模块，利用无监督低光图像增强网络，对图像进行低光增强处理；
9、所述系统首先对输入图像进行光照平衡；再基于像素的累积分布函数提取图像的像素分布规律，将输入图像的特征表示转换为一维向量；然后使用无监督低光图像增强网络学习图像的像素分布规律；最后使用一维卷积网络学习像素映射曲线每次迭代的参数，并利用这些参数迭代计算出最终迭代的高阶像素映射曲线，使用高阶像素映射曲线对低光图像进行映射生成最终的增强图像。
10、相较于现有技术，本专利技术取得的技术效果包括：
11、1、单样本学习：本专利技术建立的轻型低成本通用无监督低光图像增强网络，能够通过单个样本进行学习，无需大量的训练数据，仅需要输入一张图像即可完成网络的训练。尽管仅使用单张图像进行训练，本专利技术建立的上述网络仍能够适应不同光照条件下的低光图像增强，表现出较好的通用和泛化能力，并且不受训练图像质量影响。相比传统基于深度学习方法需要大量的成对训练数据，本专利技术更加高效和便捷。
12、2、无监督：本专利技术建立的低光图像增强网络，采用无监督学习技术，无需收集大量配对的训练图像，可以自动从低光图像中学习有效的图像质量信息并获得最优的增强策略，以提高图像的对比度和亮度，同时保留细节信息，避免过度增强或细节丢失。本专利技术通过这种新的图像增强网络，可以在复杂的低光环境下，实现高效、准确、稳定的低光图像增强效果，为各个应用场景提供更高质量、更实用的解决方案。同时，这种单样本学习的图像增强网络能够极大减少对训练数据的依赖，降低计算时间和资源消耗，为低光图像增强技术在小型移动设备中的实时应用提供更多可能性。同时，该网络的通用性使其适用于各种不同光照条件的低光图像，为低光图像增强处理领域带来新的突破。
13、3、轻量级：本专利技术仅采用了两层一维卷积网络，网络仅包含两百个参数，同时仅需要单一训练样本，因此该网络是极度轻量的，可广泛应用于实时移动场景和设备，为用户提供更好的使用体验。
14、4、低代价：本专利技术的图像增强网络训练时间极短，仅需一分钟即可完成训练，时间代价是极低的，同时网络的计算量是极低的，大大减少了对计算资源的依赖。并利用伽马校正来引导网络训练的过程，保持图像色彩准确性的同时，有效捕捉光照的变化信息。
15、5、通用性：该图像增强网络可适用于多种场景的低光图像增强，包括室内、室外、人物、动物、风景、遥感图像、医疗影像等。
16、综上所述，本专利技术的技术方案首先使用gamma矫正进行光照平衡；再基于像素的累积分布函数提取图像的像素分布规律，将输入样本图像的特征表示转换为一维向量；然后使用无监督低光图像增强网络学习图像的像素分布规律；最后使用一维卷积网络学习像素映射曲线每次迭代的参数，并利用这些参数迭代计算出最终迭代的高阶像素映射曲线，使用这些曲线对原图像进行映射生成最终的增强图像。特别的本文档来自技高网...
【技术保护点】
1.一种基于单样本学习的轻量级无监督低光图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轻量级无监督低光图像增强方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的无监督低光图像增强方法，其特征在于，步骤S2包括以下步骤：
4.根据权利要求2或3所述的轻量级无监督低光图像增强方法，其特征在于，采用伽马校正对输入图像进行光照平衡，以进行归一化调整，使低光图像的像素均值趋向于设定阈值；其中，伽马校正通过对像素亮度的非线性映射来调整低光图像的对比度和亮度。
5.根据权利要求4所述的无监督低光图像增强方法，其特征在于，非线性映射表示为：
6.根据权利要求2或3所述的无监督低光图像增强方法，其特征在于，步骤S12或步骤S22中通过拼接的方式将调整亮度后获得的图像转换为一维向量，包括以下步骤：
7.根据权利要求2或3所述的无监督低光图像增强方法，其特征在于，像素映射曲线为：
8.根据权利要求1所述的无监督低光图像增强方法，其特征在于，所述一维卷积网络包括n-1个一维卷积层，其中
9.一种基于单样本学习的轻量级无监督低光图像增强系统，其特征在于，包括以下模块：
10.根据权利要求9所述的无监督低光图像增强系统，其特征在于，所述一维卷积网络包括n-1个一维卷积层，其中n由像素映射曲线的迭代次数决定；每个卷积层都使用sigmoid函数进行激活，第i个卷积层的输出通道数为3*(i+1)，i≤n-1；经过第(n-1)个卷积层后，卷积网络的输出被划分为n个宽度为256且具有3个通道的一维向量。
...【技术特征摘要】
1.一种基于单样本学习的轻量级无监督低光图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轻量级无监督低光图像增强方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的无监督低光图像增强方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求2或3所述的轻量级无监督低光图像增强方法，其特征在于，采用伽马校正对输入图像进行光照平衡，以进行归一化调整，使低光图像的像素均值趋向于设定阈值；其中，伽马校正通过对像素亮度的非线性映射来调整低光图像的对比度和亮度。
5.根据权利要求4所述的无监督低光图像增强方法，其特征在于，非线性映射表示为：
6.根据权利要求2或3所述的无监督低光图像增强方法，其特征在于，步骤s12或步骤s22中通过拼接的方式将调整亮度后获得的图像转换为一维向量，包括以下步骤：
7.根据权利要求2或3所述的无...
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。