【技术实现步骤摘要】
本专利技术涉及图像处理，具体为一种基于光照分量优化的低照度图像增强方法。
技术介绍
1、随着数字多媒体技术的发展，图像作为一种主流的信息媒介存在于我们的日常生活中，近几年的研究指出，全球互联网的日平均图像传播量就高达30亿，然而在缺乏良好光照条件或者光照不均匀的情况下，会导致图像拍摄效果不佳，出现光照不均匀、细节丢失、颜色失真等问题，这不仅使图像的视觉美感大打折扣，而且还会显著降低相关的高级自动化视觉系统的性能，如目前应用广泛的自动驾驶系统，安保监控系统等。
2、低照度图像增强一直以来都是图像处理领域的研究热点。现有的低照度图像增强方法大都根据retinex理论使用高斯滤波估计出原图中的光照，并使用对数变换去除光照得到增强图像，但这样会导致图像边缘欠缺锐化，图像出现光晕扭曲，因为实际的低照度图像的光照分量往往不是平滑的，这种过于理想的先验和假设会导致不真实的增强结果，且将反射分量视作增强的结果并不总是成立的，此外加性噪声在retinex模型中往往被忽略掉以致于这类噪声会随着亮度的调整而进一步被放大，为此，本专利技术通过进一步解耦复杂的增强问题并利用了卷积神经网络对图像特征良好的提取能力和强大的学习能力，提出了一种基于光照分量优化的低照度图像增强方法，以解决上述提到的问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于光照分量优化的低照度图像增强方法，解决了上述
技术介绍
提到的问题。
3、(二)技术方案p>
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于光照分量优化的低照度图像增强方法，具体包括以下步骤：
5、步骤一：通过获取公开的成对低照度图像及其正常参照图像的数据集，由于图像增强是一个np问题，从中获取若干组低照度图像信息，并对应提取各个低照度图像特征，并构建低照度图像的判定数值模型，其中，判定数值获取后，依次标记为q1、q2、q3...qn，然后取最高值，并将其设定为低照度图像的判定数值标准；
6、步骤二：建立低照度图像增强模型，构建retinex神经网络模型，将原始图像从rgb空间转化到ycrcb空间，用所述网络模型单独处理y分量，仅用引导滤波处理cr、cb分量。采用多尺度平均值算法，对低照度图像进行自适应增强，其中，自适应增强的图像进行记录，并构建高质量图像的标准数据模型；
7、所述retinex神经网络分为分解子网络、增强子网络，所述子网络皆以标准的4层u-net为主干，采用残差连接的方式用3×3的卷积核将分解子网络的下采样部分连接起来形成残差块；采用空洞率为2的3×3空洞卷积替换增强子网络的下采样的所有卷积核；采用多特征融合增强模块添加到增强子网络的上采样的所有层；再采用非局部自监督模块插入到增强子网络第一个下采样空洞卷积之前，所述子网络中的池化层参数均调整为适配单通道输入的参数；
8、步骤三：分解图像内的非低频区域，获取各个尺度以及方向的变换系数，在此基础上，通过自适应全局映射与同态滤波优化图像，其中，在非低频区域内引入光照分量优化，剔除非均匀光照，利用图像加权拉伸完成图像优化；
9、步骤四：选取光照均匀的图像和低照度图像，利用光照均匀的图像转化为低照度图像，将上述图像按照相同方法进行图像增强，测试本方法图像优化效果。
10、作为一种改进的技术方案，步骤一中提取低照度图像特征的具体方式为：
11、从图像的纹理特征和频域特征两方面进行提取，具体公式如下所示：
12、
13、式中，p表示图像的整体均值，bn表示像元反射值的随机变量，f(bn)表示图像直方图，n表示图像像元数量，图像均值p越大则说明该图像的亮度越大，反之p越小则图像越暗。
14、作为一种改进的技术方案，步骤二中对低照度图像进行自适应增强的具体表达式为：
15、
16、式中，r(x，y)表示增强后的图像，m(x，y)表示增强后的y分量的反射图像，k(x，y)表示增强后的y分量的照度图像，表示逐元素乘积运算，cr(x，y)表示增强后的cr分量，cb(x，y)表示增强后的cb分量；
17、m(x，y)与k(x，y)的表达式为：
18、m(x，y)＝rtn_dθ(y(x，y))
19、k(x，y)＝rtn_eα(y(x，y))
20、式中，rtn_dθ表示基于retinex的分解子网络模型，rtn_eα(y(x，y))表示基于retinex的增强子网络模型，θ和α表示可学习的网络参数，y(x，y)表示原始输入图像的y分量。
21、作为一种改进的技术方案，所述步骤二中retinex神经网络模型对y分量的反射图增强的处理方式为：
22、将y分量的光照图增强后的结果作为一种自注意力与y分量尚未增强的反射图按像素进行连接，即通道相连，然后输入增强子网络中进行增强。
23、作为一种改进的技术方案，所述步骤三中完成图像优化的具体方式为：
24、h1、将非低频区域进行标记，依次标记为a1、a1、a1…an，并获取该区域内各个尺度以及方向的光照分量，并通过自适应全局映射曲线，根据光照分量来指定增强值p锁定该区域内的图像增强强度；
25、h2、然后利用高斯尺度空间方法塑造光照模型，剔除非均匀光照，此时引入均匀光照，采用相同的塑造光照模型，即可完成图像加权拉伸完成图像优化。
26、作为一种改进的技术方案，所述步骤四中测试本方法图像优化效果的具体方式为：s1、随机选择若干个幅光照均匀的图像当成反射分量，在这些图像内任意选择n个图像块，其中，n＞20000，利用光照分量将这些图像块合成低照度图像样本；
27、s2、随机选择若干个真实低照度图像的样本，真实低照度图像的样本与合成低照度图像的比例为1∶1，然后利用本方法对真实低照度图像与合成低照度图像展开图像优化，测试本方法图像优化效果。
28、作为一种改进的技术方案，所述还包括步骤五：将按照上述低照度图像增强方法优化的低照度图像进行存储，然后实拍相同场景的光照均匀的图像，并将两者的图像对比结果进行记录。
29、(三)有益效果
30、本专利技术提供了一种基于光照分量优化的低照度图像增强方法。与现有技术相比，具备以下有益效果：该基于光照分量优化的低照度图像增强方法，通过构建retinex-net模型，具有良好的图像增强效果，可以保留较多图像细节信息，并配合自适应全局映射与同态滤波优化图像，可以降低图像优化的失真程度，并利用图像加权拉伸完成图像优化，提升图像优化效果，可快速完成图像优化，并且能够很好的避免了在图像优化过程中图像颜色受光照分量优化的影响。
本文档来自技高网...【技术保护点】
1.一种基于光照分量优化的低照度图像增强方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤一中提取低照度图像特征的具体方式为：
3.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤二中对低照度图像进行自适应增强的具体表达式为：
4.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤二中Retinex神经网络模型对Y分量的反射图增强的处理方式为：
5.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：步骤三中完成图像优化的具体方式为：
6.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤四中测试本方法图像优化效果的具体方式为：
7.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述还包括步骤五：将按照上述低照度图像增强方法优化的低照度图像进行存储，然后实拍相同场景的光照均匀的图像，并将两者
...【技术特征摘要】
1.一种基于光照分量优化的低照度图像增强方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤一中提取低照度图像特征的具体方式为：
3.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤二中对低照度图像进行自适应增强的具体表达式为：
4.根据权利要求1所述的一种基于光照分量优化的低照度图像增强方法，其特征在于：所述步骤二中retinex神经网络模型对y分量的反射图增强的...
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。