【技术实现步骤摘要】
本专利技术涉及深度学习与图像增强，尤其涉及一种基于卷积神经网络的零样本欠曝光监控图像增强方法。
技术介绍
1、欠曝光监控图像存在拍摄场景丰富，欠曝光情况复杂的特点。
2、基于模型的图像增强方法存在着对极度欠曝光图像增强不足和适用场景狭窄的问题。基于学习的方法需要大量的成对数据来训练深度模型，增强方法的应用场景受限于训练数据，并且会出现伪影、曝光不足和噪声被放大的问题。
3、综上所述，现有的图像增强方法的实用性较差。
技术实现思路
1、本专利技术的目的在于提供一种基于卷积神经网络的零样本欠曝光监控图像增强方法，旨在解决现有的图像增强方法的实用性较差的问题。
2、为实现上述目的，本专利技术提供了一种基于卷积神经网络的零样本欠曝光监控图像增强方法，包括以下步骤：
3、构建零样本卷积视网膜皮层理论分解网络；
4、使用损失函数对所述零样本卷积视网膜皮层理论分解网络的迭代进行约束，得到最终分解网络；
5、以所述最终分解网络为基础构...
【技术保护点】
1.一种基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，
3.如权利要求1所述的基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，
4.如权利要求1所述的基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，
5.如权利要求1所述的基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，
【技术特征摘要】
1.一种基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于卷积神经网络的零样本欠曝光监控图像增强方法，其特征在于，
3.如权利要求1所述的基于卷积神经网络的零...
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。