【技术实现步骤摘要】
本专利技术属于数字图像处理，具体涉及一种基于半二次分裂优化的低照度图像增强方法。
技术介绍
1、随着电子通讯技术的不断创新和发展，人们获取信息的渠道层出不穷。但是图像作为信息传达的媒介之一，在呈现形式和获取速度以及人们的接受度等方面仍具有不可睥睨的显著优势。故而，在各行各业中，对图像的应用非常繁多。
2、然而，在现实生活中，受限于各种客观原因，包括但不限于天气状况，硬件设备，人造光源，拍摄技术，经济水平等原因而产生许多达不到预期效果的图片，其中一类就是低照度图像。低照度图像指的是自然光线或人造光源过暗或光照不均匀的条件下拍摄到的图像。但是这类图像在我们生活中的应用是非常普遍的。很多情况下，我们都亟需从这些退化图像中找到有价值的信息。比如在国防领域，特殊部队执行夜间侦察行动使用夜视仪来观察黑暗中的事物；在航空航天领域，无人机所拍摄到的低照度低对比度图像，需先使用图像增强来对其进行预处理，再通过其他处理技术后，才得到较为清晰的图像；在工业煤矿领域，受作业环境限制，经常会出现亮度和对比度比较低、图像信息模糊的照片，这类图片很难直接获取其中的信息，从而影响后续的工作；在生物医学领域，医学图像的影像灰度分布是由人体组织特性参数的不同决定的，一般来说，这种对比度很小，导致医学图像相邻的灰度差别也很小，直观上看很难准确获取到图像中的信息。因而，必须进行图像增强处理才可为医生提供更有用的信息。
3、为了解决低照度图像产生的问题涌现出许多解决办法。例如：基于灰度变换法的算法虽然简单方便操作，但是需要人工调参，容易增强不足或
技术实现思路
1、针对现有技术存在的不足，本专利技术提出了一种基于半二次分裂优化的低照度图像增强方法，该方法包括：获取待增强的低照度图像，并将其输入到训练好的低照度图像增强模型中，得到增强后的图像；
2、低照度图像增强模型的训练过程包括：
3、s1：获取低照度图像和正常光照图像；将低照度图像输入到分解网络中进行处理，得到低照度图像的反射图和光照图；
4、s2：将低照度图像的反射图和光照图输入到深度展开网络中进行处理，得到增强后的反射图；
5、s3：将正常照度图像和低照度图像的光照图输入到光照增强网络中进行处理，得到增强后的光照图；
6、s4：将增强后的光照图和增强后的反射图逐像素相乘，得到增强后的低照度图像；
7、s5：计算模型总损失并根据模型总损失调整模型参数，得到训练好的低照度图像增强模型。
8、优选的，深度展开网络对低照度图像的反射图和光照图进行处理的过程包括：
9、将低照度图像以及低照度图像的反射图和光照图输入到隐式正则化模型中进行处理，得到中间增强反射参数；
10、设置迭代次数，若当前迭代轮次不满足迭代次数，迭代更新中间增强反射参数，采用model_r网络对中间增强反射参数和低照度图像的光照图进行处理，得到增强后的反射图，直到当前迭代轮次满足迭代次数。
11、进一步的，所述隐式正则化模型表示为：
12、
13、其中，i表示低照度图像，l表示低照度图像的光照图，°表示乘积运算，r表示低照度图像的反射图，α表示正则化权重，表示施加在反射图r上的先验正则化项。
14、进一步的，所述中间增强反射参数表示为：
15、
16、其中，pk表示第k轮迭代后的中间增强反射参数，β表示惩罚系数，r0表示初始的低照度图像反射图，rk-1表示第k-1轮迭代后得到低照度图像反射图，i表示低照度图像，l表示低照度图像的光照图。
17、进一步的，所述model_r网络包括7个卷积层、6个激活层和se注意力模块，前6个卷积层的后面均连接一个激活层，激活层使用激活函数relu；se注意力模块连接在第二个卷积层后面。
18、优选的，得到增强后的光照图的过程包括：光照增强网络包括四层卷积激活层和四层注意力提取层；
19、s31：将低照度图像的光照图输入到第一层卷积激活层，得到第一层的低照度特征图；
20、s32：将正常照度图像输入到当前注意力提取层，得到当前注意力特征图；
21、s33：对当前注意力特征图进行归一化操作得到中间正常照度特征图；将中间正常照度特征图和当前层的低照度特征图对应相乘得到下一层的低照度特征图；
22、s34：将下一层的低照度特征图作为下一层卷积激活层的输入并返回步骤s32，直到第四个注意力提取层输出注意力特征图，最终得到增强后的低光照图像的光照图。
23、优选的，注意力提取层对正常照度图像的处理过程包括：对正常照度图像进行三次特征提取，得到三种张量a,b,c；分别对三种张量进行变换，得到张量d、e和f；将张量d和张量e进行矩阵相乘后再进行softmax激活操作，得到权重矩阵s，将权重矩阵s和张量f的乘积后再和低照度图像i做和，得到注意力特征图。
24、优选的，计算模型总损失的公式为：
25、loss＝lossdecom+lossunfold+lossi_enhanced
26、其中，loss表示模型总损失，lossdecom表示分解网络总损失，lossunfold表示深度展开网络总损失，lossi_enhanced表示光照增强网络总损失。
27、本专利技术的有益效果为：
28、1.本专利技术在retinex理论模型上，提出了一种基于半二次分裂优化算法的深度展开网络，而且在光照增强网络中使用空间位置注意力矩阵，从而可以获得更高质量和清晰度的反射图和光照图。
29、2.本专利技术提出的深度展开网络增强了反射向量的特征表达，减少图像细节模糊问题，提升了模型的泛化能力。
30、3.本专利技术使用空间位置注意力，学习空间特征相关性和上下文信息，解决了亮度增强不足或者过度增强，图像颜色失真等退化问题，提升了网络的性能。
本文档来自技高网...【技术保护点】
1.一种基于半二次分裂优化的低照度图像增强方法，其特征在于，包括：获取待增强的低照度图像，并将其输入到训练好的低照度图像增强模型中，得到增强后的图像；
2.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述分解网络包括5个卷积层和5个激活层，每个卷积层后面连接一个激活层，前4个激活层使用激活函数LeakyReLU，最后一个激活层使用激活函数ReLU。
3.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，深度展开网络对低照度图像的反射图和光照图进行处理的过程包括：
4.根据权利要求3所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述隐式正则化模型表示为：
5.根据权利要求3所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述中间增强反射参数表示为：
6.根据权利要求3所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述Model_R网络包括7个卷积层、6个激活层和SE注意力模块，前6个卷积层的后面均连接一个激活层，激活层使
7.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，得到增强后的光照图的过程包括：光照增强网络包括四层卷积激活层和四层注意力提取层；
8.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，注意力提取层对正常照度图像的处理过程包括：对正常照度图像进行三次特征提取，得到三种张量A,B,C；分别对三种张量进行变换，得到张量D、E和F；将张量D和张量E进行矩阵相乘后再进行softmax激活操作，得到权重矩阵S，将权重矩阵S和张量F的乘积后再和低照度图像I做和，得到注意力特征图。
9.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，计算模型总损失的公式为：
...【技术特征摘要】
1.一种基于半二次分裂优化的低照度图像增强方法，其特征在于，包括：获取待增强的低照度图像，并将其输入到训练好的低照度图像增强模型中，得到增强后的图像；
2.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述分解网络包括5个卷积层和5个激活层，每个卷积层后面连接一个激活层，前4个激活层使用激活函数leakyrelu，最后一个激活层使用激活函数relu。
3.根据权利要求1所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，深度展开网络对低照度图像的反射图和光照图进行处理的过程包括：
4.根据权利要求3所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述隐式正则化模型表示为：
5.根据权利要求3所述的一种基于半二次分裂优化的低照度图像增强方法，其特征在于，所述中间增强反射参数表示为：
6.根据权利要求3所述的一种基于半二次分裂优化的低照度图像...
【专利技术属性】
技术研发人员：赵志强，李哲，陶于祥，黄日晨，李春雪，欧阳鑫元，关衡，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。