System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理领域,尤其涉及基于自校准机制的无监督实时低照度图像增强模型及方法。
技术介绍
1、低照度图像在图像处理领域中是一个比较的热门的技术,低照图像会直接影响算法的识别效果,比如在夜间,监控摄像头或汽车安全摄像头对目标的识别和监控;在互联网娱乐和社交场景时,识别人脸和身体轮廓同样也是非常具有挑战性的。
2、现有的图像低照度增强技术涵盖传统技术和深度学习技术,经典的传统增强方法比如基于retinex架构下的低照度增强模型,这类方法普遍存在强光阴影过渡区容易出现光晕现象且对图像比较亮的图像处理欠佳;其次就是基于深度学习的低照度增强技术方法,该技术方案普遍采用的是基于成对的数据进行普遍的模型参数学习,该方案带来的直接问题是数据收集成本和在不同场景下的过拟合问题;最后,也有一些方案是采用无监督的学习技术,但是使用的常规的特征抽取模块且没有采用训练加速收敛策略,模型的推理速度也存在不足。
3、如申请公开号为cn115035011a的中国专利公开了一种融合策略下自适应retinexnet的低照度图像增强方法,该方法将低照度图像的v通道图像以及正常光图像对输入decomnet中,得到图像的光照和反射率;将低照度图像的反射率以及光照输入到restorationnet中,用光照引导反射率降噪,得到降噪以后的反射率;将低照度图像的反射率以及光照输入到enhancenet中,对低照度图像的光照进行增强,得到增强后的光照;利用粗增强图像获取低照度图像的虚拟过曝光图像,并将其与低照度图像、粗增强图像进行融合,获取增强
4、如公开号cn 113822826 a的中国专利公开了一种低照度图像亮度增强方法,包括根据图像的像素点亮度分布情况,筛选出适用于本方法的图像;通过低亮度区域通过映射函数增强亮度并保留梯度信息;通过实现高亮度区域通过映射函数降低亮度并保留梯度信息;根据一通道的亮度值计算得到rgb三通道色彩值,得到增强后的图像。
5、以上专利均存在本
技术介绍
提出的问题:低照度图像的v通道图像以及正常光图像成对输入,导致了数据收集成本和在不同场景下的过拟合问题;多个神经网络模块和融合策略的引入,导致图像增强方法的计算复杂性;只使用一通道的亮度值计算得到rgb三通道色彩值,会导致在亮度增强过程中引入颜色出现光晕现象或是过度增强;为了解决这些问题本申请设计了一种基于自校准机制的无监督实时低照度图像增强模型及方法。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足,提供了基于自校准机制的无监督实时低照度图像增强模型,该模型通过无监督模型训练的方式解决了数据收集成本高和过拟合问题,并且通过多阶段级联图像增强模块、色度自适应校正模块的构建解决了图像过度增强问题;此外本专利技术还通过提供一种于自校准机制的无监督实时低照度图像增强方法,降低了图像增强方法的计算复杂性。
2、为实现上述目的,本专利技术提供如下技术方案:
3、基于自校准机制的无监督实时低照度图像增强模型,包括图像分解与预处理模块、多阶段级联图像增强模块、色度自适应校正模块和分量转化融合模块;其中,图像分解与预处理模块,用于对输入的低照度图像进行分解和预处理,获得预处理低照度图像亮度分量和色度分量;多阶段级联图像增强模块,用于对输入的低照度图像亮度分量进行增强,获取增强后的亮度分量;色度自适应矫正模块,用于对输入的低照度图像色度分量进行校正,获取校正后色度分量;分量转化融合模块,用于对所述获取的增强后的亮度分量和校正后色度分量进行转化并融合,获取最终的彩色rgb增强图像。
4、具体地,多阶段级联图像增强模块由t个阶段的级联图像增强单元串联构成,每个阶段的级联图像增强单元由一个光照图像提取子单元和一个自校准子单元串联构成。
5、具体地,色度自适应矫正模块由一个自适应色彩校正单元构成。
6、具体地,光照图像提取子单元,包括光照图像生成策略,其步骤为:
7、s4.1:首先输入低照度图像预处理后的亮度分量y',并初始化光照图像x0=y';
8、s4.2:使用2层卷积核大小为3×3卷积神经网络依次学习光照图像和低照度图像亮度分量y'之间的特征ut,并利用残差计算得到输出光照图像xt+1,具体公式为:
9、xt+1=xt+ut,t=0,1,2,
10、其中,xt+1表示第t阶段的输出光照图像,xt表示第t阶段的光照图像,ut表示第t个阶的残差。
11、具体地,自校准子单元,包括光照图像矫正策略,其流程为:
12、s5.1:根据所述得到的光照图像xt,利用如下公式计算得到增强图像zt,
13、zt=y'/xt,
14、其中,除号/表示对应位置值相除,y'表示输入的低照度图像预处理后的亮度分量,zt+1表示第t阶段输出增强图像;
15、s5.2:使用4层卷积核大小3×3卷积神经网络对上述得到的增强图像进行残差学习,计算得到自校准映射s(t):
16、s(t)=γ(zt),
17、其中,s(t)表示第t阶段自校准映射,γ表示参数化算子;
18、s5.3:利用低照度图像预处理后的亮度分量y'通过残差网络,建立其与s(t)之间的联系,并计算得到新的矫正增强图像vt作为自校准模块的输出,具体公式为:
19、vt=y'+st,
20、其中,vt表示矫正增强图像,y'表示输入的低照度图像预处理后的亮度分量;
21、具体地,多阶段级联亮度分量增强模块最后一个阶段的输出为增强后的图像z'
22、具体地,自适应色彩校正单元,包括色彩修正策略,其流程为:
23、s7.1:通过获取的低照度图像预处理后的亮度分量y'和增强后的亮度分量z',利用如下公式计算得到色度修正因子,
24、
25、其中,η表示色度修正因子,z'表示增强后的亮度分量,y'表示增强前的亮度分量;
26、s7.2:根据所述色度修正因子,利用如下公式计算出校准后的色度分量,
27、
28、其中,u',v'表示校正前的色度分量,u”,v”表示校正后的色度分量。
29、基于自校准机制的无监督实时低照度图像增强方法,包括如下步骤:
30、s8.1:将彩色低照度rgb图像转化为yuv三通道彩色空间图像,并对转换后的亮度分量y和色度分量u,v进行预处理,并利用预处理后的亮度分量y',选择适用于本方法的低照度图像,并构建无标签低照度图像数据库;
31、s8.2:将预处理后的亮度分量y'和预处理的色度分量u',v'输入到基于自校准机制的无监督实时低照度图像增强模型中,并利用构建的损失函数进行模型训练,得到多阶段级联图像增强模块的权重文件w和色度修正因子η;
32、s8.3:利用得到模型权重文件w第0个阶段光照图像提取子单元的预权重w0和色度修本文档来自技高网...
【技术保护点】
1.基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述增强模型包括图像分解与预处理模块、多阶段级联图像增强模块、色度自适应校正模块和分量转化融合模块;
2.根据权利要求1所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述多阶段级联亮度分量增强模块由t个阶段的级联图像增强单元串联构成,每个阶段的级联图像增强单元由一个光照图像提取子单元和一个自校准子单元串联构成。
3.根据权利要求2所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述色度自适应校正模块由一个自适应色彩校正单元构成。
4.基根据权利要求3所述的于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述光照图像提取子单元,包括光照图像生成策略,其具体步骤为:
5.根据权利要求4所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述自校准子单元,包括光照图像矫正策略,其具体流程为:
6.根据权利要求5所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述多阶段级联亮度分量增强模块最后一个阶
7.根据权利要求6所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述自适应色彩校正单元,包括色彩修正策略,其具体流程为:
8.基于自校准机制的无监督实时低照度图像增强方法,其特征在于,包括如下步骤
9.根据权利要求8所述的基于自校准机制的无监督实时低照度图像增强方法,其特征在于,所述损失函数由保真度损失lf,平滑损失ls和色度损失函数构成,具体如下:
10.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求8-9中任一项所述的基于自校准机制的无监督实时低照度图像增强方法。
11.一种电子设备,其特征在于,包括处理器和权利要求10所述的存储介质,所述处理器执行所述存储介质中如权利要求8-9中任一项所述的基于自校准机制的无监督实时低照度图像增强方法。
...【技术特征摘要】
1.基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述增强模型包括图像分解与预处理模块、多阶段级联图像增强模块、色度自适应校正模块和分量转化融合模块;
2.根据权利要求1所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述多阶段级联亮度分量增强模块由t个阶段的级联图像增强单元串联构成,每个阶段的级联图像增强单元由一个光照图像提取子单元和一个自校准子单元串联构成。
3.根据权利要求2所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述色度自适应校正模块由一个自适应色彩校正单元构成。
4.基根据权利要求3所述的于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述光照图像提取子单元,包括光照图像生成策略,其具体步骤为:
5.根据权利要求4所述的基于自校准机制的无监督实时低照度图像增强模型,其特征在于,所述自校准子单元,包括光照图像矫正策略,其具体流程为:
6.根据权利要求5所述的基于自校准...
【专利技术属性】
技术研发人员:樊庆宇,王军鹏,陈岩,简铮,李文成,卢隆,
申请(专利权)人:天翼云科技有限公司,
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。