【技术实现步骤摘要】
本专利技术涉及一种低光图像增强方法，属于图像处理。
技术介绍
1、低光图像：受到复杂照明影响而产生的光线不足的图像；正常光参考图像：正常曝光情况下的图像。
2、目前，已经有许多基于retinex理论的卷积神经网络模型被开发出来，大多数现有方法都基于分解-反射增强-亮度恢复这样的多阶训练模式。但是在分解和增强的独立过程中，存在着一些明显的问题。首先，在分解过程中，已有方法往往将正常光参考图像的反射图和光照图作为伪标签来进行模型训练，但无法保证这就是真实的反射图和光照图。因此，基于retinex理论的分解网络具有一定的局限性。按照色彩恒常性理论，正常光参考图像和低光图像的反射图都应该保持一致，而在多解问题的求解下，如果正常光参考图像和低光图像的反射图并不完全一致，分解网络单独对反射和光照分支进行分解，这样会遗留部分信息在光照图中，进一步放大光照图的细节差异，导致纹理处的光照恢复不理想。
3、如图1所示展示了分解过程中反射图的纹理细节差异，从上到下分别表示低光图像和正常光参考图像，从左到右为分别为经过retinex-n...
【技术保护点】
1.一种低光图像增强方法，其特征在于，包括如下步骤：
2.如权利要求1所述的低光图像增强方法，其特征在于：步骤S1中所述分解网络利用重建损失函数、光照平滑约束和反射一致损失进行约束。
3.如权利要求2所述的低光图像增强方法，其特征在于：
4.如权利要求1所述的低光图像增强方法，其特征在于，步骤S2包括：
5.如权利要求1所述的低光图像增强方法，其特征在于，步骤S3包括：
6.一种用于实现权利要求1-5任一项所述低光图像增强方法的系统，其特征在于：包括分解网络、基于对比学习的分解增强模块和光照恢复模块；
...【技术特征摘要】
1.一种低光图像增强方法，其特征在于，包括如下步骤：
2.如权利要求1所述的低光图像增强方法，其特征在于：步骤s1中所述分解网络利用重建损失函数、光照平滑约束和反射一致损失进行约束。
3.如权利要求2所述的低光图像增强方法，其特征在于：
4.如权利要求1所述的低光图像增强方法，其特征在于，步骤s2包括：
5.如权利要求1所述的低光图像增强方法，其特征在于，步骤s3包括：
6.一种用于实现权利要求1-5任一项所述低光图像增强方法的系统，其特征在于：包括分解网络、基于对比学习的分解增强模块和光照恢复模块；
7.如权利要求6所述的系统，其特征在于：所述分解网络包括六个卷积层，除第一个和最后一个卷积层外，其余四个卷积层均后接relu激活函数，最后一个卷积层的输出端连接sigmoid函数进行归...
【专利技术属性】
技术研发人员：杨文明，郑文先，阮俊翔，廖庆敏，
申请(专利权)人：清华大学深圳国际研究生院，
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。