【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种微光图像的处理方法、系统、介质及设备。
技术介绍
1、在夜间、阴雨天、环境光照不足以及相机曝光不足等极低照度环境下，成像设备所获得的图像亮度和对比度整体不足，且或多或少都会存在噪声，这类图像统称为微光图像。
2、微光图像受到场景自身的光照条件和硬件设备等限制，采集到的图像往往具有噪声突出、整体偏暗、细节不清晰少等问题，极大的影响了微光图像的成像质量。
3、因此，如何提高微光图像的成像质量，是目前亟需解决的问题。
技术实现思路
1、本专利技术提供了一种微光图像的处理方法、系统、介质及设备，以解决或者部分解决微光图像的成像质量不高的技术问题。
2、为解决上述技术问题，本专利技术的第一方面，公开了一种微光图像的处理方法，所述方法包括：
3、获取微光图像并进行预处理，得到预处理图像；
4、将所述预处理图像输入图像去噪网络进行处理，得到去噪图像；
5、将所述预处理图像和所述去噪图像一并输入颜色恢复网络进行处理，得到颜色恢复图像；
6、将颜色恢复图像输入亮度恢复网络进行亮度增强，得到所述微光图像对应的亮度增强图像。
7、可选的，所述微光图像的图像格式为原始图像格式。
8、可选的，所述获取微光图像并进行预处理，得到预处理图像，具体包括：
9、利用公式以像素点为单位对所述微光图像进行归一化操作，得到归一化图像，并将所述归一化图像直接作为所述预处理图
10、可选的，所述得到归一化图像之后，所述方法还包括：
11、对所述归一化图像按颜色通道进行拆分，得到多通道图像。
12、利用设定数目的卷积核对所述多通道图像进行卷积运算，得到所述预处理图像。
13、可选的，所述将所述预处理图像输入图像去噪网络进行处理，得到去噪图像之前，所述方法还包括：
14、搭建图像去噪网络的网络结构；
15、采集第一微光图像样本集；其中，每一条样本包含一张raw域短曝光图像和一张raw域长曝光图像；所述raw域短曝光图像和所述raw域长曝光图像的采集环境相同但曝光时长不同；
16、将所述raw域短曝光图像输入所述图像去噪网络的网络结构进行处理，得到raw域去噪图像；
17、利用l1损失函数计算所述raw域去噪图像与所述raw域长曝光图像的l1损失值，利用所述l1损失值指导对所述图像去噪网络的权重训练；其中，所述l1损失函数的公式表述如下：
18、
19、其中，fi,jraw为是raw域去噪图像，yi,jraw为raw域长曝光图像，|·|表示求绝对值操作，i,j分别为图像的行坐标、列坐标，h,w分别为图像的行高与列宽。
20、可选的，所述图像去噪网络的网络结构包括：依次连接的去噪编码网络和去噪解码网络；其中，
21、所述去噪编码网络包括：依次连接的逐通道卷积层、两个以上逐点卷积层以及具有下采样功能的普通卷积层；其中，在所述两个以上逐点卷积层中插入有激活函数层；所述逐通道卷积层的输入特征与最后一个逐点卷积层的输出特征之间存在跳连接，所述跳连接为所述输入特征和所述输出特征相加；
22、所述去噪解码网络包括：依次连接的所述逐通道卷积层、所述两个以上逐点卷积层以及具有上采样功能的转置卷积层；其中，在所述两个以上逐点卷积层中插入有所述激活函数层，所述逐通道卷积层的输入特征与最后一个逐点卷积层的输出特征之间存在所述跳连接。
23、可选的，所述将所述预处理图像和所述去噪图像一并输入颜色恢复网络进行处理，得到颜色恢复图像之前，所述方法还包括：
24、搭建颜色恢复网络的网络结构；
25、采集第二微光图像样本集；其中，每一条样本包含一张raw域短曝光图像和一张raw域长曝光图像；所述raw域短曝光图像和所述raw域长曝光图像的采集环境相同但曝光时长不同；
26、将所述raw域短曝光图像及其去噪图像一并输入所述颜色恢复网络的网络结构进行处理，得到rgb域彩色图像；
27、将所raw长曝光图像调整为rgb域长曝光图像；
28、利用l2损失函数计算所述rgb域彩色图像与所述rgb域长曝光图像的l2损失值，利用所述l21损失值指导对所述颜色恢复网络的权重训练；其中，所述l2损失函数的公式表述如下：
29、
30、其中，fi,jrgb为所述rgb域彩色图像，yi,jrgb为rgb域长曝光图像，|·|表示求绝对值操作，i,j分别为图像的行坐标、列坐标。h,w分别为图像的行高与列宽。
31、可选的，所述颜色恢复网络的网络结构具体包括：依次连接的颜色编码网络和颜色解码网络；所述颜色编码网络包括：依次连接的特征融合子网络和颜色编码子网络；
32、所述特征融合子网络的计算逻辑为：其中，分别表示去噪前后的输入特征，表示输出特征，pconv1、pconv2、pconv3为三个逐点卷积层，dconv3表示逐通道卷积层，+表示跳连接；
33、所述颜色编码子网络包括：依次连接的所述逐通道卷积层、所述两个以上逐点卷积层以及所述普通卷积层；其中，在所述两个以上逐点卷积层中插入有所述激活函数层；
34、所述颜色解码网络包括：依次连接的自注意力机制、所述转置卷积层、所述逐点卷积层、所述逐通道卷积层；
35、在所述自注意力机制中，包含至少两个所述逐通道卷积层和依次连接的至少三个所述逐点卷积层；其中，所述首个所述逐通道卷积层插入首个所述逐点卷积层之后，最后一个所述逐通道卷积层插入所述最后一个所述逐点卷积层之后；当首个所述逐通道卷积层输出推导键k数组，查询q数组，和值v数组时，将所述查询q数组与所述推导键k数组进行矩阵乘法运算并归一化处理，将归一化结果与所述和值v数组进行矩阵乘法运算，并作为第二个所述逐点卷积层的输入；所述自注意力机制的输入特征与最后一个所述逐点卷积层的输入特征之间存在所述跳连接。
36、可选的，所述亮度恢复网络的网络结构包括依次连接的普通卷积层和逐点卷积层。
37、本专利技术的第二方面，公开了一种微光图像的处理系统，包括：
38、预处理单元，用于获取微光图像并进行预处理，得到预处理图像；
39、去噪单元，用于将所述预处理图像输入图像去噪网络进行处理，得到去噪图像；
40、颜色恢复单元，用于将所述预处理图像和所述去噪图像一并输入颜色恢复网络进行处理，得到颜色恢复图像；
41、亮度增强单元，用于将颜色恢复图像输入亮度恢复网络进行亮度增强，得到所述微光图像对应的亮度增强图像。
42、本专利技术的第三方面，公开了一种计算机可读存储介质，其上存储本文档来自技高网...
【技术保护点】
1.一种微光图像的处理方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述微光图像的图像格式为原始图像格式。
3.如权利要求1或2所述的方法，其特征在于，所述获取微光图像并进行预处理，得到预处理图像，具体包括：
4.如权利要求3所述的方法，其特征在于，所述得到归一化图像之后，所述方法还包括：
5.如权利要求1所述的方法，其特征在于，所述将所述预处理图像输入图像去噪网络进行处理，得到去噪图像之前，所述方法还包括：
6.如权利要求5所述的方法，其特征在于，所述图像去噪网络的网络结构包括：依次连接的去噪编码网络和去噪解码网络；其中，
7.如权利要求1所述的方法，其特征在于，所述将所述预处理图像和所述去噪图像一并输入颜色恢复网络进行处理，得到颜色恢复图像之前，所述方法还包括：
8.如权利要求7所述的方法，其特征在于，所述颜色恢复网络的网络结构具体包括：依次连接的颜色编码网络和颜色解码网络；所述颜色编码网络包括：依次连接的特征融合子网络和颜色编码子网络；
9.如权利要求
10.一种微光图像的处理系统，其特征在于，包括：
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
12.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-9任一项所述方法的步骤。
...【技术特征摘要】
1.一种微光图像的处理方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述微光图像的图像格式为原始图像格式。
3.如权利要求1或2所述的方法，其特征在于，所述获取微光图像并进行预处理，得到预处理图像，具体包括：
4.如权利要求3所述的方法，其特征在于，所述得到归一化图像之后，所述方法还包括：
5.如权利要求1所述的方法，其特征在于，所述将所述预处理图像输入图像去噪网络进行处理，得到去噪图像之前，所述方法还包括：
6.如权利要求5所述的方法，其特征在于，所述图像去噪网络的网络结构包括：依次连接的去噪编码网络和去噪解码网络；其中，
7.如权利要求1所述的方法，其特征在于，所述将所述预处理图像和所述去噪图像一并输入颜色恢复网络进行处...
【专利技术属性】
技术研发人员：王路远，李原超，尚德龙，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
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。