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,具体而言,涉及一种基于深度神经网络的低照度图像对比度增强方法。
技术介绍
1、近年来,图像信息在人们的日常生活中的应用越来越广泛,并且在一些应用场景中,对图像的质量要求越来越高。其中,图像的对比度为影响图像质量的关键因素之一。
2、目前的自适应图像对比度增强算法主要分为灰度变换法和直方图调整法两类。其中,灰度变换法可分为对数变换、指数变换等,该类方法仅是通过调整图像灰度动态范围来提高对比度,对视觉效果提升不明显。直方图调整可分为直方图均衡化、直方图规定化等,该类方法多是针对图像整体进行全局处理,因此很可能增强图像细节信息的同时,造成增强后图像出现噪声放大、伪像等问题。然而,现有的自适应直方图均衡化法虽然能够有效提高图像的视觉效果,但算法一般较为复杂、计算量大、处理效率较低。
技术实现思路
1、本专利技术的目的在于提供一种基于深度神经网络的低照度图像对比度增强方法,其能够显著增强图像对比度,有效地提高图像的视觉效果。
2、本专利技术的技术方案为:
3、第一方面,本申请提供一种基于深度神经网络的低照度图像对比度增强方法,其包括以下步骤:
4、s1、获取原始图像,并对原始图像进行筛选以得到低照度图像;
5、s2、将低照度图像缩放到固定大小后提取其亮度信息以得到亮度通道图像;
6、s3、基于深度神经网络对亮度通道图像进行学习以得到亮度增强曲线;
7、s4、根据亮度增强曲线对亮度通道图
8、s5、将增强后的亮度通道图像与原始图像的色彩信息合并,输出最终的增强图像。
9、进一步地,步骤s1包括:
10、s11、获取原始图像,并使用拉普拉斯算法计算图像的模糊度后对图像进行滤波处理;
11、s12、通过cv2.meanstddev函数计算滤波处理后的图像中像素强度的标准差;
12、s13、基于标准差计算像素强度的方差以得到原始图像模糊度的衡量标准;
13、s14、根据原始图像模糊度的衡量标准对原始图像进行筛选得到高清晰度正常的图片以作为低照度图像。
14、进一步地,步骤s3中,上述基于深度神经网络对亮度通道图像进行学习以得到亮度增强曲线的计算公式包括:
15、le(i(x);α)=i(x)+αi(x)(1-ix))
16、式中,i(x)为输入图像,x为像素坐标,α为可学习参数,le(i(x);α)为i(x)的增强图像。
17、进一步地,步骤s4中,上述根据亮度增强曲线对亮度通道图像进行调整的计算公式包括:
18、len(x)=len-1(x)+αnlen-1(x)(1-len-1(x))
19、式中,len(x)为第n个亮度通道图像,len-1(x)为第n-1个亮度通道图像,x为像素坐标,n表示迭代次数,αn为每个像素位置的曲线参数。
20、进一步地,步骤s5包括:
21、s51、计算增强后的亮度通道图像的总损失;
22、s52、基于增强后的亮度通道图像的总损失设置图像误差;
23、s53、根据图像误差将增强后的亮度通道图像与原始图像的色彩信息合并,输出最终的增强图像。
24、进一步地,步骤s51中,上述增强后的亮度通道图像的总损失包括:空间一致性损失、曝光控制损失、颜色一致性损失和光照平滑损失,其计算公式为:
25、l=λ1lsc+λ2lec+λ3lcc+λ4ltv
26、式中,l为增强后的亮度通道图像的总损失,λ1为空间一致性损失权重,lsc为空间一致性损失,λ2为光控制损失权重,lec为曝光控制损失,λ3为颜色一致性损失权重,lcc为颜色一致性损失,λ4为光照平滑损失权重,ltv为光照平滑损失。
27、进一步地,步骤s52中,上述图像误差的计算公式包括:
28、
29、式中,lspa为图像误差,k为像素数,i为对像素的遍历,ω(i)为第i个像素的4邻域,yi为第i个增强图像,ii为第i个输入图像,yj为第j个增强图像,ij为第j个输入图像。
30、第二方面,本申请提供一种电子设备,包括:
31、存储器,用于存储一个或多个程序;
32、处理器;
33、当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项的一种基于深度神经网络的低照度图像对比度增强方法。
34、第三方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的一种基于深度神经网络的低照度图像对比度增强方法。
35、相对于现有技术,本专利技术至少具有如下优点或有益效果:
36、(1)本专利技术提供的一种基于深度神经网络的低照度图像对比度增强方法,通过深度神经网络对亮度通道图像进行学习得到亮度增强曲线,从而可以实时对亮度通道图像进行调整,实现根据图像的特性动态地调整每个像素的亮度,能够显著增强图像对比度,有效地提高图像的视觉效果;
37、(2)本专利技术的方法将增强后的亮度通道图像与原始图像的色彩信息合并,减小了计算误差,进一步增强了图像对比度;
38、(3)本专利技术的方法在处理图像时计算量小,显著提高了图像处理效率。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤S1包括:
3.如权利要求1所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤S3中,所述基于深度神经网络对亮度通道图像进行学习以得到亮度增强曲线的计算公式包括:
4.如权利要求3所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤S4中,所述根据亮度增强曲线对亮度通道图像进行调整的计算公式包括:
5.如权利要求1所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤S5包括:
6.如权利要求5所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤S51中,所述增强后的亮度通道图像的总损失包括:空间一致性损失、曝光控制损失、颜色一致性损失和光照平滑损失,其计算公式为:
7.如权利要求5所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤S52中,所述图像误差的
8.一种电子设备,其特征在于,包括:
9.一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,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于深度神经网络的低照度图像对比度增强方法。
...【技术特征摘要】
1.一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤s1包括:
3.如权利要求1所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤s3中,所述基于深度神经网络对亮度通道图像进行学习以得到亮度增强曲线的计算公式包括:
4.如权利要求3所述的一种基于深度神经网络的低照度图像对比度增强方法,其特征在于,步骤s4中,所述根据亮度增强曲线对亮度通道图像进行调整的计算公式包括:
5.如权利要求1所述的一种基于深度神经网络的低照度图像对比度增强方法,...
【专利技术属性】
技术研发人员:赵金雄,张驯,李林明,狄磊,魏峰,王海,赵红,刘怡彤,
申请(专利权)人:国网甘肃省电力公司电力科学研究院,
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。