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增强,尤其涉及一种基于unet网络的图像曝光校正方法及装置。
技术介绍
1、在家居安防、医疗影像、遥感图像,或其他计算机视觉领域,针对非正常曝光的图像进行图像增强有十分重要意义。
2、现有技术中,存在自适应直方图均衡算法和限制对比度自适应直方图均衡算法,分别解决了图像局部信息丢失和过度增强对比度的问题。lime算法,通过逐像素估计照明度并对其进行细化,有效抑制噪声产生。
3、现有技术中的直方图均衡化方法可能会导致图像过度增强和局部信息丢失;基于retinex理论的方法可能导致图像局部对比度差异较大的区域出现模糊;lime等方法对局部区域过度曝光的区域不能很好地降低图像亮度,使图像保持平滑自然。此外,现有技术中的方法无法有效保证增强后的图像细节信息不丢失、区域对比度不过饱和以及颜色自然度的平衡。现有技术在图像增强过程中,图像曝光校正会导致图像的部分区域出现模糊,颜色偏差,且导致图像信息的可用性降低。
技术实现思路
1、本专利技术提供一种基于unet网络的图像曝光校正方法及装置,用以解决现有技术中图像曝光校正导致的图像模糊、可用信息降低的缺陷,提升曝光校正后图像的质量。
2、本专利技术提供一种基于unet网络的图像曝光校正方法,包括:
3、获取初始图像;
4、将所述初始图像输入拉普拉斯分解模块,得到所述初始图像对应的拉普拉斯金字塔;所述拉普拉斯金字塔中包括至少一个分解图像;
5、基于曝光校正模型,
6、根据本专利技术提供的一种基于unet网络的图像曝光校正方法,所述曝光校正模型包括编码器模块、解码器模块和特征增强模块;其中:
7、所述编码器模块包括卷积下采样模块和编码器融合注意力模块;所述卷积下采样模块用于对各所述分解图像中的每一个分解图像进行下采样特征提取;
8、所述解码器模块包括反卷积上采样模块和解码器+融合注意力模块;所述反卷积上采样模块用于对各所述分解图像中的每一个分解图像进行上采样恢复;
9、所述特征增强模块包括所述空洞残差密集模块,用于所述解码器与所述编码器之间的跳跃连接。
10、根据本专利技术提供的一种基于unet网络的图像曝光校正方法,所述基于曝光校正模型,对所述拉普拉斯金字塔进行重建,得到所述初始图像经过曝光校正后的清晰图像,包括:
11、基于所述编码器模块对各所述分解图像中的每一个分解图像进行下采样特征提取,得到所述每一个分解图像对应的深层特征;
12、基于所述解码器模块对各所述深层特征进行上采样分辨率恢复,得到所述清晰图像。
13、根据本专利技术提供的一种基于unet网络的图像曝光校正方法,所述融合注意力模块是对直方图注意力机制、空间注意力机制和通道注意力机制进行融合得到的。
14、根据本专利技术提供的一种基于unet网络的图像曝光校正方法,所述方法还包括:
15、基于标准图像构建高斯金字塔;所述高斯金字塔是所述标准图像经过高斯分解模块分解得到的;
16、基于所述高斯金字塔和损失函数对所述拉普拉斯金字塔进行优化。
17、根据本专利技术提供的一种基于unet网络的图像曝光校正方法,所述方法还包括:
18、基于至少一个训练图像和各所述训练图像对应的标准图像,采用公式(1)确定所述损失函数:
19、
20、其中,h为各所述训练图像中每一个训练图像的高度,w为各所述训练图像中每一个训练图像的宽度,y为所述每一个训练图像对应的校正图像,t为所述每一个训练图像对应的标准图像,p为所述训练图像的索引。
21、本专利技术还提供一种基于unet网络的图像曝光校正装置,包括:
22、获取模块,用于获取初始图像;
23、分解模块,用于将所述初始图像输入拉普拉斯分解模块,得到所述初始图像对应的拉普拉斯金字塔;所述拉普拉斯金字塔中包括至少一个分解图像;
24、曝光校正模块,用于基于曝光校正模型,对所述拉普拉斯金字塔的每一个阶段进行重建,得到所述初始图像经过曝光校正后的清晰图像;所述曝光校正模型是基于融合注意力模块和空洞残差密集模块对unet网络进行构建得到的。
25、本专利技术还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述的基于unet网络的图像曝光校正方法。
26、本专利技术还提供一种非暂态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任一种所述的基于unet网络的图像曝光校正方法。
27、本专利技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的基于unet网络的图像曝光校正方法。
28、本专利技术提供的一种基于unet网络的图像曝光校正方法及装置,通过将获取的初始图像输入拉普拉斯分解模块,得到初始图像对应的拉普拉斯金字塔,拉普拉斯金字塔的每一层中包括一个分解图像,基于预先训练好的曝光校正模型,在拉普拉斯金字塔的重建过程中,对初始图像进行曝光校正;曝光校正模型是基于融合注意力模块和空洞残差密集模块对unet网络进行构建得到的,融合注意模块使得曝光校正模型可以选择的关注存在曝光问题的区域,并且兼顾了初始图像的全局曝光特性,提升了曝光校正后图像的质量,空洞残差密集模块使得该曝光校正模型可以更好的捕获和保留原始图像的图像特征,提升了曝光校正后图像可用性。
本文档来自技高网...【技术保护点】
1.一种基于UNet网络的图像曝光校正方法,其特征在于,包括:
2.根据权利要求1所述的基于UNet网络的图像曝光校正方法,其特征在于,所述曝光校正模型包括编码器模块、解码器模块和特征增强模块;其中:
3.根据权利要求2所述的基于UNet网络的图像曝光校正方法,其特征在于,所述基于曝光校正模型,对所述拉普拉斯金字塔进行重建,得到所述初始图像经过曝光校正后的清晰图像,包括:
4.根据权利要求1所述的基于UNet网络的图像曝光校正方法,其特征在于,所述融合注意力模块是对直方图注意力机制、空间注意力机制和通道注意力机制进行融合得到的。
5.根据权利要求1所述的基于UNet网络的图像曝光校正方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的基于UNet网络的图像曝光校正方法,其特征在于,所述方法还包括:
7.一种基于UNet网络的图像曝光校正装置,其特征在于,包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于UNet网络的图像曝光校正方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于UNet网络的图像曝光校正方法。
...【技术特征摘要】
1.一种基于unet网络的图像曝光校正方法,其特征在于,包括:
2.根据权利要求1所述的基于unet网络的图像曝光校正方法,其特征在于,所述曝光校正模型包括编码器模块、解码器模块和特征增强模块;其中:
3.根据权利要求2所述的基于unet网络的图像曝光校正方法,其特征在于,所述基于曝光校正模型,对所述拉普拉斯金字塔进行重建,得到所述初始图像经过曝光校正后的清晰图像,包括:
4.根据权利要求1所述的基于unet网络的图像曝光校正方法,其特征在于,所述融合注意力模块是对直方图注意力机制、空间注意力机制和通道注意力机制进行融合得到的。
5.根据权利要求1所述的基于unet网络的图像曝光校正方法,其特征在于,所述方法还包括:
6.根据权利要求...
【专利技术属性】
技术研发人员:张玉贵,周琦,李卫军,于丽娜,宁欣,马骏骁,
申请(专利权)人:中国科学院半导体研究所,
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。