【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种低光照和强曝光图像的矫正方法、装置以及设备。
技术介绍
1、现实世界中，在不良的光照条件下(低光、曝光不足和曝光过度)获取的视觉信息，给人类和下游的视觉任务(如目标检测、语义分割)带来了极大的挑战。在光照不足的情况下，相机传感器接收到的光子数量极少，导致图像暗部细节不清，噪点增加。在室外暴露在阳光下时，产生过曝影响，导致图像亮部过亮，细节丢失，甚至出现大面积的白色过曝区域。
2、图像增强方法可以分为传统的基于先验的方法和基于深度学习的方法。早期的传统方法常用直方图均衡和retinex方法来增强图像。近年来，随着深度学习方法的发展，图像处理和视频处理等计算机视觉任务取得了重大进展，因此基于深度学习的方法也成为了图像增强的主流方法。在retinex的理论背景下，将输入的图像分为光照图和反射图，以此来增强图像的方法，产生了一系列的工作，如retinexnet，lightennet，deepupe等，但这些方法往往会出现色彩失真或过曝的情况。还有一些利用图像曲线估计的方法，如excnet，zero-dce，zero-dce++等，会使增强的图像产生过多的噪声。而这些方法都只考虑了低光照情况下的图像增强，忽略了强暴光条件下的图像矫正，局限性较大。
技术实现思路
1、有鉴于此，本专利技术的目的在于提出一种低光照和强曝光图像的矫正方法、装置以及设备，旨在解决现有的图像增强方法存在色彩失真或过曝，以及应用场景具有较大局限性等问题。
2、为
3、构建配对数据集，所述配对数据集中的每一配对图像包括一张正常曝光图像以及四张不同曝光值的非正常曝光图像，其中，所述非正常曝光图像包括欠曝光图像和强曝光图像；
4、计算所述非正常曝光图像中每一像素点的像素值与对应每一像素点在同一位置中所有通道均值的比值，得到对应所述欠曝光图像或所述强曝光图像的反射分量；
5、将所述非正常曝光图像以及所述反射分量进行拼接，得到特征拼接图像，将所述特征拼接图像输入至预构建的图像矫正模型中，得到矫正图像。
6、优选的，所述图像矫正模型包括第一卷积层、enhancement mnet网络、残差连接层以及第二卷积层。
7、优选的，所述将所述特征拼接图像输入至预构建的图像矫正模型中，得到矫正图像，包括：
8、将所述特征拼接图像输入所述第一卷积层进行融合不同通道特征并扩增维度，得到浅层特征图像；
9、将所述浅层特征图像输入所述enhancement mnet网络进行图像的局部特征和全局特征的提取并融合，得到融合特征图像；
10、将所述融合特征图像与所述特征拼接图像输入所述残差连接层，得到包含上下文信息和空间细节的第一特征图像；
11、将所述第一特征图像输入所述第二卷积层，得到所述矫正图像。
12、优选的，所述enhancement mnet网络包括编解码器，通过在编码阶段对输入的图像进行像素随机下采样，以及通过在解码阶段对编码阶段提取到的特征进行dupsampling和双线性的上采样，以提取图像的上下文信息。
13、优选的，所述编解码器包括语义提取模块、多尺度连接模块以及特征融合模块；其中，
14、通过所述语义提取模块提取图像的局部特征；
15、通过所述多尺度连接模块提取图像的全局特征；
16、通过所述特征融合模块对所述局部特征和所述全局特征进行融合，得到融合特征图像。
17、优选的，所述语义提取模块包括深度卷积模块、pwconv-dwconv-pwconv模块以及thin-norm模块。
18、优选的，所述图像矫正模型在构建时，通过利用预设损失函数进行优化；所述预设损失函数为loss＝1*ssim_loss+1*smoothloss+0.001*tv_loss，其中，
19、lssim＝f(l(x,y),c(x,y),s(x,y))，式中，l(x,y)、c(x,y)、s(x,y)分别表示亮度比较、对比度比较以及结构比较，x为矫正图像，y为正常曝光图像；
20、式中，x和y分别表示模型输出以及标签，n表示批次中的样本数量；
21、式中，x表示模型输出的二维张量，i和j分别表示张量中的行和列，β表示超参数。
22、为实现上述目的，本专利技术还提供一种低光照和强曝光图像的矫正装置，所述装置包括：
23、构建单元，用于构建配对数据集，所述配对数据集中的每一配对图像包括一张正常曝光图像以及四张不同曝光值的非正常曝光图像，其中，所述非正常曝光图像包括欠曝光图像和强曝光图像；
24、计算单元，用于计算所述非正常曝光图像中每一像素点的像素值与对应每一像素点在同一位置中所有通道均值的比值，得到对应所述欠曝光图像或所述强曝光图像的反射分量；
25、矫正单元，用于将所述非正常曝光图像以及所述反射分量进行拼接，得到特征拼接图像，将所述特征拼接图像输入至预构建的图像矫正模型中，得到矫正图像。
26、为了实现上述目的，本专利技术还提出一种低光照和强曝光图像的矫正设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述实施例所述的一种低光照和强曝光图像的矫正方法的步骤。
27、为了实现上述目的，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如上述实施例所述的一种低光照和强曝光图像的矫正方法的步骤。
28、有益效果：
29、以上方案，通过所提出的图像矫正模型实现低光照和强曝光图像的图像矫正，能够降低计算复杂度，同时有效增强色彩真实性并降低不适的亮度和伪影，能够有效抑制强曝光产生的区域，从而提高图像处理的质感。
30、以上方案，通过图像矫正模型提取并融合图像的局部特征和全局特征，以充分结合语义提取模块和特征融合模块得到局部细节和全局信息，有效矫正了包括低光照图像和强曝光图像的非正常曝光图像。
本文档来自技高网...【技术保护点】
1.一种低光照和强曝光图像的矫正方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述图像矫正模型包括第一卷积层、Enhancement MNet网络、残差连接层以及第二卷积层。
3.根据权利要求2所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述将所述特征拼接图像输入至预构建的图像矫正模型中，得到矫正图像，包括：
4.根据权利要求2或3所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述Enhancement MNet网络包括编解码器，通过在编码阶段对输入的图像进行像素随机下采样，以及通过在解码阶段对编码阶段提取到的特征进行Dupsampling和双线性的上采样，以提取图像的上下文信息。
5.根据权利要求4所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述编解码器包括语义提取模块、多尺度连接模块以及特征融合模块；其中，
6.根据权利要求5所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述语义提取模块包括深度卷积模块、PWConv-DWConv-
7.根据权利要求1所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述图像矫正模型在构建时，通过利用预设损失函数进行优化；所述预设损失函数为Loss＝1*ssim_loss+1*smoothloss+0.001*tv_loss，其中，
8.一种低光照和强曝光图像的矫正装置，其特征在于，所述装置包括：
9.一种低光照和强曝光图像的矫正设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如权利要求1至7任意一项所述的一种低光照和强曝光图像的矫正方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至7任意一项所述的一种低光照和强曝光图像的矫正方法的步骤。
...【技术特征摘要】
1.一种低光照和强曝光图像的矫正方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述图像矫正模型包括第一卷积层、enhancement mnet网络、残差连接层以及第二卷积层。
3.根据权利要求2所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述将所述特征拼接图像输入至预构建的图像矫正模型中，得到矫正图像，包括：
4.根据权利要求2或3所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述enhancement mnet网络包括编解码器，通过在编码阶段对输入的图像进行像素随机下采样，以及通过在解码阶段对编码阶段提取到的特征进行dupsampling和双线性的上采样，以提取图像的上下文信息。
5.根据权利要求4所述的一种低光照和强曝光图像的矫正方法，其特征在于，所述编解码器包括语义提取模块、多尺度连接模块以及特征融合模块；其中，
6.根据权利要求5所述的一种低光照...
【专利技术属性】
技术研发人员：陈厚创，王佐帅，杨明，林志斌，孙世丹，
申请(专利权)人：厦门盈趣科技股份有限公司，
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。