【技术实现步骤摘要】
本专利技术属于计算机视觉，特别涉及一种改进影像系统扫描图像检测方法。
技术介绍
1、在影像系统扫描图像检测场景中，低光图像检测的难度在于低光条件下图像中的信息量减少，导致图像的对比度降低、细节模糊以及噪声增加。这使得在低光环境下获取清晰、准确的图像变得更加具有挑战性，对于后续的图像分析和处理造成了困难。因此，对低光图像进行增强具有重要意义。图像增强可以通过提高图像的亮度、增加对比度、降低噪声等方式，使图像在视觉上更加清晰、鲜明，并提取出更多的有用信息。这不仅可以改善图像的质量和观感，还有助于提高后续图像处理算法的性能和准确度，从而更好地满足各种应用需求，如图像识别、目标检测、医学影像分析等。
2、深度神经网络在增强低光图像方面取得了显著进展，各种低光图像增强方法主要通过提高图像的亮度和降低噪声来实现。然而，目前大部分方法都是基于启发式的端到端映射网络构建的，这种方法忽视了图像增强任务的潜在规律，导致缺乏透明度和可解释性。尽管已经提出了一些解决方案来缓解这些问题，但它们往往依赖于提供模糊和隐含先验的网络结构。
技术实现思路
1、本专利技术提供一种改进影像系统扫描图像检测方法，应用在影像系统低光扫描图像检测场景，引入带定制照明先验的retinex分解步骤，可学习的照明先验通过使用具有特定目标特征的掩模图像建模策略进行预训练，可以捕获正常光图像的照明属性，将其嵌入到展开架构的retinex分解步骤中，从而提高低光图像增强能力。
2、本专利技术旨在引入带定制照明先验
3、s1、采集影像系统扫描图像，从影像系统获得扫描图像，将影像系统扫描图像按照光照强度进行分类，获得低光扫描图像和正常扫描图像；
4、s2、影像系统低光和正常扫描图像标注，根据检测目标在低光和正常扫描图像上进行目标标注，获得低光和正常扫描图像训练数据集；
5、s3、构建retinex分解模块，包含定制照明先验模块cip，将输入的扫描图像分解为照明分量、反射率分量和噪声分量，然后经过包含t次迭代的分解步骤，输出照明分量、反射率分量和噪声分量；
6、s4、构建定制照明先验模块cip，输入照明分量，输出调整后的照明分量；
7、s5、构建照明调整网络，输入指标和照明分量，输出增强的照明分量；
8、s6、构建反射率恢复网络，输入照明分量、反射率分量和噪声分量，输出恢复的反射率图；s7、构建低光图像增强模块，包含retinex分解模块、照明调整网络和反射率恢复网络；
9、s8、构建低光和正常扫描图像检测模型，低光扫描图像检测模型依次由输入、低光图像增强模块、骨干网络、检测头和输出组成，正常扫描图像检测模型依次由输入、骨干网络、检测头和输出组成；
10、s9、训练低光和正常扫描图像检测模型，使用低光扫描图像训练数据集训练低光扫描图像检测模型，使用正常扫描图像训练数据集训练正常扫描图像检测模型；
11、s10、使用低光和正常扫描图像检测模型检测影像系统扫描图像，对于低光影像系统扫描图像，使用低光扫描图像检测模型进行检测，对于正常影像系统扫描图像，使用正常扫描图像检测模型进行检测。
12、优选地，在s3步骤中，对于retinex分解模块，按照retinex理论将输入图像分为照明分量、反射率分量和噪声分量，对于输入图像il，il＝r0⊙l0+n0，⊙代表逐元素相乘，r0代表反射率分量，l0代表照明分量，n0代表噪声分量，然后输入il、r0、l0和n0到retinex分解步骤，分解步骤包含t次迭代，t次迭代之后得到rt和nt。
13、优选地，在s4步骤中，对于定制照明先验模块cip，输入照明分量l1，得到调整后的照明分量首先通过l1得到lfp，为unet卷积网络预训练得到的编码器，通过lfp得到ups代表将lfp上采样到和相同的空间大小，conv代表卷积层，sigmoid代表sigmoid激活函数。
14、优选地，在s5步骤中，对于照明调整网络，输入值为ε的指标和照明分量输出增强的照明分量len，为输入低光图像il分解出的照明分量，ln为输入正常图像in分解出的照明分量，照明调整网络由u-net实现，包含三个尺度，通道数依次为12、24和48。
15、优选地，在s6步骤中，对于反射率恢复网络，输入照明分量反射率分量rt和噪声分量nt到反射率恢复网络，输出恢复的反射率图rre，反射率恢复网络由u-net实现，包含三个尺度，通道数依次为12、24和48。
16、优选地，在s7步骤中，对于低光图像增强模块，输入图像il，il＝r0⊙l0+n0，⊙代表逐元素相乘，r0代表反射率分量，l0代表照明分量，n0代表噪声分量，然后输入il、r0、l0和n0到retinex分解步骤，分解步骤包含t次迭代，t次迭代之后得到rt和nt，采用照明调整网络来增强照明输入rt和nt到反射率恢复网络，从而恢复反射率分量rre，将len和rre，相乘得到最后的增强低光图像ien。
17、优选地，在s3步骤中，对于retinex分解模块中分解步骤的第1次迭代，输入il、r0、l0和n0，输入权衡参数β、γ和ω，得到l1＝fl(il，r0，l0，n0，β，μ0)，其中fl代表公式是对应于先验ρ2的近端梯度算子，α1表示更新步长，δg(lk)＝μkrk⊙(rk⊙lk+nk-il)，通过将l1输入到定制照明先验模块得到然后计算其中fr代表公式是对应于先验ρ3的近端梯度算子，α2表示更新步长，然后计算其中fn代表公式其中shrink(x，η)＝max{|x|-η，0}·sign(x)，sign指的是sign函数，表示对应于先验ρ1的近端梯度算子，从而输出r1和n1，并作为下一次迭代的输入。
18、优选地，在s3步骤中，对于retinex分解模块中分解步骤的第s次迭代，s∈[2，t]，输入il、rs-1、和ns-1，输入权衡参数β、γ和ω，得到其中fl代表公式是对应于先验ρ2的近端梯度算子，α1表示更新步长，δg(lk)＝μkrk⊙(rk⊙lk+nk-il)，通过将ls输入到定制照明先验模块得到然后计算其中fr代表公式是对应于先验ρ3的近端梯度算子，α2表示更新步长，然后计算其中fn代表公式其中shrink(x，η)＝max{|x|-η，0}·sign(x)，sign指的是sign函数，表示对应于先验ρ1的近端梯度算子，从而输出rs和ns，并作为下一次迭代的输入。
19、与现有技术相比，本专利技术具有以下技术效果：
20、本专利技术提供的技术方案应用在影像系统低光扫描图像检测场景，引入带定制照明先验的retinex分解步骤，可学习的照明先验通过使用具有特定目标特征的掩模图像建模策略进行预训练，可以捕获正常光图像的照明属性，将其嵌入到展开架构的retinex分解步骤中，从而提高低光图像增强能力。
本文档来自技高网...【技术保护点】
1.一种改进影像系统扫描图像检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S3步骤中，对于Retinex分解模块，按照Retinex理论将输入图像分为照明分量、反射率分量和噪声分量，对于输入图像Il，Il＝R0⊙L0+N0，⊙代表逐元素相乘，R0代表反射率分量，L0代表照明分量，N0代表噪声分量，然后输入Il、R0、L0和N0到Retinex分解步骤，分解步骤包含T次迭代，T次迭代之后得到RT和NT。
3.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S4步骤中，对于定制照明先验模块CIP，输入照明分量L1，得到调整后的照明分量首先通过L1得到Lfp，为UNet卷积网络预训练得到的编码器，通过Lfp得到ups代表将Lfp上采样到和相同的空间大小，Conv代表卷积层，Sigmoid代表Sigmoid激活函数。
4.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S5步骤中，对于照明调整网络，输入值为ε的指标和照明分量输出增强的照明分量Len，
5.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S6步骤中，对于反射率恢复网络，输入照明分量反射率分量RT和噪声分量NT到反射率恢复网络，输出恢复的反射率图Rre，反射率恢复网络由U-Net实现，包含三个尺度，通道数依次为12、24和48。
6.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S7步骤中，对于低光图像增强模块，输入图像Il，Il＝R0⊙L0+N0，⊙代表逐元素相乘，R0代表反射率分量，L0代表照明分量，N0代表噪声分量，然后输入Il、R0、L0和N0到Retinex分解步骤，分解步骤包含T次迭代，T次迭代之后得到RT和NT，采用照明调整网络来增强照明输入RT和NT到反射率恢复网络，从而恢复反射率分量Rre，将Len和Rre，相乘得到最后的增强低光图像Ien。
7.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S3步骤中，对于Retinex分解模块中分解步骤的第1次迭代，输入Il、R0、L0和N0，输入权衡参数β、γ和ω，得到L1＝fL(Il，R0，L0，N0，β，μ0)，其中fL代表公式是对应于先验ρ2的近端梯度算子，α1表示更新步长，Δg(Lk)＝μkRk⊙(Rk⊙Lk+Nk-Il)，通过将L1输入到定制照明先验模块得到然后计算其中fR代表公式是对应于先验ρ3的近端梯度算子，α2表示更新步长，然后计算其中fN代表公式其中Shrink(X，η)＝max{|X|-η，0}·sign(X)，sign指的是sign函数，表示对应于先验ρ1的近端梯度算子，从而输出R1和N1，并作为下一次迭代的输入。
8.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在S3步骤中，对于Retinex分解模块中分解步骤的第s次迭代，s∈[2，T]，输入Il、Rs-1、和Ns-1，输入权衡参数β、γ和ω，得到其中fL代表公式k∈[0，N-1]，是对应于先验ρ2的近端梯度算子，α1表示更新步长，Δg(Lk)＝μkRk⊙(Rk⊙Lk+Nk-Il)，通过将Ls输入到定制照明先验模块得到然后计算其中fR代表公式是对应于先验ρ3的近端梯度算子，α2表示更新步长，然后计算其中fN代表公式其中Shrink(X，η)＝max{|X|-η，0}·sign(X)，sign指的是sign函数，表示对应于先验ρ1的近端梯度算子，从而输出Rs和Ns，并作为下一次迭代的输入。
...【技术特征摘要】
1.一种改进影像系统扫描图像检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在s3步骤中，对于retinex分解模块，按照retinex理论将输入图像分为照明分量、反射率分量和噪声分量，对于输入图像il，il＝r0⊙l0+n0，⊙代表逐元素相乘，r0代表反射率分量，l0代表照明分量，n0代表噪声分量，然后输入il、r0、l0和n0到retinex分解步骤，分解步骤包含t次迭代，t次迭代之后得到rt和nt。
3.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在s4步骤中，对于定制照明先验模块cip，输入照明分量l1，得到调整后的照明分量首先通过l1得到lfp，为unet卷积网络预训练得到的编码器，通过lfp得到ups代表将lfp上采样到和相同的空间大小，conv代表卷积层，sigmoid代表sigmoid激活函数。
4.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在s5步骤中，对于照明调整网络，输入值为ε的指标和照明分量输出增强的照明分量len，为输入低光图像il分解出的照明分量，ln为输入正常图像in分解出的照明分量，照明调整网络由u-net实现，包含三个尺度，通道数依次为12、24和48。
5.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在s6步骤中，对于反射率恢复网络，输入照明分量反射率分量rt和噪声分量nt到反射率恢复网络，输出恢复的反射率图rre，反射率恢复网络由u-net实现，包含三个尺度，通道数依次为12、24和48。
6.根据权利要求1所述的一种改进影像系统扫描图像检测方法，其特征在于，在s7步骤中，对于低光图像增强模块，输入图像il，il＝r0⊙l0+n0，⊙代表逐元素相乘，r0代表反射率分量，l0代...
【专利技术属性】
技术研发人员：房泽辉，
申请(专利权)人：济南深览电子科技有限公司，
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。