欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104740480
申请人: 西安理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于双重互补先验约束的低照度图像增强与去噪方法,其特征在于,该方法包括如下步骤:步骤1、经图像采集设备获取需要增强的低照度图像Ilow;

步骤2、将所述步骤1中获取的图像llow分解为光照分量L和反射分量Rnoise;

步骤3、基于图像内容的非局部相似性原理,利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束;

步骤4、基于深度学习理论,借助正常光照条件下图像去噪任务的公开数据集,为增强后的图像Ien noise构建噪声去除外部先验约束;

步骤5、结合所述步骤3中的内部先验约束和步骤4中的外部先验约束,构建联合优化目标函数,交替优化求解无噪声的反射分量R和去噪后的增强图像Ion;

步骤6、根据所述反射分量R的更新,构建收敛条件,并判断是否已达到可行解;

步骤7、将 作为最终的增强结果;

所述步骤3的具体过程如下:

依据图像内容的非局部自相似性原理,利用低秩矩阵恢复理论对反射分量Rnoise构建噪声去除内部先验约束,令无噪声的反射分量为R,则内部先验约束如下:其中:||Nij(R)||*代表矩阵Nij(R)的核范数;矩阵Nij(R)是依据图像内容的非局部自相似原理构建:确定R中以像素点(i,j)为中心,大小为b·b的图像块Rij;在R中搜索到n个与块Rij相似的图像块,让这些块连接构成矩阵所述步骤4的具体过程如下:依据步骤2中求取的光照分量L和反射分量Rnoise,经伽马(Gamma)校正,增强后的含有噪声图像Ien noise可表示为 依据深度学习理论,借助正常光照条件下图像去噪任务的公开数据集,提前训练一个深度即插即用模块;基于此模块,为ien‑noise构建噪声去除外部先验约束,具体表示如下:其中:Ien代表去噪声后的增强图像, 是保真项,Θ(Ien)代表采用深度即插即用模块构建的噪声去除正则化项;

所述步骤5的具体过程如下:

将步骤3里构建的内部先验约束公式(5)与步骤4里构建的外部先验约束公式(6)相结合,构建基于双重互补先验约束的联合优化目标函数:公式(7)可采用交替优化迭代法求解,采用拉格朗日乘子法,引入变量,得到新的目标函数:其中:α是正则化参数;

步骤5.1、在公式(8)中,待增强低照度图像Ilow,光照分量L和增强后的噪声图像ien‑noise已知,初始化H为元素全为0的矩阵;然后固定变量Ien和H,求解反射分量R的子问题为:上述(9)式可简化为:

公式(10)是经典的低秩矩阵恢复模型,可采用奇异值收缩法(SVT,Singular Value Thresholding)求取反射分量R;

步骤5.2、在公式(8)中固定变量R和H,求解Ien的子问题可化简为:上述(11)式可以化简为以下优化目标函数:

将 输入到提前训练好的深度即插即用模块里,求解得到Ien;

步骤5.3、依据步骤5.1和5.2求取的反射分量R和Ien,更新变量H的值,具体计算方法如下:根据公式(10)、(12)及(13)交替更新R、Ien和H的值。

2.如权利要求1所述的基于双重互补先验约束的低照度图像增强与去噪方法,其特征在于,所述步骤6具体如下:根据公式(10)、(12)与(13)交替迭代更新R、Ien及H的值,直至R的更新幅度小于给定的收敛条件:t t‑1

其中,R与R 分别表示第t次和第t‑1次迭代求取的反射分量,ρ是给定的阈值。

3.如权利要求2所述的基于双重互补先验约束的低照度图像增强与去噪方法,其特征在于,步骤7具体为:当公式(14)的收敛条件达到时,将求取的R作为最终的反射分量,则最终的增强结果可表示为

4.如权利要求2所述的基于双重互补先验约束的低照度图像增强与去噪方法,其特征在于,所述步骤2的具体过程如下:在上述步骤1中获取的低照度图像Ilow中常含有噪声,根据Retinex模型理论,Ilow可分解为光照分量L和反射分量Rnoise的哈达玛积,即:为了求取光照分量L和反射分量Rnoise,步骤2的具体操作如下:步骤2.1、为L构建了以下优化目标函数:

上述(2)式中 表示矩阵Frobenius范数的平方, 约束,|| ||l1表示矩阵的L1‑6范数, 为梯度算子, 约束;引入ε=10 ,(2)式可直接求解;W(i,j)代表权重矩阵W在像素(i,j)点的值, 表示光照分量在像素(i,j)点的梯度,∑是求和符号;其中权重矩阵W计算方法如下:其中:Gσ是标准偏差为σ的高斯滤波器,*表示卷积运算;

步骤2.2、根据步骤2.1求取光照分量L后,可直接用下式求取反射分量Rnoise:其中: 表示两个矩阵中对应元素相除,max(L,ε)。