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: 2023108051142
申请人: 南京邮电大学
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:2026-11-16
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:

1.一种基于高阶曲线迭代的无参考低光照图像增强方法,其特征在于,包括以下步骤:

步骤1)将用于训练的原始图像进行大小缩放、格式转换以及归一化预处理操作得到预处理图像;

步骤2)将预处理图像输入到一个包含8层特征提取层和2层采样层的参数构建网络中,提取预处理图像的特征,得到特征映射参数PM;

步骤3)将预处理图像和特征映射参数PM输入到一个高阶的迭代增强网络进行迭代增强得到临时增强图像;

步骤4)结合临时增强图像、原始图像和无参考损失函数优化的特征映射参数PM,得到最优特征映射参数PMB;

步骤5)将用于测试的原始图像进行大小缩放、格式转换以及归一化预处理操作得到预处理图像;

步骤6)将预处理图像和最优特征映射参数PMB输入到高阶迭代增强网络中,以得到最后增强图像。

2.根据权利要求1所述的图像增强方法,其特征在于,所述步骤1具体为:对原始图像进行预处理:将大小为512×512的原始图像缩放为256×256并转换为张量格式,再将张量格式的图像从[0,255]区间归一化到[0,1]区间。

3.根据权利要求1所述的图像增强方法,其特征在于,所述步骤2具体为:

步骤2‑1)参数构建网络是以卷积神经网络为基础搭建的10层网络,其中第1层至第6层、第8层至第9层为特征提取层,第7层和第10层为上采样层,预处理图像经过参数构建网络提取特征信息,可以得到24通道的特征映射参数PM;

步骤2‑2)对于特征提取层,第1层、第3层和第5层采用残差跳跃连接,即分别将这3层的输入特征图与输出特征图相加,第4层的输出特征图与第5层的输出特征图利用Concat融合特征之后输入到第6层,第3层的输出特征图与第7层的输出特征图利用Concat融合特征之后输入到第8层,第2层的输出特征图与第8层的输出特征图利用Concat融合特征之后输入到第9层;

步骤2‑3)对于采样层,第7层和第10层均采用双线性插值法对输入特征图进行上采样,利用第2层输出特征图的大小来规定第7层输出特征图的大小,利用预处理图像的大小来规定第10层输出特征图的大小;

步骤2‑4)特征提取层结构统一,主要由卷积层和激活函数层组成,其中卷积层主要选用逐点卷积和深度卷积,逐点卷积层的卷积核大小为1×1,深度卷积层的卷积核大小为3×

3,第一个逐点卷积层的输入通道数和Pn‑1的通道数Cn‑1保持一致,第二个逐点卷积层的输出通道数和Pn的通道数Cn保持一致,Pn‑1为上一个特征提取层的输出特征图,同时也是当前特征提取层的输入特征图,Pn则为当前特征提取层的输出特征图,同时也是下一个特征提取层的输入特征图,在这两个逐点卷积层之间的所有深度卷积层的输入、输出通道数都保持一致,第1层至第6层、第8层至第9层依次为6、48、48、96、96、96、96、48。

4.根据权利要求1所述的图像增强方法,其特征在于,所述步骤3具体为:

步骤3‑1)迭代增强网络由8个迭代增强层组成,其中每个迭代增强层结构相同,均需完成一次曲线迭代的操作以达到逐步增强图像的效果,迭代公式如下:Ixn=Ix(n‑1)+PMn×(1‑Ix(n‑1)),n∈[1,8]

其中Ixn为第n个迭代增强层的增强输出图,Ix(n‑1)为第n‑1个迭代增强层的增强输入图,PMn是n个迭代增强层的特征映射参数,+表示逐元素加,×表示逐元素乘,当n取1时,迭代公式右侧的Ix(n‑1)表示输入的预处理图像;

步骤3‑2)将24×256×256的特征映射参数PM拆分为8个3×256×256的特征映射参数PMn,其中n∈[1,8],每个特征映射参数PMn都是3通道,对应增强预处理图像的R、G、B三个通道,将拆分之后的8个特征映射参数PMn分别输入到迭代增强网络的8个迭代增强层,作为第n层即当前迭代增强层的迭代映射参数来动态地调整由上一层输出的迭代增强图像Ixn‑1,完成第n层的迭代增强之后再输出新的迭代增强图像Ixn给下一个迭代增强层即第n+1层。

5.根据权利要求1所述的图像增强方法,其特征在于,所述步骤4具体为:

步骤4‑1)结合特征映射参数PM、预处理图像、临时增强图像和无参考损失函数进一步调整PM的值;本方法共采用4种损失函数,分别为照度平滑损失函数LtvA、空间一致损失函数Lspa、颜色损失函数Lcol和曝光损失函数Lexp;

步骤4‑2)照度平滑损失函数公式如下:

其中N为迭代增强网络的迭代层数,C为R、G、B三个通道, 表示水平方向的梯度运算,表示竖直方向的梯度运算,A表示像素值,LtvA以PM为输入,在R、G、B三个通道上,分别从PM的水平方向与竖直方向做像素的梯度运算,LtvA可以帮助增强图像保持相邻像素间的单调关系,使得增强图像肉眼看上去更为平整,整体观感更佳;

空间一致损失函数公式如下:

其中K为分块数量,Ω为各中心块的邻域块,Y为预处理图像,I为临时增强图像,i为邻域块索引,j为中心块索引;Lspa以预处理图像与临时增强图像作为输入,先计算预处理图像的通道像素平均值,再对预处理图像分通道进行平均池化,即对图分块,池化核和步长都为

4,并计算各中心块与其上、下、左、右四个邻域块之间的差值的绝对值,对临时增强图像也做相同操作,再进一步计算两个图之间对应块差值的平方;Lspa通过保留预处理图像与临时增强图像对应分块区域内的像素强度差异,来增强图像的空间一致性;

颜色损失函数公式如下:

其中p、q表示R、G、B三个通道中两个不同的通道,J表示通道的平均像素值,Lcol以临时增强图像作为输入,计算R、G、B三个通道的平均像素差值的平方,Lcol可以纠正增强图像中潜在的颜色偏差;

曝光损失函数公式如下:

其中M是大小为16×16的分块区域总数,k为分块索引,Y为临时增强图像中各分块区域的平均像素值,E为理想曝光系数,Lexp以临时增强图像作为输入,先将临时增强图像分通道进行平均池化,即对图分块,池化核和步长都为16,再计算各分块区域的平均像素值与理想曝光系数的差值的绝对值。

6.根据权利要求1所述的图像增强方法,其特征在于,所述步骤5具体为:对测试原始图像进行预处理,采取与训练原始图像相同的预处理方法。

7.根据权利要求1所述的图像增强方法,其特征在于,所述步骤6具体为:将用以测试的预处理图像直接输入到迭代增强网络,利用调整到最优的特征映射参数PMB动态地对测试预处理图像进行增强,迭代完成之后就可以得到最后的增强图像。