[发明专利]一种基于卷积神经网络的低光照图像增强方法

说明书

本发明所述基于卷积神经网络的低光照图像增强方法，包括以下步骤：首先在卷积模块中输入特征图像，然后通过若干卷积模块进行处理。在每个卷积模块中，都在若干条卷积层路径下对特征图像进行第一次分支处理，并将整合后的第一次分支处理数据进行第二次分支处理，得到卷积模块的输出。在最后一个卷积模块后，使用卷积层进行计算，得到神经网络的输出，利用损失函数计算网络输出的图像数据与实际图像的差值，根据差值优化卷积神经网络的参数。本发明利用卷积神经网络实现低光照图像的增强，并利用损失函数对神经网络中的参数进行约束优化，达到所期望的增加图像的亮度、对比度，提升图像主观美感的效果，并极大程度上保持图像原有的结构、细节信息。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的低光照图像增强方法。

背景技术

低光照图像的增强，主要是研究如何通过计算机进行运算，通过一定的参数的调节，对原始图像进行处理，提升图像的亮度、对比度等特性，并且保持原图中物体的纹理、结构信息，以满足人们在各领域研究、使用的需要。

随着数码产品的普及，相机、手机、监控摄像头等设备都可以很方便的采集到各种各样的图像信息。采集获取图像信息的环境多种多样。受不同环境下不同光线的影响，拍摄出来的图像的亮度、对比度等也各不相同。在实际生活中，有相当数量的图像是在光线不足或者是夜晚进行拍摄的，由于图像采集设备未能采集到足够的光子，物体在图片中的成像就会给人一种曝光不足、对比度过低的感觉。在昏暗条件下拍摄到的图像，通常也会引入噪声，如泊松噪声，会使图像发生进一步的降质。

因此，如何提高图像的亮度、对比度，增强低光照下获取到的图像，使其在人眼及其他领域应用时都能达到想要的效果，一直是图像处理领域的研究热点。使用图像增强对图像进行预处理，从而提升一些后期分析算法的效果，也是图像处理领域常见的手段。随着图像处理技术的发展和计算机计算能力的提升，低光照图像的增强技术为这些在光线不足的条件下捕捉到的图像的处理提供了很好的解决方案，可以在尽可能保持原有图像的纹理、结构信息的基础上，提高图像的亮度、对比度等特征，使图像更美观，也能够作为一种预处理方法，满足后期其他应用使用的需要。

现有的低光照图像增强的方法主要分为四大类。第一类是基于Retinex理论的图像增强技术。第二类是基于直方图均衡化的图像增强技术。第三类是利用图像的统计特性暗通道先验的图像增强技术。第四类是基于神经网络的图像增强技术。

基于Retinex理论的图像增强技术，利用了Retinex理论中的模型，即一幅图像是由光照和物体的反射组成，根据现有的图像进行计算，估计出图像中的光照情况，将光照移除就可以去除由于光照不同所带来的图像降质的影响。该方法运用到低光照图像中时，由于去除了光照不足所带来的影响，就可以得到图像增强的效果。

基于直方图均衡化的方法，通常会粗略的认为正常光照下图像的直方图是均匀分布的，利用图像的这一统计特性对图像中各个像素点的数值进行重新分配。每个像素点的像素的数值替换为满足统计特性的新值之后，即可得到增强后的图像。

使用暗通道先验的图像增强技术，借鉴了在带雾图像的增强处理中，利用正常光照下拍摄的图像的暗通道数值趋于0的特性，在实际计算中可以估算出大气散射模型中的各个参数数值，代入各项参数便可以计算。与去雾算法所不同的是，利用暗通道先验对低光照图像进行增强时，先将低光照的图像进行反相，从而使得原图中灰暗的区域变得发白，肉眼看上去有带雾的效果，从而进行去雾操作。去雾的操作完成后再次反相得到增强后的图像。

基于神经网络的图像增强技术，是Lore在2016年提出的，该方法使用的是自编码器，图像经过自编码器进行编码，再进行解码，在一层一层的参数的计算后，得到增强后的输出图像。该方法利用了学习类方法的特点，对神经网络的输出使用常见的L2进行约束。