[发明专利]一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法

权利要求书

1.一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法，其步骤包括：将待提亮光照图片分解成本质和光照，在该本质上进行噪声去除，对该光照进行提亮得到提亮后的光照，将提亮后的光照和去除噪声后的本质相乘得到正常光照图片；其中，

通过一个分解网络将待提亮光照图片分解成本质和光照；所述分解网络包括第一卷积层、多个卷积模块、第二卷积层和一个Sigmoid函数；其中，输入的低光照图片X_low依次通过第一卷积层C₀、多个所述卷积模块和第二卷积层后，将第二卷积层的输出结果通过一个Sigmoid函数映射到[0,1]范围；

通过一个提亮网络得到提亮后的光照；所述提亮网络包括一个自编码器，该自编码器包括依次连接的下采样模块D₁,D₂,D₃和上采样模块U₁,U₂,U₃，每一个下采样模块和上采样模块均由依次连接的一个最近邻操作、一个卷积操作和一个修正线性单元组成；其中，下采样模块的最近邻操作是将输入缩小0.5倍，上采样模块的最近邻操作是将输入放大2倍；上采样模块U_t的输入为下采样模块D_4-t的输出结果与上采样模块U_t-1的输出结果相加；t＝2,3；D₁的输入为低光照图片的光照和本质的组合，该组合经过D₁处理后得到的特征输入到后一个下采样模块D₂和对称的上采样模块U₃；将U₁,U₂,U₃的输出经一合并层进行合并，合并结果经过一个卷积核大小为1×1，填充为0的卷积层后，再经过一个卷积核大小为3×3，填充为1的卷积层，得到对光照分布的估计

2.如权利要求1所述的方法，其特征在于，所述分解网络包括五个卷积模块；所述第一卷积层的输出通道数为64，所述第二卷积层的输出通道数为6。

3.如权利要求1或2所述的方法，其特征在于，每一所述卷积模块由一个卷积层和一个修正线性单元组成。

4.如权利要求1或2所述的方法，其特征在于，训练所述分解网络的方法为：搜集多对正常光照和低光照图片，组合成训练数据集；其中，每对正常光照和低光照图片为拍摄同一对象的正常光照和低光照图片；设置所述分解网络的损失函数L＝L_recon+λ_irL_ir+λ_isL_is，利用所述训练数据集训练分解网络将图像分解得到本质和光照；其中，L_recon为本质分解重建损失函数，L_ir为本质保持的损失函数，L_is为结构平滑的光照保持的损失函数。

5.如权利要求4所述的方法，其特征在于，low表示分解网络的输入为低光照图片，normal表示分解网络的输入为正常光照图片，I_j表示分解网络分解结果中的光照，R_i表示分解网络分解结果中的本质，对于X_j，j＝low时对应低光照图片X_low、j＝normal时对应正常光照图片X_normal；L_ir＝||R_low-R_normal||₁，表示梯度，k为x时表示水平梯度、k为y时表示竖直梯度，R_low为分解网络输入低光照图片时得到的分解结果中的本质，R_normal为分解网络输入正常光照图片时得到的分解结果中的本质，I_i表示分解网络分解结果中的光照，符号为逐元素相乘，λ_ir为本质保持项权重、λ_is为结构平滑的光照保持项权重、λ_g为光照梯度权重。