[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

说明书

本发明公开了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：通过一个分解网络将待提亮低光照图片分解成本质和光照，在本质上进行噪声去除，将光照和本质输入一个提亮网络得到提亮后的光照，将提亮后的光照和去除噪声后的本质相乘得到最后的正常光照图片。本发明能够端对端地学习提亮低光照图像，通过机器学习方法能够取得更为精确的光照本质分解和更自然适用范围更广的提亮结果。

技术领域

本发明属于数字图像低光照增强领域，涉及图像处理上的深度学习方法，尤其涉及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。

背景技术

低光照图像增强旨在通过一张低光照图像产生高光照图像。近几年，图像低光照增强越来越受到学术界和工业界的关注。

传统图像低光照增强方法可以被分为三类。基于直方图的方法，例如直方图均衡化等，通过对图片的直方图进行约束来提亮图片。基于视网膜大脑皮层理论的方法，例如带色彩恢复的多尺度视网膜增强算法等，认为人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，通过将图片拆解成本质和光照，并对光照进行提亮来增强低光照图片。基于去雾的方法，利用低光照图片的反色与有雾的共同特性，结合去雾算法进行低光照增强。

以往的低光照增强的方法存在以下问题：参数为人工设计，并不能应对所有的低光情况；一些方法带有黑边等伪像；提亮后的图片局部过曝。

发明内容

针对上述问题和相关方法的缺陷，本发明基于视网膜大脑皮层理论提出了一个深度学习网络结构，能够端对端地学习提亮低光照图像。它首先通过一个分解网络将待提亮低光照图片分解成本质和光照，在本质上进行噪声去除，将光照和本质输入一个提亮网络得到提亮后的光照，将提亮后的光照和去除噪声后的本质相乘得到最后的正常光照图片。

本发明采用的技术方案为：

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。

进一步的，通过一个分解网络将待提亮光照图片分解成本质和光照；其中，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。

进一步的，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。

进一步的，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。

进一步的，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。