[发明专利]基于多尺度上下文聚合网络的低照度成像算法及装置

权利要求书

1.一种基于多尺度上下文聚合网络的低照度成像算法，其特征在于：包括：

步骤101：对原始图像进行打包变换像素通道的预处理；包括：对于Bayer数组，将输入打包为四个通道并在每个通道上将空间分辨率降低一半；对于X-Trans数组，通过交换相邻通道元素的方法将36个通道的数组打包成9个通道；消除黑色像素并按照期望的倍数缩放数据，并将处理后数据作为前端数据输入，输出是一个带12通道的图像，其空间分辨率只有输入的一半；

步骤102：利用步骤101中预处理的图像进行CAN网络的数据训练，包括：在训练CAN网络中使用Adam优化器，从零开始训练，在训练期间，网络输入是原始的短曝光图像，在sRGB空间中的真实数据是相应的长曝光时间图像，为每台相机训练一个网络，并将原始图像和参考图像之间曝光时间的倍数差作为放大因子；基于相应数据库训练模型完成后，每次输入预处理处理后的低照度Bayer图像，则输出对应的sRGB空间结果图像；

步骤103：通过训练后的CAN网络对采集到的低照度图像进行处理，并对处理后的图像进行快速宽动态处理，并输出最终图像，其中所述快速宽动态处理步骤包括：将一帧视频图像分为高光部分和低光部分，对高光部分和低光部分分别进行调整，对低光部分进行调整采用的算法公式为：

，

其中，Y₂为低光补偿部分的值，k为预设的低光补偿参数，I为输入的视频图像的像素值，Y₁为预处理部分输入的视频图像的修正值；

对高光部分进行调整采用的算法公式为：

，

其中，Y₃为高光补偿部分的值，α为高光部分调节参数，参数范围为0.7～1，Max a为视频图像的像素最大值；

经过校正后输出的宽动态视频图像为：

其中，Y为宽动态算法处理后最终系统输出的视频图像；

其中，CAN网络训练的公式如下所示：

其中，是s层L^s的第i个特征层，*r_s代表空洞卷积操作，代表3×3的卷积核，是偏置项，ψ^s是自适应的归一化函数，φ是像素级的非线性单元LReLU：φ(x)＝max(αx,x)，其中α取的是0.2。

2.如权利要求1所述的一种基于多尺度上下文聚合网络的低照度成像算法，其特征在于：采用均方误差作为损失函数进行训练。

3.如权利要求2所述的一种基于多尺度上下文聚合网络的低照度成像算法，其特征在于：所述步骤102中的数据训练还包括：

在每次训练迭代中，随机裁剪一个512×512的补丁用于训练并利用翻转、旋转操作来随机增强数据，初始学习率设定为0.0001，在2000次迭代后学习率降为0.00001，训练一共进行4000次迭代。

4.一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的基于多尺度上下文聚合网络的低照度成像算法的步骤。