[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

说明书

本发明公开了一种基于多尺度上下文聚合网络的低照度成像算法及装置，该算法包括：对原始图像进行打包变换像素通道的预处理；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；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。本发明提出的算法效率较高，能够提高信噪比，增强显示图像细节，很好地还原低照度成像图像的细节部分，提高低照度图像亮度，使视频图像能在低照度环境下快速清晰成像。

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于多尺度上下文聚合网络的低照度成像算法及装置。

背景技术

大多数室外视觉系统，如视频监控、目标识别和卫星遥感监测等，都需要获取清晰的图像特征。但是在低照度条件下(如夜间等环境)，由于场景的照度低(光信号微弱)，导致能见度低，所观察的景物信号非常微弱，图像成像质量低，目标模糊不清，尤其在图像经过存储、转换、传输等操作后，更进一步降低了低照度图像的质量，使成像系统无法正常工作。因此，研究如何对低照度图像进行有效处理，降低光信号弱的环境对成像系统的影响具有重要研究价值。

低照度下获取的图像灰度范围窄、灰度变化不明显，且相邻像素的空间关联性高，这些特点使得图像中的细节、背景和噪声等都包含在较窄的灰度范围之内。因此为了改善低照度下获取的图像的视觉效果，将其转换为一种更适于人眼观察和计算机处理的形式，便于提取有用信息，需要对被拍摄物在低照度下的成像进行处理。

近年来，基于深度学习的图像复原研究得到了广泛关注，但现存算法，主要针对可见光图像，且退化图像一般通过人为添加噪声进行模拟，并不能反映真实图像地退化特性，因此不能够直接应用于超低照度下微光图像复原。

发明内容

本发明的目的在于提供一种基于多尺度上下文聚合网络的低照度成像算法及装置，以解决现有技术中低照度下成像质量不高，细节显示不清楚的问题。

为实现上述目的，本发明提供的一种基于多尺度上下文聚合网络的低照度成像算法，包括：

步骤101：对原始图像进行打包变换像素通道的预处理；

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；

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，α为高光部分调节参数，参数范围一般为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。

优选地，所述步骤101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。