[发明专利]一种基于改进的胶囊网络的低照度增强方法

说明书

本发明公开了一种基于改进的胶囊网络的低照度增强方法，具体步骤如下：（一）采集数据源，制作数据集，对所有图像数据进行像素值归一化处理；（二）进行改进的胶囊网络的构建，其中前三层为编码器，后三层为解码器；（三）计算损失函数；（四）进行网络的训练，重构图像及进行参数更新得到增强后的图像。本发明在低光环境下拍摄的图像不受到低动态范围和噪声的影响并仍得到接近于正常照度下的图。

技术领域

本发明涉及深度学习、图像增强技术领域，尤其涉及一种基于改进的胶囊网络的低照度增强方法。

背景技术

现实生活中有大量在低光环境下拍摄的图像，在运用时很多信息无法准确获取，肉眼难以分辨，也对一些类似目标检测、复原等图像处理造成了困难。目前随着卷积神经网络(CNN)在图像处理领域获得巨大成功，很多人也将CNN引入图像增强中，但是由于pooling层导致大量信息丢失，以至于增强后的图像轮廓以及细节处易模糊，这一直是图像增强技术领域待解决的问题。

胶囊网络(CapsNet)是由Hinton等人于2017年提出的全新的网络，Hinto认为要让深度神经网络变得更聪明，就要向无监督学习过渡，反向传播是时候该放弃了，而胶囊形式的网络则是未来深度学习发展的一个趋势，更符合生物学上的神经组织。

本发明新提出的改进的胶囊网络将多个神经元组合成可以包含多种信息的胶囊向量，更好的保留信息，没有pooling层，同时避免了由于pooling层导致的信息丢失，胶囊间的权重更新使用的是一种通过点积迭代来耦合的方式，而非反向传播。并且通过点积更准确的获取特征之间的位置关系，拥有空间分层和空间推理的能力，不需要大量的数据即可以获得较高的精度，对于处理拥挤重叠的场景也非常有优势，在检测识别领域有较好的表现，Hinton表示还会有更完善的胶囊网络正在筹备中。其网络结构如图1所示。

在上述理论基础上，本发明提出了利用胶囊网络结构，将输入图像改为低照度下的弱可见光图像，输出为增强后的图像；并加入跳跃连接将一些非实例信息传入全连接重构中，确保重构信息的完整性，并且弥补了胶囊网络由于参数过多导致的速度慢的缺陷；对原有的损失函数比重也进行了修改，提升了重构损失的比重，达到对低照度图像进行图像增强的效果。

发明内容

针对现有技术的不足，本发明所解决的技术问题是如何能在低光环境下拍摄的图像通过改进的胶囊网络得到接近于正常照度下的图像。

为解决上述技术问题，本发明采用的技术方案是一种基于改进的胶囊网络的低照度增强方法，具体步骤如下：

(一)采集数据源，制作数据集，对所有图像数据进行像素值归一化处理，具体过程如下：

(1)分别采集正常光照条件的图片和相对应低照度条件的图片作为数据对，然后将所有图片同一规格大小，形成数据集，根据训练与测试的需求，将数据集分为5个数据集，分别为：

采集正常光照下的可见光训练样本标签集Nor_train；

采集正常光照下的可见光训练样本图像高级实例标签集Nor_ins_train；

采集正常光照下的可见光测试样本标签集Nor_test；

采集低照度下的弱可见光训练样本标签集Low_train；

采集低照度下的弱可见光测试样本标签集Low_test；

(2)对所有图像数据进行像素值归一化处理，将低照度下的弱可见光训练样本标签集作为网络的训练样本，图像像素值归一化操作对所有图像数据进行像素值归一化处理，将像素值映射到[0,1]的范围内，如下表所示：

(二)进行改进的胶囊网络的构建，其中前三层为编码器，后三层为解码器，具体过程如下：

(1)输入：Nor_train数据集中的低照度图像；