[发明专利]基于尺度感知和细节增强模型的低光图像增强方法

权利要求书

1.基于尺度感知和细节增强模型的低光图像增强方法，其特征在于，包括如下步骤：

步骤1：在低光情况下，采集图片信号K；

步骤2：将RGB通道图片转为HSV通道图片；

使用HSV变换，将RGB通道图片K转换为HSV通道图片P,其中H代表色调、S代表饱和度、V代表亮度；

步骤3：在图片P的V通道，使用以下模型对图片进行分解

其中M为权重矩阵，其具体的确定方式见3，θ为关于权重矩阵M的角矩阵；

R、I、N分别为P待分解的反射分量、照明分量和噪声分量；

运算符表示元素乘法，即两个大小相同的矩阵对应位置的乘积；表示一阶差分，表示x方向的一阶差分，表示y方向的一阶差分；||·||₁代表矩阵的L1范数,||·||₂代表矩阵的L2范数；保持观察到的图像P和重构图像之间的保真度；确保照度图的尺度感知结构平滑度；是尺度感知算子，M是其对应的权重矩阵，具体的确定方式见3；对应于反射分量的稀疏度,让反射分量R保持分段连续性；用于避免基于L2范数白路径假设的缩放问题；为噪声分量的保真度项，用于保证模型的准确性；α,γ,δ和β分别为正惩罚因子，用于平衡模型中的各项；I₀为P的平均像素值；

步骤4，使用增广拉格朗日模型进行求解，求得图片的照明分量，反射分量和噪声分量；

使用增广拉格朗日法对公式(1)进行迭代求解，各项更新公式如下：

对于反射分量R：

其中Δ＝0.001，用于避免分母为0；μ₂＝0.6；为一阶差分；为一阶差分的转置；R^(t)、N^(t)、I^(t)、分别为矩阵R、N、I、G₃、Z₃第t次迭代结果，R^(t+1)为矩阵R第t+1次迭代结果；为二维傅里叶变换；和分别表示二维傅里叶逆变换和的复共轭；中的2代表与大小相同的矩阵，矩阵的每个位置都为2；

对于照明分量I：

其中

Δ＝0.001，用于避免分母为0；R^(t)、N^(t)、I^(t)、分别为矩阵R、N、I、G₁、Z₁、Z₂、G₂第t次迭代结果；I^(t+1)代表矩阵I第t+1次迭代结果；μ₁＝0.6，γ＝0.01；E代表特征矩阵；为一阶差分；表示x方向的一阶差分，表示y方向的一阶差分；表示x方向的一阶差分转置，表示y方向的一阶差分转置；

对于噪声分量N：

其中R^(t)、I^(t)分别为矩阵R、I第t次迭代结果，N^(t+1)为矩阵N第t+1次迭代结果；δ＝0.01；

对于G₁，G₂，G₃：

其中s^(t)，I^(t)，R^(t)，分别为矩阵s,I,R,Z₁，Z₂，Z₃第t次迭代结果,分别为矩阵向量G₁，G₂，G₃第t+1次迭代结果；为一阶差分；表示x方向的一阶差分，表示y方向的一阶差分；max(a，b)取a,b中较大的值；μ₁＝μ₂＝μ＝0.6，α＝0.1，β＝0.8；

对于Z₁，Z₂，Z₃：

其中I^(t)，R^(t)，分别为矩阵I,R,G₁，G₂，G₃，Z₁，Z₂，Z₃第t次迭代结果，分别为矩阵Z₁，Z₂，Z₃第t+1次迭代结果；μ₁＝μ₂＝0.6；为一阶差分；表示x方向的一阶差分，表示y方向的一阶差分；

步骤5，重复步骤4，若满足以下条件：

ε_I＝(||I^(t+1)-I^(t)||/||I^(t)||)≤ε₁且ε_R＝(||R^(t+1)-R^(t)||/||R^(t)||)≤ε₂ (11)

其中ε₁＝ε₂＝10^-4，结束本步骤；

步骤6，使用伽马校正，对图片照明分量进行校正；

对步骤5中得到的照明分量I进行伽马矫正，公式如下：

其中γ＝2.2；

步骤7，将HSV通道图片转回RGB通道图片，算法结束。