[发明专利]基于深度学习的用于图像处理的动态调光背光扩散方法

权利要求书

1.一种基于深度学习的用于图像处理的动态调光背光扩散方法，其特征在于，包括：读取样本图像以及获取与所述样本图像对应的补偿图像，采用区域背光提取算法提取样本图像的背光亮度；将背光亮度输入至基于深度学习背光扩散模型进行背光亮度扩散，输出背光亮度扩散图像，所述的背光扩散模型是以不同图像为样本集，经过深度学习训练建立；将背光亮度扩散图像与补偿图像相乘，得到显像图像，确定显像图像与样本图像间的误差，用所述的误差更新背光扩散模型，得到最终的背光扩散模型；具体包括如下步骤：

1)确定样本集，所述样本集包括各种亮度等级、对比度和各种场景的图像；

2)对样本集中样本图像进行预处理；

3)对预处理后的样本集进行数据增强，所述数据增强包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动；

4)采用像素补偿方法分别处理样本集的所有样本图像，得到与样本图像对应的补偿图像；

5)采用区域背光提取算法对样本集的样本图像提取背光亮度，得到背光亮度图像；

6)基于全卷积神经网络结构，建立背光扩散模型；

所述的背光扩散模型，是采用四层上采样模型对背光亮度进行上采样，针对深度神经网络训练中的梯度消失和爆炸问题，引入残差网络并在相应的卷积层后面添加批量归一化层；

所述的背光扩散模型，包括依次串联设置的第一卷积模块(1)、第二卷积模块(2)、第一双线性插值模块(3)、第一残差块(4)、第二双线性插值模块(5)、第二残差块(6)、第三双线性插值模块(7)、第三残差块(8)、第四双线性插值模块(9)、第四残差块(10)和第三卷积模块(11)；其中，所述第一卷积模块(1)的输入为背光亮度图像，第三卷积模块(11)的输出为背光扩散图像；

所述的第一残差块(4)、第二残差块(6)、第三残差块(8)和第四残差块(10)结构相同，均包括：第四卷积模块(12)、第一批量归一化模块(13)、第一线性整流函数(14)、第五卷积模块(15)、第二批量归一化模块(16)、加法器(17)和第二线性整流函数(18)；其中，所述第一残差块(4)中的第四卷积模块(12)的输入和加法器(17)的另一输入均为第一双线性插值模块(3)的输出，所述第一残差块(4)中的第二线性整流函数(18)的输出为第二双线性插值模块(5)的输入；所述第二残差块(6)中的第四卷积模块(12)的输入和第二残差块(6)中的加法器(17)的另一输入均为第二双线性插值模块(5)的输出，所述第二残差块(6)中的第二线性整流函数(18)的输出为第三双线性插值模块(7)的输入；所述第三残差块(8)中的第四卷积模块(12)的输入和第三残差块(8)中的加法器(17)的另一输入均为第三双线性插值模块(7)的输出，所述第三残差块(8)中的第二线性整流函数(18)的输出为第四双线性插值模块(9)的输入；所述第四残差块(10)中的第四卷积模块(12)的输入和第四残差块(10)中的加法器(17)的另一输入均为第四双线性插值模块(9)的输出，所述第四残差块(10)中的第二线性整流函数(18)的输出为第三卷积模块(11)的输入；

7)训练过程初始化，具体包括背光扩散模型参数初始化、优化器初始化、学习率初始化；

8)将数据增强后的样本集和与样本集中的样本图像对应的背光亮度图像共同输入到背光扩散模型中；

9)将背光扩散模型输出的背光扩散图像与样本图像对应的补偿图像乘积，得到显像图像；

10)确定损失函数，具体是将均方误差损失函数与结构相似性损失函数的和确定为所述背光扩散模型的整体损失函数；

所述的均方误差损失函数为：

L_MSE＝MSE (2)

其中，M和N为图像的高度和宽度，Y′_i,j为输出图像的亮度，Y_i,j为原图像的亮度；

所述的结构相似性损失函数是从三个局部统计量计算两个图像之间的相似性，即均值，方差和协方差；结构相似性损失函数值的取值范围为[-1,1]，当两幅图像相同时等于1，使用标准偏差为1.5的11×11归一化高斯核估计局部统计量；定义均值，方差和协方差的权值为W＝{W(p)|p∈P,P＝{(-5,-5),…,(5,5)}}，其中p为权值的中心偏移，P为内核的所有位置；使用卷积层实现，权值W不变，对于显像图像F和对应的样本图像Y的每个位置x，结构相似性损失函数L_SSIM的计算公式如下：

其中，μ_F和是显像图像F的局部均值和方差估计，σ_FY是区域的协方差估计，μ_Y和是样本图像Y的局部均值和方差估计，C₁和C₂是为防止分母出现0的常量，N是显像图像的像素数；

将均方误差损失函数与结构相似性损失函数求和，得到整体损失函数Loss：Loss＝L_MSE+αL_SSIM，α是均方误差损失函数和结构相似性损失函数之间的权重；

11)根据整体损失函数确定所述背光扩散模型的误差，是将显像图像与所述显像图像对应的样本图像输入到所述整体损失函数中，得到背光扩散模型的误差；

12)将所述背光扩散模型的误差反向传播，调整所述背光扩散模型的参数，对所述背光扩散模型进行优化；

13)返回步骤7)，对所述背光扩散模型进行迭代训练，直到所述整体损失函数收敛，训练完成后得到最终的背光扩散模型。