[发明专利]一种基于卷积神经网络的联合图像去噪与弱光增强方法

说明书

本发明提出了一种基于CNN的弱光图像去噪与增强模型，结合了类似自编码器结构在细节重构与残差学习在深层网络模型上优势，通过对原始清晰无噪声图像降亮度值并增加噪声信号，得到弱光和噪声训练数据集。利用损失函数，训练一个图像去噪增强器，对批量图像进行去噪与弱光增强。通过与其他4种方法的对比，本发明模型在BSD68数据集的PSNR和SSIM值可同时达到25.23dB和0.927，取得优异的效果。最后，采集自然暗光条件下的图像(含多种噪声)，用预训练模型去噪与对比度增强，结果表明本发明所提出模型对自然暗光场景的图像恢复的PSNR和SSIM达到14.03dB和0.423，对比度增强效果明显。

技术领域

本发明属于图像处理领域，具体涉及一种基于卷积神经网络的联合图像去噪与弱光增强方法，能够解决弱光含噪声图像的对比度增强和去噪问题。

背景技术

图像质量提升是图像领域研究的重要任务，高质量图像为图像后续处理过程提供保障。然而，受到诸如图像采集系统的误差、特殊的拍摄环境等因素的影响，往往不能直接获取清晰的、高对比度的图像。在图像质量的影响因素中，噪声和光照是两个主要影响因素，噪声较大的图像会产生模糊、局部细节不清晰等，而较弱或较强光照则影响图像对比度，造成图像前景与背景难以区分等。因此，同时实现图像去噪和弱光增强具有重要的研究价值和应用前景。

对于图像对比度增强，基于直方图均衡化(Histogram equalization，HE)方法应用广泛，通过对单个像素值的重新计算与变换以提升图像对比度，这对于前景与背景差异不大的图像有着较好的表现能力，但却会伴随图像产生伪影。对于图像去噪，三维块匹配(Block-matching and 3D filtering，BM3D)及其改进方法在含高斯噪声图像去噪方面表现优异，然而其对于图像盲去噪表现却不理想。在实际图像质量提高过程中，由于增强对比度的同时伴随着噪声信号的扩大，而去除噪声信号的同时往往会将弱光图像特征变得模糊，因此导致联合图像去噪与弱光照增强方面不能表现出良好的效果。近几年来，随着人工智能技术的快速发展，基于深度学习的方法在图像领域表现了突出的性能，包括图像识别与分类等，在图像去噪与弱光增强方面也取得了前所未有的成就。

联合图像去噪与对比度增强：(1)Li等人提出一种联合去噪增强框架，设计基于去噪卷积神经网络(Denoise Convolutional Neural Network，DnCNN)的算法与改进大气散射模型分别实现图像去噪与图像对比度增强，该方法有较强的去噪与对比度恢复能力；(2)Lin等人采用BM3D滤波器和带结构滤波器自适应地提取出平滑的基层与一阶微分图像层，并将两部分图像结合得到一个无噪声、保留细节的正常光照图像。然而以上两种深度学习方法在光照增强方面通常会产生过增强，即弱光图像被过度放大而显得不真实；(3)Kin等人提出一种基于深度自编码的弱光图像增强(Low-Light Net，LLNet)方法，通过构建一个堆叠式深度去噪自编码器以自适应地实现图像去噪和亮化处理，但是该方法对自然场景下弱光图像增强与噪声抑制有很大的限制。

发明内容

在数字图像处理过程中，在同一个任务中去噪与图像增强任务并不是分开进行的。图像去噪的过程对图像局部特征有影响，同时图像增强也会客观的增强了噪声。由于图像的增强并不是明确的增强到某一指定值，即允许图像亮度值在某一个微小的变化范围中，这不会对图像质量产生很大的影响，但峰值信噪比(Peak Signal to Noise Ratio，PSNR)值却会有巨大差异，同时考虑到弱光条件下潜在噪声的影响，所以应把图像去噪作为首要任务。

为了达到上述目的，本发明提供的技术方案是：一种基于卷积神经网络(Convolutional Neural Network，CNN)的联合图像去噪与弱光增强方法，包括如下步骤：

步骤1，设计残差学习卷积神经网络模型，该模型包括1个预处理模块与4个去噪增强模块和最后单通道输出部分；