[发明专利]图像增强方法、装置、电子设备及计算机可读存储介质

说明书

本申请公开了一种图像增强方法、装置、电子设备及计算机可读存储介质；图像增强方法，包括：通过卷积神经网络分解图像；对分解后的图像进行增强处理；所述通过卷积神经网络分解图像，包括：向卷积神经网络输入图像对；所述图像对包括低光图像与正常光图像；通过卷积层从输入图像中提取浅层特征；通过整流线性单元将RGB图像映射到反射率和照明度；使用卷积层从特征空间投影出反射率和照明度；利用反射率损失函数进行端到端微调，得到分解后的图像。本申请实施例提供的图像增强方法，能满足人的视觉需求，而且对图像增强的普适性强，准确性高、效率高，解决了图像过度增强的技术问题。

技术领域

本申请涉及图像处理技术领域，具体涉及一种图像增强方法、装置、电子设备及计算机可读存储介质。

背景技术

传统方法中，基于retinex理论主要在频域中增强图像，其假设图像可分解为反射图和照明图。除此之外，Retinex理论假设照明在空间上逐渐变化，但这种假设与实际存在一定偏差，并且MSRCR默认图像的三个通道所占比例均等，这样造成处理后的图像偏暗并带噪声。有学者在此基础上提出利用图像反射图进行图像增强，其增强的关键是对反射图的估计程度，但这种基于反射图的方法容易造成过度增强，这是现有照明图估计最常出现的问题，如今，过度曝光问题仍未得到有效解决。

发明内容

本申请的目的是提供一种图像增强方法、装置、电子设备及计算机可读存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本申请实施例的一个方面，提供一种图像增强方法，包括：

通过卷积神经网络分解图像；

对分解后的图像进行增强处理。

进一步地，所述通过卷积神经网络分解图像，包括：

向卷积神经网络输入图像对；所述图像对包括低光图像与正常光图像；

通过卷积层从输入图像中提取浅层特征；

通过整流线性单元将RGB图像映射到反射率和照明度；

使用卷积层从特征空间投影出反射率和照明度；

利用反射率损失函数进行端到端微调，得到分解后的图像。

进一步地，所述对分解后的图像进行增强处理，包括：

将反射率和照明度连接后作为输入；

对所述输入进行卷积和池化；

结合U-Net，利用最近邻插值法增大图像，保证与相结合特征图大小一致，将其对应加和；

进行特征融合，得到细节保存更完整的特征图；

使用随机梯度下降对网络进行端到端微调，得到增强后的图像。

进一步地，在所述方法中，由重建损失、不变反射率损失和平滑度损失加权求和得到损失函数。

进一步地，在所述方法中，损失函数L由重建损失L_recon、不变反射率损失L_ir和平滑度损失L_is三项组成：

L＝L_recon+λ_irL_ir+λ_isL_is，

其中λ_ir，λ_is分别表示反射率一致性和照明平滑度的系数。

根据本申请实施例的另一个方面，提供一种图像增强装置，包括：