[发明专利]基于深度神经网络的低照度彩色偏振图像增强方法

权利要求书

1.一种基于深度神经网络的低照度彩色偏振图像增强方法，其特征在于，该方法包括以下步骤：

步骤1、在充足照度的环境中调节好彩色偏振相机的感光度和曝光时间进行图像采集，将采集的彩色偏振图像作为清晰彩色偏振图并作标签，之后在镜头前加装2％衰减率的可见光中性衰减片，形成低照度环境，采集彩色偏振图片作为低照度彩色偏振图像；将充足曝光的清晰彩色偏振图像和低照度的彩色偏振图像构建成图像数据集；

步骤2、对图像数据集中每一幅偏振图像进行预处理：将步骤1中采集到的原偏振图像I_orig(x,y)根据像素点的位置(x,y)先拆分成颜色通道分别为红色、绿色、蓝色三幅颜色子图，再分别对每个颜色子图拆分成偏振方向分别为0°、45°、90°、135°的四幅偏振子图，然后合并成一个十二个通道的三维数组，最后裁剪为大小为64×64×12的三维数组块，作为数据集；

步骤3、将经步骤2预处理的图像数据集按照3:1:1的比例拆分为训练集、验证集和测试集；

步骤4、构建用于低照度彩色偏振图像增强的深度神经网络，具体为构建依序连接的浅层特征提取模块、残差-密集连接模块和特征融合模块，三个模块的具体特征为：

浅层特征提取模块包括两层卷积层，卷积核大小均为3×3，卷积核的数量为64；

残差-密集连接模块包括卷积层、作为激活函数的线性修正单元函数、级联层、1×1卷积层和局部残差连接组成，各层之间采用密集连接的方式进行特征组合；

特征融合模块包括一个级联层、一个1×1卷积层和一个3×3卷积层；用于将前序所有的残差-密集连接模块特征融合，并输出预测的清晰图像；

步骤5、设计该深度神经网络的损失函数，用于优化网络中的所有可训练参数，损失函数如式(1)所示：

其中，N表示每一次训练时所用的低照度偏振图像和正常曝光偏振图像组成的训练样本对的总数，(x,y)表示图像上各像素点的坐标位置，表示通过可训练参数Θ所得到的第i幅预测图像，表示与预测图像对应的清晰光强图像；

步骤6、将步骤3中的训练集放到步骤4构建的深度神经网络中进行训练，并将验证集同步放入深度神经网络中进行效果验证，通过训练过程不断调节部分网络参数，直至得到训练完成的深度神经网络训练模型；

步骤7、将步骤3中的测试集放到步骤6中训练好的深度神经网络训练模型进行测试，输出最终的图像增强结果。