[发明专利]一种基于条件重增强网络的低照度图像增强方法

权利要求书

1.一种基于条件重增强网络的低照度图像增强方法，其特征在于，包括以下步骤：

将待增强低照度图像S′及其最大值通道图像S′_max和其期望最大值通道图像S′_{expect_max}合并为M*N*5的矩阵作为条件重增强网络的输入，利用训练好的条件重增强网络对低照度图像进行增强处理，获得最终增强图像E；

所述待增强低照度图像S′为M*N*3的矩阵，M为行数，N为列数，3为{r,g,b}三个颜色通道；S′_max通过取三个颜色通道中的最大值得到，为M*N*1的矩阵；S′_{expect_max}利用任意图像增强方法对S′_max进行增强后得到，或通过任意图像增强方法对S′做增强处理后取最大值通道图像得到，为M*N*1的矩阵；所获得的最终增强图像E为M*N*3的矩阵；

所述的条件重增强网络的结构如下：

输入分别输入第一卷积层和第二卷积层，第一卷积层、第二卷积层分别为9*9的卷积层和3*3的卷积层；

第一卷积层连接第三卷积单元，所述第三卷积单元为3*3的卷积层后连接一个ReLU层；

第三卷积单元连接第四卷积单元，第四卷积单元连接第五卷积单元，第五卷积单元连接第六卷积单元，第四卷积单元、第五卷积单元、第六卷积单元均为3*3的卷积层后连接一个ReLU层；

第六卷积单元的输出与第三卷积单元的输出进行Concat操作后输入第七卷积单元，第七卷积单元为3*3的卷积层后连接一个ReLU层；

第七卷积单元的输出与第二卷积单元的输出进行Concat操作后输入第八卷积单元，第八卷积单元为1*1的卷积层后连接一个ReLU层；

第八卷积单元的输出连接第九卷积单元，第九卷积单元连接第十卷积单元，第十卷积单元连接第十一卷积单元，第九卷积单元、第十卷积单元、第十一卷积单元均为1*1的卷积层后连接一个ReLU层；

第十一卷积单元的输出输入第十二卷积层，第十二卷积层连接第十三卷积层，第十二卷积层、第十三卷积层均为3*3的卷积层；

第十三卷积层连接一个Sigmoid激活函数层；

Sigmoid激活函数层连接输出层，输出为最终增强图像E；

所述条件重增强网络的训练过程包括以下步骤：

s1、利用低照度图像S及对应的正常照度图像H作为图像对，构建训练数据集；

低照度图像S为M*N*3的矩阵，M为行数，N为列数，3为{r,g,b}三个颜色通道；

s2、对于训练数据集中每一张低照度图像S及其对应正常照度图像H，分别提取对应的最大值通道图像，分别为S_max和H_max；S_max和H_max均为M*N*1的矩阵；

s3、对正常照度图像H的最大值通道图像H_max添加模糊及噪声，或对低照度图像S的最大值通道S_max做色调映射，得到期望最大值通道图像S_{expect_max}；S_{expect_max}为M*N*1的矩阵；

s4、以正常照度图像H作为监督图像，将低照度图像S及最大值通道图像S_max和期望最大值通道图像S_{expect_max}合并为M*N*5的矩阵作为条件重增强网络的输入，利用损失函数训练条件重增强网络，得到训练好的条件重增强网络。