[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

说明书

一种基于条件重增强网络的低照度图像增强方法，属于数字图像处理领域。本发明为解决现有低照度图像增强方法中存在的无法同时处理低对比度、低亮度、噪声和颜色退化的问题。本发明提出的增强方法中包含一个条件重增强网络，该网络的输入为低照度图像及其最大值通道图像和其期望最大值通道图像，输出为最终增强图像。期望最大值通道图像在训练阶段通过对监督图像的最大值通道图像添加模糊和噪声或对低照度图像最大值通道图像做色调映射得到，在测试阶段为经过任意图像增强方法处理后的低照度图像的最大值通道图像。本发明可以显著增强低照度图像的亮度、对比度，同时去除噪声并减少颜色失真现象。本发明可以用于低照度图像的增强。

技术领域

本发明属于数字图像处理领域，具体涉及低照度图像的增强方法。

背景技术

相机是各类无人设备的重要感知元件，然而在很多低照度环境中，如夜间、暗室等环境，所获取的图像往往存在对比度低，亮度低，噪声高，颜色退化等问题。近期基于深度学习的方法在各类图像处理任务中取得了很好的效果，目前在低照度图像增强领域中，基于深度学习的图像增强方法可以分为有监督和无监督两类。

基于深度学习的无监督图像增强方法：该类方法不需要成对的低照度图像和正常照度图像，因此在构建训练数据集时不需要投入过多的成本，且对不同环境具有很高的适应性。但是该类方法多集中在提高图像的对比度和亮度，处理结果往往存在严重的噪声和颜色失真。

基于深度学习的有监督图像增强方法：该类方法需要成对的低照度图像和正常照度图像，然而不同于检测识别等任务中可以为训练提供真实准确地监督，在低照度图像处理任务中，往往不存在真实的监督图像。一张低照度图像可以对应很多正常照度图像，难以定量的选择一张最好的图片作为监督。同时该类方法中往往需要一个超参数来将输入和输出联系起来，如引入曝光时间比、平均亮度比等作为超参。在实际测试中，由于无法自动获取超参数，需要人为调节参数，极大限制了方法的应用。

综上所述，尽管现有基于深度学习的算法在低照度图像增强方面取得了不错效果，但仍存在以下问题：有监督的训练方法存在如何选择最优参考图像和需要人为调参等两大问题，这严重限制了算法在实际场景中的应用；无监督的方法集中在增强对比度和亮度，无法很好地处理噪声和颜色失真问题，导致图像增强效果不佳。

发明内容

本发明为解决现有的低照度图像增强方法存在的需要人为选择最优监督图像和人为调参，无法同时处理低对比度、低亮度和噪声及颜色失真的问题，提出了一种基于条件重增强网络的低照度图像增强方法。

一种基于条件重增强网络的低照度图像增强方法，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}可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；

S′_{expect_max}为条件重增强网络的条件，该网络可以实现对其它增强算法处理后低照度图像的重增强，进而实现同时解决低照度图像存在的低对比度、低亮度、噪声和颜色退化问题。

进一步地，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；