[发明专利]基于自编码网络结构的低照度图像增强方法

权利要求书

1.一种基于自编码网络结构的低照度图像增强方法，其特征在于，包括如下：

(1)构建训练样本集和测试样本集：即从公开的包含低照度图像和正常照度图像对的暗光数据集中，选取15对场景有代表性的图片作为测试样集，其余的图片对作为训练样本集；

(2)构建低照度图像增强网络：

(2a)构建由下采样网络和反卷积网络级联组成的低照度图像增强网络模型；

(2b)根据训练样本集中的低照度图像和正常照度图像，获得引导图像F:

其中，I_HM为正常照度图像最大值，I_LM为低照度图像最大值，A为调整权重；

(2c)将训练样本集中的低照度图像与(2b)中获得的引导图像F的乘积输入(2a)构建的低照度图像增强网络模型中，得到初始输出图像；

(2d)根据训练样本集中的正常照度图像、低照度图像和(2c)中得到的初始输出图像,获得正常照度图像的光照图N_L、正常照度图像的反射图N_R、低照度图像的光照图U_L、低照度图像的反射图U_R、输出图像的光照图O_L、输出图像的反射图O_R：

其中，N_i为正常照度图像的第i个通道，U_i为低照度图像的第i个通道,O_i为输出图像的第i个通道；i∈{1,2,3}，i＝1、i＝2和i＝3分别代表图像的红色、绿色和蓝色通道；

(2e)定义低照度图像增强网络的总损失函数L_t：

L_t＝w_p×L_p+w_s×L_s+w_g×L_g+w_r×L_r，

其中，L_p为像素间损失函数，L_s为结构相似度损失函数，L_g梯度距离损失函数，L_r为反射图损失函数；w_p、w_s、w_g和w_r分别是L_p、L_s、L_g和L_r的权重；

(3)训练(2a)所构建的网络模型：

(3a)初始化下采样网络和反卷积网络的参数，设置迭代次数为e＝1，最大迭代次数为K，K≥1000；

(3b)计算训练样本集中的低照度图像与(2b)获得的引导图像F的乘积；

(3c)将(3b)中获得的乘积输入(2a)所构建的网络模型中，得到迭代输出图像；

(3d)基于(2e)所定义的总损失函数L_t，并根据(3c)中获得的迭代输出图像和训练样本集中的正常照度图像，计算出损失函数值；

(3e)利用随机梯度下降算法最小化(3d)计算出的损失函数值；

(3f)判断e是否等于最大迭代次数K，如果是，则保存训练好的低照度图像增强网络模型，并结束训练，否则，令e加1,并返回(3b)；

(3g)将测试样本集中的低照度图像输入(3f)中保存的低照度图像增强网络模型中，得到增强图像并保存。

2.根据权利要求1所述的方法，其特征在于，(2a)中的下采样网络，依次由一个输入层、九个卷积层、九个批归一化层、十三个Relu非线性单元、四个通道注意力残差模块、四个空间注意力残差模块和四个最大池化层级联组成；

所述卷积层，其卷积核尺寸为3，步长为1，补零数为1；

所述通道注意力残差模块，其平均池化窗口尺寸为1；

所述空间注意力残差模块，其卷积核尺寸为3，步长为1，补零数为1；

所述最大池化层，其池化核尺寸为2，池化步长为2。