[发明专利]模型的训练方法和装置、电子设备、机器可读存储介质

说明书

提供了一种低光照图像增强模型的训练方法，所述训练方法包括：接收低光照RGB图像，并将所述低光照RGB图像转换成HSV图像；利用深度提亮网络对所述HSV图像进行提亮处理以得到HSV提亮图像，并将所述HSV提亮图像转换成RGB提亮图像；根据所述RGB提亮图像、正常光照图像以及损失函数计算得到损失值，并根据计算得到的损失值更新所述深度提亮网络的网络参数。还提供了一种低光照图像增强模型的训练装置、电子设备和机器可读存储介质。本发明能够保证训练得到的模型对低光照图像处理得到的预测图像不会出现色偏以及过度曝光的现象，且能够更好的对图像的细节以及图像整体进行更准确的预测，获得更好的视觉直观感受。

技术领域

本发明属于图像处理和机器学习技术领域，具体地讲，涉及一种低光照图 像增强模型的训练方法和训练装置、电子设备、机器可读存储介质。

背景技术

拍照是记录我们生活中各种难忘时刻最方便的方式之一。在弱光下拍照往 往是不可避免的，但是弱光条件下拍摄的图片通常非常暗，这使得我们很难辨 别场景或对象。日常想要获得高可见度的图像，在一些公共场合又不能使用闪 光的情况下，只能增加感光度和曝光，但是增加感光度会带来很多噪声，而增 加曝光会模糊图像。目前已经提出了大量的传统方法来减轻由弱光引起的退化， 如HE(直方图均衡化)，但与传统方法相比，神经网络具有更好的特征表示。

传统的利用神经网络对低光照图像进行处理的方法主要有：基于视网膜理 论(Retinex theory)以及基于生成对抗式网络(GANs)。然而，传统的这两种 方法都不能很好地准确复原低光照图像的边缘以及部分细节。

发明内容

为了解决上述现有技术存在的技术问题，本发明提供了一种能够准确复原 低光照图像的边缘以及细节的低光照图像增强模型的训练方法和训练装置、电 子设备、机器可读存储介质。

根据本发明的实施例的一方面提供的低光照图像增强模型的训练方法，所 述训练方法包括：接收低光照RGB图像，并将所述低光照RGB图像转换成HSV 图像；利用深度提亮网络对所述HSV图像进行提亮处理以得到HSV提亮图像， 并将所述HSV提亮图像转换成RGB提亮图像；根据所述RGB提亮图像、正常 光照图像以及损失函数计算得到损失值，并根据计算得到的损失值更新所述深 度提亮网络的网络参数。

在上述一方面提供的低光照图像增强模型的训练方法的一个示例中，所述 损失函数包括结构相似性函数、感知损失函数以及全变分函数。

在上述一方面提供的低光照图像增强模型的训练方法的一个示例中，所述 损失函数被表示为下面的式子1，

[式子1]L＝L_ssim+L_per+0.001×L_tv

其中，L表示所述损失函数，L_ssim表示所述结构相似性函数，L_per表 示所述感知损失函数，L_tv表示所述全变分函数。

在上述一方面提供的低光照图像增强模型的训练方法的一个示例中，所述 感知损失函数包括图像损失函数、特征重构损失函数以及风格重建损失函数， 所述图像损失函数表示所述RGB提亮图像和正常光照图像之间的均方误差。

在上述一方面提供的低光照图像增强模型的训练方法的一个示例中，所述 感知损失函数等于所述图像损失函数、所述特征重构损失函数以及所述风格重 建损失函数之和。

在上述一方面提供的低光照图像增强模型的训练方法的一个示例中，所述 利用深度提亮网络对所述HSV图像进行提亮处理以得到HSV提亮图像，包括： 利用所述深度提亮网络分别对所述HSV图像的S通道图像和V通道图像进行提 亮处理，以分别得到S通道提亮图像和V通道提亮图像；根据所述HSV图像的 H通道图像、所述S通道提亮图像和所述V通道提亮图像获取HSV提亮图像。