[发明专利]一种基于卷积神经网络图像对CRM增强的低光图像增强方法

说明书

本公开提供了一种基于卷积神经网络图像对CRM增强的低光图像增强方法，包括：步骤(1)：首先将图片加载进分解网络，得到光照分量和反射分量；步骤(2)：将分解好的光照分量输入CRM函数中进行增强；步骤(3)：对步骤(1)中的反射分量进行去噪；步骤(4)：将增强后的光照分量输入融合增强系统；步骤(5)：将去噪后的反射分量和处理后的光照分量进行多尺度融合，输出结果。

技术领域

本公开计算机视觉中的图像处理领域，尤其涉及一种基于卷积神经网络对低光照图像进行增强的方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在图像捕获中，光照不足会显著降低图像的可见性。细节的丢失和低对比度不仅会造成不愉快的主观感受，而且会损害许多为正常光线图像设计的计算机视觉系统的性能。在照明不足的情况下，如低光照环境、摄影设备性能有限、设备配置不当等，都需要进行弱光图像增强，以使隐藏的细节显现出来，提高当前计算机视觉系统的主观体验和可用性。在过去的几十年里，许多研究者致力于解决微光图像增强的问题。许多技术已经发展，以提高主观和客观质量的微光图像。

传统的线性、非线性方法只能增强图像特定特征，容易降低其他方面的显示效果，例如出现色彩失真或细节丢失等。

Retinex理论假设真实世界没有颜色，所有对颜色的感知都是光与物质的相互作用产生的；每个颜色区域可以由固定波长的红、绿、蓝三原色构成；上述三种三原色决定每个颜色的色彩。在该理论基础上诞生了很多的算法，并取得了很多不俗的成果。

将机器学习与Retinex相结合的低光图像增强技术越来越受到人们的青睐。它的效率更高、提取特征更显著、效果更好。深度学习方法已经成为了机器学习领域最热门的方法，在计算机视觉、NLP(自然语言处理)及图像处理领域取得了不错的研究成果，目前最主流的方法就是深度神经网络与Retinex相结合的方法：有从图像中计算出对应像素值的变换系数，然后再使用另一个神经网络计算求变换系数对应的像素位置，再经过计算得到增强结果的方法；有使用传统的深度卷积网络对输入的夜晚图像进行尺度对数变换得到图像，然后将图像输入神经网络得到增强结果的方法；有先将图片进行分解，然后用CRM(Camera Response Model相机响应模型)对分解出来的光照分量进行处理，再将处理后的光照分量和反射分量送入卷积神经网络进行处理的方法。但是往往消耗的资源比较多、训练周期长，而且反射率图像非常容易受到低光和噪声的影响，因此当前技术无法准确的分解出反射率图片，使用不准确的反射率分量进行图片增强的效果也经常会出现噪声多、增强效果不理想的情况。

此外，现有技术中只能采用CRM技术对单张图片进行处理，进行先分解出反射率分量和光照分量，然后再用CRM对光照分量进行处理，将处理后的光照分量和反射分量输入网络进行处理的过程。显然，现有技术中无法采用CRM技术对多张图片进行处理。

针对现有技术中存在的问题，本公开采用将两张成对的图片中的低光图像先经过CRM技术处理，处理后将两张图片一起送进网络，用卷积进行处理，提取出反射率分量和光照分量的技术方案。

发明内容

本公开为了解决上述问题，提出了一种基于卷积神经网络图像对CRM增强的低光图像增强方法，本公开通过将成对的图片(除了光照情况不一样，其他均一样)通过卷积神经网络对图片进行分解，分解之后使用CRM方法对光照分量进行处理、对反射分量进行去噪操作，处理之后通过卷积神经网络进行融合，可以获得更少的色彩和亮度失真的增强结果，进而获得更好的反射率图像，最终提高图片在低光下的质量。

根据一些实施例，本公开采用如下技术方案：

第一方面，本公开提供了一种基于卷积神经网络图像对CRM增强的低光图像增强方法；

如图1所示，一种基于卷积神经网络图像对CRM增强的低光图像增强方法，包括：