[发明专利]一种基于PNA-MSPCNN模型的低照度彩色图像增强方法

权利要求书

1.一种基于PNA-MSPCNN模型的低照度彩色图像增强方法，包括：

a)、获得原始图像的初始亮度谱T_i；

b)、利用PNA-MSPCNN算法获得突触权重矩阵W_ijkl；

c)、在PNA-MSPCNN算法模式下，根据突触权重矩阵W_ijkl进一步获得梯度亮度谱T_g；

d)、根据梯度亮度谱T_g，利用Retinex算法计算得到最终权重矩阵W_d；

e)、基于最终权重矩阵W_d，对步骤a)得到的初始亮度谱T_i进行修正得到最终亮度映射谱T_f；

f)、利用Retinex算法并结合最终亮度映射谱T_f对原始图像进行修正得到低照度增强图像R。

2.如权利要求1所述的图像处理方法，其特征在于，

步骤a)包括，提取原始图像中的红色通道、绿色通道和蓝色通道图像，并选取三个通道每个像素点的最大值组成一幅灰度图像，确定其为初始亮度谱T_i。

3.如权利要求2所述的图像处理方法，其特征在于，

步骤b)包括，设定PNA-MSPCNN算法的相关自适应参数值；首先，设定预定义迭代次数的值N为50；其次，设定PNA-MSPCNN算法的4个自适应参数α、V、P、Q和1个突触权重矩阵W_ijkl，表达式如下：

在(1)-(5)中，S_max和S_min分别表示原始图像数值归一化以后的最大像素值和最小像素值；ε₁和ε₂均为无穷小的正数值；α是内部活动项对应的衰减参数，该值越大，内部活动项在每次迭代中数值的衰减速度越快；V表示动态阈值的幅度，该值越大，神经元在点火后立刻产生的新动态阈值数值越大；P为动态阈值的辅助参数，它可以有效调节神经元未点火时刻动态阈值数值的大小；Q为阶跃函数，它可进一步细化未点火神经元动态阈值数值的变化范围；W_ijkl表示神经元的突触权重矩阵，该矩阵数值越大，说明周围神经元与中心神经元的相互作用力越大。

4.如权利要求3所述的图像处理方法，其特征在于，

步骤c)包括：设定PNA-MSPCNN模型的馈送输入F_ij[n]、链接输入L_ij[n]、内部活动项U_ij[n]、点火条件Y_ij[n]和动态阈值E_ij[n]，将每次神经元点火结果对应的迭代次数合并为梯度亮度谱T_g，算法如下：

F_ij[n]＝S_ij (6)

E_ij[n]＝PE_ij[n-1]+(1-PQ)VY_ij[n] (10)

在公式(6)-(10)中，F_ij[n]表示神经元N_ij的馈送输入，来自于外部激励S_ij；L_ij[n]是神经元N_ij的链接输入，它反映了中心神经元与周围神经元的相互影响；U_ij[n]是神经元N_ij的内部活动项，其值由馈送输入和链接输入决定；E_ij[n]是神经元N_ij的动态阈值，其值由动态阈值幅度V、辅助参数P和阶跃函数Q决定；Y_ij[n]为神经元的点火条件，当内部活动项U_ij[n]大于动态阈值E_ij[n]时，对应神经元点火，否则，对应神经元不点火。