[发明专利]一种基于深度Retinex的单张低光图像增强方法

权利要求书

1.一种基于深度Retinex的单张低光图像增强方法，其特征在于，其步骤如下：

S1、根据Retinex理论分别对输入的低光图像和低光图像对应的正常图像进行分解，分别得到低光图像的照度分量、反射分量和正常图像的照度分量、反射分量；

S2、采用照度估计网络学习低光图像的照度分量到正常图像的照度分量的映射，得到低光图像的预测照度分量；

S3、采用图像重构方法将步骤S2中预测照度分量与正常图像的反射分量进行融合得到低分辨率图像；

S4、采用拉普拉斯超分辨率网络对步骤S3中的低分辨率图像进行处理得到低分辨率特征图；

S5、对步骤S3中的低分辨率图像进行图像上采样后与步骤S4中的低分辨率特征图进行融合得到最终的高质量增强图像。

2.根据权利要求1所述的基于深度Retinex的单张低光图像增强方法，其特征在于，在步骤S1中，Retinex理论是通过分解网络分别对输入的低光图像和低光图像对应的正常图像进行分解的，分解网络的网络结构为卷积层I—卷积层II—ReLU激活函数层I—卷积层III—ReLU激活函数层II—卷积层IV—ReLU激活函数层III—卷积层V—Sigmoid层；Sigmoid层将分解的反射分量和照度分量均约束到[0,1]范围；

输入的低光图像记为I_low，低光图像对应的正常图像记为I_normal，Retinex理论分解图像表达式为：

其中，(x,y)表示像素点的坐标，I(x,y)表示输入图像，R(x,y)表示输入图像的反射分量，L(x,y)表示输入图像的照度分量，表示像素相乘操作；输入的低光图像I_low的照度分量和反射分量分别记为和正常图像I_normal的照度分量和反射分量分别记为和

3.根据权利要求1所述的基于深度Retinex的单张低光图像增强方法，其特征在于，所述照度估计网络的网络结构为第一卷积层—第二卷积层—…—第九卷积层—全连接层；低光图像的预测照度分量的计算公式为：

其中，表示预测照度分量，表示输入的低光图像的照度分量，表示低光图像对应的正常图像的照度分量，F(·)表示映射函数。

4.根据权利要求3所述的基于深度Retinex的单张低光图像增强方法，其特征在于，所述采用图像重构方法将预测照度分量与正常图像的反射分量进行融合的方法是将步骤S2中预测照度分量与正常图像的反射分量采用像素级的方法进行融合，初步得到增强的图像，即低分辨率图像。

5.根据权利要求1-4中任意一项所述的基于深度Retinex的单张低光图像增强方法，其特征在于，所述拉普拉斯超分辨率网络的网络结构为卷积层VI-I—上采样层I—卷积层VI-II—上采样层II—卷积层VI-III；步骤S3中的低分辨率图像通过拉普拉斯超分辨率网络得到四倍低分辨率特征图；步骤S3中的低分辨率图像通过拉普拉斯超分辨率网络后再进行特征上采样得到八倍低分辨率特征图。

6.根据权利要求5所述的基于深度Retinex的单张低光图像增强方法，其特征在于，所述最终的高质量增强图像包括四倍高质量增强图像和八倍高质量增强图像；四倍高质量增强图像是通过对低分辨率图像进行四倍图像上采样后与四倍低分辨率特征图进行融合获得的；八倍高质量增强图像是通过对低分辨率图像进行八倍图像上采样后与八倍低分辨率特征图进行融合获得的。

7.根据权利要求3所述的基于深度Retinex的单张低光图像增强方法，其特征在于，所述照度估计网络对应的多任务损失函数为：

其中，为多任务损失函数，为重构损失函数，为低光图像的图像感知损失函数，为颜色损失函数，λ_p表示低光图像的图像感知损失函数的权重，λ_c表示颜色损失函数的权重。