[发明专利]基于U-net++网络的弱光图像增强方法和装置

权利要求书

1.一种基于U-net++网络的弱光图像增强方法，其特征在于，所述方法包括：

获取弱光图像样本，将所述弱光图像样本输入到弱光图像增强网络模型中；所述弱光图像增强网络模型包括：基于U-net++网络的深层密集连接网络、多层全卷积层网络；所述深层密集连接网络包括：一路级联编码器、多路级联解码器和跳跃连接结构；

通过所述级联编码器对所述弱光图像样本进行处理，得到多个层次的下采样特征图；通过所述多路级联解码器对所述多个层次的下采样特征图进行处理，得到多个层次的上采样特征图；通过所述跳跃连接结构将所述下采样特征图连接到相同层次的所述上采样特征图进行累加；通过所述深层密集连接网络得到亮度增强特征图；

将所述弱光图像样本和所述亮度增强特征图输入到所述多层全卷积层网络进行细节重建，得到预测增强图；

根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型；

通过训练好的弱光图像增强网络模型进行弱光图像的增强。

2.根据权利要求1所述的方法，其特征在于，通过所述级联编码器对所述弱光图像样本进行处理，得到多个层次的下采样特征图，包括：

通过所述级联编码器对所述弱光图像样本进行处理，得到多个层次的下采样特征图；所述级联编码器采用步幅为2的卷积层实现图像下采样。

3.根据权利要求2所述的方法，其特征在于，将所述弱光图像样本和所述亮度增强特征图输入到所述多层全卷积层网络进行细节重建，得到预测增强图，包括：

将所述弱光图像样本和所述亮度增强特征图输入到所述多层全卷积层网络进行细节重建，得到预测增强图；所述多层全卷积层网络为带有ReLU函数的5个卷积层。

4.根据权利要求3所述的方法，其特征在于，根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型，包括：

根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型；所述损失函数由四部分构成，包括均值误差、感知损失、结构损失和区域损失。

5.根据权利要求4所述的方法，其特征在于，根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型；所述损失函数由四部分构成，包括均值误差、感知损失、结构损失和区域损失，包括：

根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型；所述损失函数由四部分构成，包括均值误差、感知损失、结构损失和区域损失；所述感知损失由预先训练的Resnet50网络的ReLU激活层的输出来定义。

6.根据权利要求4所述的方法，其特征在于，根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型；所述损失函数由四部分构成，包括均值误差、感知损失、结构损失和区域损失，包括：

根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型；所述损失函数由四部分构成，包括均值误差、感知损失、结构损失和区域损失；所述结构损失采用图像质量评估算法SSIM来建立。

7.根据权利要求1至6任一项所述的方法，其特征在于，根据预先构建的损失函数和所述预测增强图，对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型，包括：

根据预先构建的损失函数和所述预测增强图，采用了学习率衰减策略对所述弱光图像增强网络模型进行训练，得到训练好的弱光图像增强网络模型。