[发明专利]基于U-net++网络的弱光图像增强方法和装置

说明书

本申请涉及一种基于U‑net++网络的弱光图像增强方法、装置、计算机设备和存储介质。所述方法包括：通过获取弱光图像样本，将弱光图像样本输入到弱光图像增强网络模型中；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和多层全卷积层网络；通过深层密集连接网络得到亮度增强特征图，通过多层全卷积层网络对图像进行细节重建，得到预测增强图；根据预先构建的损失函数和预测增强图，对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，进行弱光图像的增强。本发明在弱光图像的增强过程中，可以在增强亮度的同时更好保留图像的细节，在降低噪声的前提下尽可能地提升了色彩保真度和细节还原度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种基于U-net++网络的弱光图像增强方法、装置、计算机设备和存储介质。

背景技术

弱光增强是计算机视觉中最具挑战性的任务之一。当拍摄场景光线不足时，成像时容易出现信息丢失和噪声，导致图像成像质量低。通过补光方式有助于提高成像质量，但在隐蔽成像等特殊需求下，无法采用补光手段。提高拍摄设备的硬件性能有助于在一定程度上提高成像质量，然而成本偏高。因此，在实际的应用中，通过增强算法提高微光图像质量有着重要的意义。

现有技术中对微光图像增强进行了各种研究。为了改善图像的对比度，亮度和质量，学者们从不同角度研究了这个问题，例如传统方法中的直方图均衡化(HE)方法，基于视网膜理论的方法以及基于图像分割，除雾模型的方法等。这些算法通常致力于提高图像的对比度和恢复图像的亮度，并且抑制暗光成像过程所产生的高噪声以及颜色失真等现象。这些方法取得了一定的增强效果，但是仍然存在着很大的改进空间。例如，现有的方法难以做到提高图像的亮亮同时清晰保留图像的特征，会出现图像轮廓不明显，模糊等状况。除此以外，还存在暗区伪像，颜色突变、失真，暗光成像过程所产生的干扰噪声等问题，没能得到令人满意的结果，算法性能有待提高。因此，现有技术存在效果不佳的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高弱光图像增强效果的基于U-net++网络的弱光图像增强方法、装置、计算机设备和存储介质。

一种基于U-net++网络的弱光图像增强方法，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。

在其中一个实施例中，还包括：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。

在其中一个实施例中，还包括：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。

在其中一个实施例中，还包括：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。