[发明专利]基于Retinex和卷积神经网络的单张低光照图像增强方法及系统

说明书

本发明属于计算机视觉图像技术领域，提供了一种基于Retinex和卷积神经网络的单张低光照图像增强方法及系统。该方法包括，获取图像，并对图像进行预处理，使三通道分离，获得色调分量、饱和度分量和明度分量；采用训练后的深度卷积神经网络模型，依据明度分量，得到光照分量；利用Retinex理论计算光照分量的反射分量；将反射分量与色调分量、饱和度分量重组，得到HSV色彩空间中的三通道图像。

技术领域

本发明属于计算机视觉图像技术领域，尤其涉及一种基于Retinex和卷积神经网络的单张低光照图像增强方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着科技的发展，从图像中获取信息成为一种常用的手段。许多计算机视觉算法如目标检测、识别及跟踪等越来越普遍。但是，不是所有传感器获取的图像都能够直接用于这些算法。如在弱光环境下获取到的图像会出现质量退化，如能见度低、对比度低、颜色失真及高噪声等等。人类通过这些照片能够得到的信息很少。这些照片直接应用到计算机视觉算法中会影响算法的性能。因此如何提高在复杂环境下获取到的图像的质量，是计算机视觉领域近年来一个研究热点。

低光照图像一般指在光线不足的环境中采集到的质量低下的图像。低光照图像增强的主要目的是增加低光照图像(或欠曝光图像)的亮度和对比度，突出图像的主要信息，主要是从软件的角度实现这一技术。增强后的图像能够更好的用于计算机视觉任务，可以提供有价值信息。低光照图像增强方法在监控、自动驾驶等领域有着广阔的应用前景。

传统的低光照图像增强方法主要分为四类：(1)基于空间域的图像增强方法。此类方法主要是改变图像像素值的分布范围从而实现图像增强。此类方法大多基于直方图均衡化、gamma校正和模糊逻辑变换等等，如直方图均衡化和限制对比度自适应直方图均衡化。(2)基于变换域的图像增强方法，此类方法主要是将图像转换到频率域，在频率域用合适的滤波函数对图像进行增强。此类方法大多基于频域和小波变换域，使用的滤波函数主要有低通滤波、带通滤波和高通滤波等。代表性方法是小波变换法。(3)基于图像融合的图像增强方法。此类算法主要是将多幅图像进行融合的方式实现图像增强。此类方法基于多幅同一场景的不同图像，融合不同图像中视觉效果好的部分，形成一幅高亮度的图像。代表性方法如高动态光照渲染。(4)基于Retinex理论的图像增强方法。Retinex理论指的是图像是由光照与物体共同作用形成的，图像可以表示为光照分量与反射分量的乘积，反射分量是物体的固有属性，在不同的光照条件下具有一致不变性。此类方法大多是通过原始图像求反射分量(也有求光照分量和反射分量)。代表性的方法有对图像的照明分量使用高斯滤波的单尺度Retinex；对图像使用多个尺度的高斯滤波以及增加颜色影响因子的带色彩恢复的多尺度Retinex；使用结构先验估计光照分量，利用Retinex理论求反射分量并将其作为最终结果的LIME等等。

这些方法在部分图像上可以取得较好的效果，但是受限于模型，缺少泛化能力，很难适用于更广泛的场景。

卷积神经网络在处理图像任务上具有极大的优势，已经应用于各种类型的计算机视觉任务，并且取得了极大的成功。在低光图像处理领域，基于卷积神经网络的方法也有很多。LLNet建立了一个自编码器对图像进行增强；Msr-net通过学习明暗图像之间的映射关系实现图像增强；Retinex-Net建立了一个分解网络和一个增强网络，使用配对图像数据集训练网络等等。这些方法具有很强的泛化能力，能适应很多的场景，但是其效果与网络模型的训练使用的配对数据集有很大的关系，且明暗图像对数据集的建立是一个艰难的工作，真实图像(即正常图像)的亮度也没有一个具体的标准。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于Retinex和卷积神经网络的单张低光照图像增强方法及系统，可以有效对单张低光照图像进行增强，且不会出现颜色失真以及能保留原图纹理细节，在不同数据集上具有很好的泛化能力。

为了实现上述目的，本发明采用如下技术方案：