[发明专利]一种视觉退化条件下的低光照图形增强方法

说明书

本发明提供一种视觉退化条件下的低光照图形增强方法，涉及图像数据处理技术领域，包括以下步骤：S1：从输入图像中提取最暗区域的对比度；S2：将输入的图像对嵌入到多层网络中；S3：从输入图像中分离出高频反射分量；S4：利用高频反射分量的最大通道来改善网络延迟并最小化计算复杂度；S5：在高频反射分量引导下，通过照明调整，结构、纹理和强边界得以保留，得到增强后的图形。本发明可行度高，通过从输入图像中分离出高频反射分量，利用其最大通道来改善网络延迟并最小化计算复杂度，达到了以最小的延迟和计算复杂度，改善退化视觉条件下的视觉质量的目的，不依赖于配对、先验或大规模仔细的数据设计，具有优越性和适用性。

技术领域

本发明涉及图像数据处理技术领域，尤其是，本发明涉及一种视觉退化条件下的低光照图形增强方法。

背景技术

在光线不足和视觉条件恶化（如极端微光、雾、雾）不符合相机设置的黑暗场景中，实现良好的拍摄效果是一个巨大的挑战，在这些恶劣条件下，摄像头从黎明到黄昏的工作状态面临着严重的差异性的问题。

在过去二十年中，计算机视觉界见证了在各种环境条件下改善微光图像质量的巨大进步，现在对于低光照条件下的拍照图像进行增强的方法有很多，一些方法需要精心设计的大规模数据集，而另一些方法则依赖成对的训练数据，捕获图像对和选择大规模数据阻碍了实际应用。同时，还有人提出了基于学习的背光图像恢复（LBR）和多视点高动态范围成像方法，将输入图像分为前照区域和背光区域，这是一个计算复杂的过程。以及传统的基于retinex的方法，如Robust Retinex Model(RRM) deep retinex将图像分割为反射和光照，但产生不一致的反射。这些方法的后续，如kinD和dark to bright view (D2BV-Net)，都依赖于图像对。此后，几乎所有的方法都遵循主要趋势，依赖于图像对、先验和仔细选择的数据。

上述这些图像增强方式都存在以下问题，考虑到真实的低光照图像增强方法必须具有鲁棒性、快速性、计算效率，并且能够在不依赖输入数据的情况下工作，以上方法的模型容量在很大程度上依赖于训练数据、合成图像和伽马校正等的类型，收集此类数据是一项不切实际且繁琐的任务，除了计算复杂性外，还增加了对输入训练数据的依赖性，总之，这些方法都是以牺牲速度、内存和数据类型为代价，侧重于提高质量，在现实上适用性较低。

因此为了解决上述问题，设计一种合理的视觉退化条件下的低光照图形增强方法对我们来说是很有必要的。

发明内容

本发明的目的在于提供一种可行度高，通过从输入图像中分离出高频反射分量，并利用其最大通道来改善网络延迟并最小化计算复杂度，达到了以最小的延迟和计算复杂度，改善退化视觉条件下的视觉质量的目的，不依赖于配对、先验或大规模仔细的数据设计，在各种现实使用方面具有优越性和适用性的视觉退化条件下的低光照图形增强方法。

为达到上述目的，本发明采用如下技术方案得以实现的：

一种视觉退化条件下的低光照图形增强方法，包括以下步骤：

S1：从输入图像中提取最暗区域的对比度；

S2：获取输入图像的立体图像对，将立体图像对嵌入到多层网络中，多层网络由卷积层初始化输入图像的特征，然后应用具有卷积层的校正线性单元，将特征串联起来得到输入图像的特征点集；

S3：从输入图像中分离出高频反射分量；

S4：利用高频反射分量的最大通道来改善网络延迟并最小化计算复杂度；

S5：在高频反射分量引导下，通过照明调整对输入图像的特征点进行校正，并对结构、纹理和强边界进行保留，得到增强后的图形。

作为本发明的优选，执行步骤S1时，对输入图像应用全局光透射“A”，其中，“A”是输入图片I(x)的明亮通道中最暗像素的0.1%的估计值。

作为本发明的优选，执行步骤S3时，使用校正线性单元应用单个卷积层，最后应用Tanh激活函数来绑定反射和光照特征。