[发明专利]一种基于Retinex-Net和小波变换融合的低照度图像增强方法

说明书

本发明公开了一种基于Retinex‑Net和小波变换融合的低照度图像增强方法，包括如下步骤：S1：分解网络将输入图像分解为光照分量和反射分量；S2：对反射分量进行去噪；S3：增强网络对光照分量进行增强；S4：用处理后的光照分量和反射率分量得到粗增强图像；S5：对输入的低照度图像进行自适应调整；S6：采用小波变换图像融合技术，将粗增强图像与低照度图像进行融合，获得融合图像。本发明通过加入色调自适应拉伸、小波变换融合等方法，有效解决了Retinex‑Net在处理部分图像时容易出现过度增强、颜色失真的问题，并且融合图像保留了更多的边缘、纹理等细节。

技术领域

本发明涉及低照度图像增强技术领域，具体为一种基于Retinex-Net和小波变换融合的低照度图像增强方法。

背景技术

图像作为包含了丰富信息的重要数据载体，对于当今社会的信息化发展有着重要的意义。近年来，各种基于图像的算法不断被提出，这些算法对于标准光照的图像有着较好的信息提取能力。然而，在图像采集的过程中，由于受到环境光照条件、拍摄人员的技术、图像传感器的品质等因素的限制，无法完全避免获得低照度图像的情况。这些图像有着整体偏暗、对比度差、颜色饱和度低等问题，不仅影响了人对图像内容的直接观察，还影响了后续的算法处理效果。因此，需要使用低照度图像增强算法改善图像质量。

当前低照度环境下的低照度图像增强方法包括经典算法和深度学习算法两大类：

经典算法图像增强方法有：直方图均衡法、单尺度Retinex算法、多尺度Retinex算法、小波变换方法。其中，小波变换方法能够较好地保留图像的细节；Retinex理论是1963年Land提出的一种人类视觉的亮度和颜色感知模型，根据Retinex模型，图像可以被分解为反射分量和光照分量。物体的颜色和亮度是由物体的反射能力决定的，物体本身的颜色不受光照非均匀性的影响。经典算法虽然能解决一些图像增强问题，但往往只能适用于特定的情况，缺少良好的适应性。

基于深度学习的低照度图像增强算法通过学习低照度图像中的先验知识，能自适应的对多种光照条件下的低照度图像进行增强。由于Retinex理论在低照度图像方法中的不错表现，有研究者提出了基于Retinex理论的Retinex-Net的深度学习方法。该模型通过将低照度图像分解为光照分量和反射分量，再分别进行处理，Retinex-Net能够恢复多种光照条件影响下的低照度图像。但是，单一的Retinex-Net处理部分低照度图像时会出现色彩失真、过度增强以及边缘模糊等问题。

因此我们提出了一种基于Retinex-Net和小波变换融合的低照度图像增强方法来解决上述问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于Retinex-Net和小波变换融合的低照度图像增强方法，解决了现有方法增强低照度图像时容易出现过度增强、色彩失真和细节丢失的问题。

(二)技术方案

本发明为了实现上述目的具体采用以下技术方案：

一种基于Retinex-Net和小波变换融合的低照度图像增强方法，包括如下步骤：

S1：通过分解网络获得低照度图像的光照分量和反射分量，以及正常光图像的光照分量和反射分量；

S2：将反射分量进行去噪，得到降噪后的反射分量；

S3：将反射分量以及光照分量输入到增强网络中，对低照度图像的光照分量进行增强，得到增强后的光照分量；

S4：将增强后的光照分量与降噪后的反射率分量相乘得到粗增强图像；

S5：对输入的低照度图像进行自适应调整；