[发明专利]一种基于卷积神经网络的极端条件下的图像修复方法

摘要

本发明公开了一种基于卷积神经网络的极端条件下的图像修复方法。本发明包括如下步骤：步骤1：对获取到的短曝光图像进行预处理；步骤2：将预处理后的图像输入U‑Net卷积神经网络进行训练；步骤3：计算误差并进行迭代训练；步骤4：对训练模型进行评估,以图像的峰值信噪比和结构相似性作为最终结果的评判标准。本发明有效地解决低光下快速成像的问题，同时也为图像去噪、去模糊提供了一种新的可行方法。

主权项

1.一种基于卷积神经网络的极端条件下的图像修复方法，其特征在于包括如下步骤：步骤1：对获取到的短曝光图像进行预处理；1‑1.对于获取到的.RAW图像阵列，先按R、G、B三色素对像素进行分类；由于.RAW图像阵列中R、G、B的数量比为1:2:1，因此，将像素阵列分为4个通道；此时每个通道的空间分辨率为原始图像的一半；1‑2.对像素灰度值进行“归零”处理，可使图像中像素的灰度值与光照强度呈线性关系；其具体过程为：首先，将拍摄得到的图像进行检测，检测到该“归零”阈值为“512”；其次，将图像中所有像素的灰度值减去该阈值；最后，将图像中低于零的灰度值设置为零，高于零的灰度值保持不变；步骤2：将预处理后的图像输入U‑Net卷积神经网络进行训练；2‑1.通过端对端的方式对U‑Net网络进行训练，以避免图像中噪声的放大和误差的累计；2‑2.在训练中，随机裁剪一个512×512的补丁用于训练，同时对裁剪的补丁随机进行翻转、旋转操作来增强训练数据；步骤3：计算误差并进行迭代训练；3‑1.U‑Net网络的输出为12通道，并且每个通道的空间分辨率为原始输入图像的一半；3‑2.对U‑Net网络的输出进行亚像素卷积处理，以生成一幅与输入大小相同的图像；3‑3.以输入图像对应的长曝光图像作为参考图像，计算二者的L1范数损失函数；选择Adam算法作为网络的优化器；步骤4：对训练模型进行评估,以图像的峰值信噪比和结构相似性作为最终结果的评判标准。