[发明专利]一种采用截尾式指数滑动平均的图像增强方法

摘要

一种采用截尾式指数滑动平均的图像增强方法，包括以下步骤：步骤1.读取低光图像文件中的Corel5k数据集，该数据集是由科雷尔公司整理的用于真实场景风景图像；步骤2.将读取到的图像利用低光处理函数进行低光预处理；步骤3.在得到低光图像之后利用自编码器网络的原理进行图像增强；步骤4.采用截尾式指数滑动平均算法来进行网络优化；步骤5.若没到最大迭代次数，则重复步骤2‑步骤4，否则停止网络训练。

主权项

1.一种采用截尾式指数滑动平均的图像增强方法，包括以下步骤：步骤1.读取低光图像文件中的Corel5k数据集，该数据集是由科雷尔公司整理的用于真实场景风景图像；步骤2.将读取到的图像利用低光处理函数进行低光预处理；即将图片的光线调暗；在将图像处理成为低光图像时，即以像素点级别进行Gamma矫正，单位小可以忽略不计因此不会产生不连续的斑点，同时也不用考虑图像光源的位置来调整图像，所以在图像黑暗化处理时可以使用Gamma矫正；在矫正过程中会首先对图像进行检测，得到图像中的深色部分和浅色部分，并使两者比例增大或减小，从而可以调整图像全局对比度，得到高光或者低光图像；图像调整公式如式(1)所示：式中：A为常量，x_l为需要调整的原始高光图像(亮的图像)；当γ＜1时，可以提高图像对比度，达到图像增亮的效果；当γ＞1时，可以降低图像对比度，达到图像低光处理效果；而当γ＝1时，对图像不具有任何效果；那么为了将图像进行低光处理，所以将γ设置为大于1的状态；那么x_d则表示已经进行过低光处理的风景图；步骤3.在得到低光图像之后利用自编码器网络的原理进行图像增强；也就是先将低光处理后的风景图片通过自编码器网络对图片进行增亮，将图片的光线调亮，以达到清晰图像的目的；在进行训练时采用先对风景图像数据编码，得到特征图之后再进行样本数据的解码；其中图像数据输入网络经过编码得到的特征表示如式(2)所示：式中：是将输入x进行加噪处理后的噪声数据，W为网络权重，b为偏置；得到特征表示之后网络就会进行解码操作，得到重构图像；步骤4.采用截尾式指数滑动平均算法来进行网络优化；在刚刚的卷积过程中，编码解码需要通过卷积自编码器进行，这一操作需要通过网络训练才能完成，但是网络在大规模训练时，需要耗费大量的时间，效率不高，为了优化网络，提高速率，则在训练网络中添加截尾式指数滑动平均算法来进行网络优化；截尾式指数滑动平均算法简单来说就是要去除在训练过程中那些极端波动的数值，然后进行训练，最终得到的结果均值与原先结果均值差距不大，但是可以提高网络训练效率；假设变量v在t时刻为v_t，w_t为变量v在t时刻的取值，在使用指数滑动平均模型之后，v_t的更新如式(3)所示，其中，β取值在0到1之间，当β＝0时相当于没有使用滑动平均：v_t＝β*v_t‑1+(1‑β)*w_t       (3)在计算平均值时去掉了极端波动值，假如最后得到的均值结果与原均值相差不大，说明数据不存在极端值，网络可以继续按照该值来进行网络训练，若最后结果与远均值相差较大，那么中间数据的均值更能代表和反映数据的趋势走向，使网络训练更加高效；在进行实际网络训练时，截尾式滑动平均算法会先找出当前训练参数中最大和最小的参数，并将这些参数进行归零，然后再进行指数滑动平均计算；步骤5.若没到最大迭代次数，则重复步骤2‑步骤4，否则停止网络训练。