[发明专利]基于条件生成对抗网络的低照度图像增强方法及装置

摘要

一种基于条件生成对抗网络的低照度图像增强方法及装置，针对在日常的图像采集工作中，由于场景光照条件差或者设备的补光能力不足容易产生低照度图像的问题，采用一个具备编解码功能的卷积神经网络模型(CNN)作为生成模型，同时加入具备二分类功能的CNN作为判别模型，组成生成对抗网络。在模型训练的过程中，以真实的亮图像为条件，依靠判别模型监督生成模型以及结合判别模型与生成模型间的相互博弈，使得网络模型具备更好的低照度图像增强能力。解决了处理后图像的颜色失真和边缘模糊的问题，大大提高了增强后的图像质量，同时图像处理速度快，与其他图像增强方法相比处理时间足够短，能够满足对低照度图像进行实时增强的需求。

主权项

1.一种基于条件生成对抗网络的低照度图像增强装置，其特征在于，包括：/n图像输入装置，用于接收输入图像，所述输入图像为低照度图像和/或其对应的高质量的亮图像；/n图像处理装置，采用条件生成对抗网络即CGAN模型对低照度图像进行增强处理得到处理后的增强图像，包括：所述生成模型单元和所述判别模型单元；/n所述生成模型单元采用卷积神经网络即CNN模型，所述CNN模型包括15层卷积层；所述CNN模型包括一条具有编码功能的缩小路径与一条对称的具有解码功能的放大路径；两条路径相连接构成一个深度为四层的U型结构模型；/n采用跳跃连接将两条路径上位于同一层的卷积层相连接；/n其中，第二卷积层与第十三卷积层相连接，使得第一、第二、第十三、第十四和第十五的卷积层组成所述U型网络模型的第一层；/n第四卷积层与第十一卷积层相连接，使得第三、第四、第十一和第十二卷积层组成所述U型网络模型的第二层；/n第六卷积层与第九卷积层相连接，使得第五、第六第九和第十卷积层组成所述U型网络模型的第三层；/n第七和第八卷积层组成所述U型网络模型的第四层；/n所述判别模型单元为一个二分类CNN模型，所述二分类CNN判别模型包括卷积层、池化层和全连接层；图像输入判别模型后，连续的进行特征提取和下采样操作，使得不同的卷积层提取图像不同尺度的特征；/n图像输出装置，输出所述处理后的增强图像。/n