[發明專利]基于深度學習與時空濾波的低照度圖像處理算法及裝置

在審

• 申請號: 201910325877.0
• 申請日: 2019-04-22
• 公開（公告）號: CN110097515A
• 公開（公告）日: 2019-08-06
• 發明（設計）人: 張斯堯;謝喜林;王思遠;黃晉;蔣杰;張誠
• 申請（專利權）人: 蘇州千視通視覺科技股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 長沙德恒三權知識產權代理事務所(普通合伙) 43229
• 代理人: 徐仰貴

本發明公開了一種基于深度學習與自適應時空濾波的低照度圖像成像處理算法及裝置，該算法具體包括：步驟101：圖像預處理，基于自適應時空濾波的灰度圖像去噪處理；步驟102：基于卷積神經網絡的深度學習處理，將去噪后的圖像進行卷積自編碼處理；步驟103：對上述處理后的圖像進行亮度增強處理，進行Gamma校正，并輸出最終圖像。該發明提出的處理算法步驟簡單，效率較高，能夠很好地還原低照度成像圖像的細節部分，并且提高亮度，獲得理想的效果。

技術領域

本發明涉及計算機視覺技術領域，具體為一種基于深度學習與自適應時空濾波的低照度圖像成像處理算法及裝置。

背景技術

大多數室外視覺系統，如視頻監控、目標識別和衛星遙感監測等，需要獲取清晰的圖像特征。但是在低照度條件下(如夜間等環境)，由于場景的照度低(光信號微弱)，導致能見度低，所觀察的景物信號非常微弱，圖像成像質量低，目標模糊不清，尤其在圖像經過存儲、轉換、傳輸等操作后，更進一步降低了低照度圖像的質量，使成像系統無法正常工作。因此，研究如何對低照度圖像進行有效處理，降低光信號弱的環境對成像系統的影響具有重要研究價值。

低照度下獲取的圖像灰度范圍窄、灰度變化不明顯，且相鄰像素的空間關聯性高，這些特點使得圖像中的細節、背景和噪聲等都包含在較窄的灰度范圍之內。因此為了改善低照度下獲取的圖像的視覺效果，將其轉換為一種更適于人眼觀察和計算機處理的形式，便于提取有用信息，需要對被拍攝物在低照度下的成像進行處理。

近年來，基于深度學習的圖像復原研究得到了廣泛關注，但現存算法，主要針對可見光圖像，且退化圖像一般通過人為添加噪聲進行模擬，并不能反映真實圖像地退化特性，因此不能夠直接應用于超低照度下微光圖像復原。

發明內容

本發明的目的在于提供一種基于深度學習與自適應時空濾波的低照度圖像成像處理算法及裝置，以解決現有技術中低照度下成像質量不高，細節顯示不清楚的問題。

為實現上述目的，本發明提供的一種基于深度學習與自適應時空濾波的低照度圖像成像處理算法，包括以下步驟：

步驟101：圖像預處理：基于自適應時空濾波的灰度圖像去噪處理；

步驟102：基于卷積神經網絡的深度學習處理：將去噪后的圖像進行卷積自編碼處理，具體包括以下步驟及公式：

設計網絡輸入和輸出具有相同的尺寸w×h×d，其中w，h，d分別為圖像的寬度、高度和維度，其中d＝1；

設F₀(x)＝x表示輸入，F₁(0＜l≤L)表示卷積層和子像素卷積層，W_l，b_l分別表示卷積層或子像素卷積層的卷積核的權重和偏差，*表示卷積或子像素卷積操作，W₁₁＝3×3×128、W₁₂＝5×5×128和W₁₃＝7×7×128分別表示第一并行卷積層包含的3種不同尺度大小的卷積核；

網絡第1、2、3層的輸出表示為：

F₂(x)＝max(0，W₂*F₁(x)+b₂)

F₃(x)＝max(0，W₃*F₂(x)+b₃)

網絡第4層的輸出表示為：

F₄(x)＝max(0，W₄*(F₂(x)+F₃(x))+b₄)

網絡第5層的輸出表示為：