[發明專利]一種基于深度學習知識蒸餾技術的低光圖像增強方法

有效

• 申請號: 202010064079.X
• 申請日: 2020-01-20
• 公開（公告）號: CN111242870B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 徐君;程明明;劉志昂;韓琦
• 申請（專利權）人: 南開大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 天津耀達律師事務所 12223
• 代理人: 張耀

1.一種基于深度學習知識蒸餾技術的低光圖像增強方法，利用圖像去噪老師網絡向低光圖像增強學生網絡進行知識遷移，使學生網絡在進行低光圖像增強的同時，具備老師網絡的抑制和去掉圖像噪聲的能力，該方法包含如下步驟：

S1、選擇已經訓練好的擁有圖像去噪能力的深度神經網絡作為老師網絡；

S2、將有噪低光圖像輸入到低光增強學生網絡，得到有噪增強圖像，該圖像是一幅與輸入圖像尺寸相同的經過低光增強后的輸出圖像，低光增強后的圖像作為預測的低光增強圖像；

S3、將有噪低光圖像與有噪增強圖像分別輸入到圖像去噪老師網絡，由老師網絡進行圖像去噪，分別得到無噪低光圖像和增強后的無噪增強圖像，將無噪低光圖像輸入到低光增強學生網絡進行低光圖像增強，增強后的圖像作為無噪的低光增強圖像標簽；

S4、根據S2和S3的結果計算低光增強學生網絡的損失函數，更新低光增強學生網絡；

S5、重復上述S2-S4更新方式不斷更新低光增強學生網絡參數，訓練學生模型。

2.根據權利要求1所述的基于深度學習知識蒸餾技術的低光圖像增強方法，其特征在于：將有噪低光圖像與有噪增強圖像分別輸入到圖像去噪老師網絡，分別得到無噪低光圖像和無噪增強圖像，將無噪低光圖像輸入到低光增強學生網絡進行增強，將增強后得到的增強無噪圖像作為標簽，同時將有噪增強圖像經圖像去噪老師網絡去噪后得到的無噪增強圖像作為預測圖。

3.根據權利要求1所述的基于深度學習知識蒸餾技術的低光圖像增強方法，其特征在于：學生網絡總的損失函數由兩部分損失加權求和構成，一部分是利用常見損失函數計算低光增強后的有噪增強圖像與增強圖像標簽之間的損失，另一部分是利用常見損失函數計算去噪并且低光增強后的增強無噪圖像和經低光增強并去噪后的無噪增強圖像之間的損失。

4.根據權利要求1或2所述的基于深度學習知識蒸餾技術的低光圖像增強方法，其特征在于：訓練學生網絡過程中并不更新圖像去噪老師網絡的參數，經過圖像去噪老師網絡的輸出需要再次經過低光增強學生網絡才能得到無噪的低光增強圖像標簽。

5.根據權利要求3所述的基于深度學習知識蒸餾技術的低光圖像增強方法，其特征在于：增強圖像標簽是將有噪低光圖像利用現有常用的低光圖像增強算法得到。