[發明專利]基于派生圖和Retinex的深度網絡圖像增強方法和系統

有效

• 申請號: 202010156373.3
• 申請日: 2020-03-09
• 公開（公告）號: CN111489321B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 莊立運;季仁東;王曉暉;居勇峰
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T5/00;G06N3/08;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 常虹

1.基于派生圖和Retinex的深度網絡圖像增強方法，其特征在于，包括訓練階段和增強階段，所述訓練階段的步驟包括：

(1)構建深度分解網絡，所述深度分解網絡包括正常光照圖像分解分支和低光照圖像分解分支，所述正常光照圖像分解分支用于將輸入的正常光照圖像分解為正常光照反射圖像和正常光照亮度圖像；所述低光照圖像分解分支用于將輸入的低光照圖像分解為低光照反射圖像和低光照亮度圖像；

所述正常光照圖像分解分支和低光照圖像分解分支的結構和參數都相同，均包括依次連接的第一卷積層、第二卷積子網、第三卷積層；所述第一卷積層的卷積核大小為3×3；所述第二卷積子網由5個卷積核大小為3×3的卷積層依次連接組成，每個卷積層后連接ReLU激活函數；所述第三卷積層后連接Sigmoid激活函數；

(2)建立深度分解網絡訓練樣本集，所述深度分解網絡訓練樣本集中的樣本為正常光照圖像和與所述正常光照圖像對應的低光照圖像

將所述樣本中的正常光照圖像輸入深度分解網絡中的正常光照圖像分解分支，將所述樣本中的低光照圖像輸入深度分解網絡中的低光照圖像分解分支，對所述深度分解網絡進行訓練；

所述訓練為通過最小化第一損失函數優化深度分解網絡的參數W_d，所述第一損失函數為：

其中S_num為深度分解網絡訓練樣本對的數量，F_d表示深度分解網絡的ReLU激活函數；||·||₂為2范數運算符，||·||₁為1范數運算符；α,β為第一損失函數系數；

(3)構建深度增強網絡，所述深度增強網絡用于對輸入的低光照圖像的亮度圖像進行增強，其結構為依次連接的第四卷積子網，第五卷積子網、第六連接子網；所述第四卷積子網包括多層卷積層，每個卷積層后連接ReLU激活函數；所述第五卷積子網包括多層卷積層，每個卷積層前連接尺寸調整函數，每個卷積層后連接ReLU激勵函數；所述第六連接子網包括依次連接的一個連接層、一個1*1卷積層層和一個卷積層；

(4)將深度分解網絡訓練樣本集中的樣本采用訓練好的深度分解網絡進行分解，得到的正常光照亮度圖像和低光照亮度圖像構成圖像對，對深度增強網絡進行訓練；所述訓練為通過最小化第二損失函數優化深度增強網絡的參數W_e，所述第二損失函數為：

其中T_num為深度增強網絡訓練樣本對的數量，F_e表示深度增強網絡的ReLU激活函數，α′,β′為第二損失函數系數；

所述增強階段的步驟包括：

待處理的低光照圖像Pic采用深度分解網絡的低光照圖像分解分支進行分解，得到反射圖像Pic_R和亮度圖像Pic_L；

將反射圖像Pic_R采用快速均值濾波進行去噪，得到濾波后的反射圖像Pic′_R；

將亮度圖像Pic_L采用訓練好的深度增強網絡進行增強，得到亮度增強圖像Pic′_L；

根據反射圖像Pic′_R和亮度增強圖像Pic′_L生成第一增強圖像Pic′；

生成待處理的低光照圖像Pic的派生圖Pic_D，Pic_D采用深度分解網絡的低光照圖像分解分支進行分解，得到反射圖像Pic_DR和亮度圖像Pic_DL；將反射圖像Pic_DR采用快速均值濾波進行去噪，得到濾波后的反射圖像Pic′_DR；將亮度圖像Pic_DL采用訓練好的深度增強網絡進行增強，得到亮度增強圖像Pic′_DL；根據反射圖像Pic′_DR和亮度增強圖像Pic′_DL生成第二增強圖像Pic′_D；

將第二增強圖像Pic′_D與第一增強圖像Pic′進行融合，得到最終的增強圖像Pic_E。

2.根據權利要求1所述的圖像增強方法，其特征在于，采用反向傳播和隨機梯度下降法計算第一損失函數的最優值，得到深度分解網絡的參數W_d。