[發明專利]一種密閉腔體低照度圖像增強方法及系統

在審

• 申請號: 202011404925.4
• 申請日: 2020-12-04
• 公開（公告）號: CN114596236A
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 張旭;王海鵬;王萬國;李猷民;崔其會;黃銳;呂俊濤;李建祥;李彪;陳玉;朱成杰;王琦;王振利;馬松;楊月琛
• 申請（專利權）人: 國網智能科技股份有限公司;國網山東省電力公司臨沂供電公司
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.一種密閉腔體低照度圖像增強方法，其特征是：包括以下步驟：

獲取多組樣本圖像，對每組樣本圖像進行篩選，以質量最優圖像為該組樣本圖像的模板圖像，其余圖像作為待增強圖像，形成訓練樣本集；

基于訓練樣本集，構建條件生成對抗網絡，以模板圖像為目標輸出，采用多指標融合損失函數進行訓練，再將模板圖像作為真實目標，增強后圖像作為虛假目標輸入，進行訓練；

將密閉腔體內采集的圖像輸入訓練后的條件生成對抗網絡，得到圖像增強后的圖像。

2.如權利要求1所述的一種密閉腔體低照度圖像增強方法，其特征是：所述每組樣本圖像為密閉腔體內、相同位置、不同亮度及不同曝光時間條件下采集的多個圖像。

3.如權利要求1所述的一種密閉腔體低照度圖像增強方法，其特征是：對每組樣本圖像進行篩選的具體過程包括：接收多人以相對評價方法對每組圖像的打分結果，對打分結果進行平均計算，以平均分值最高的圖像作為該組圖像的模板圖像。

4.如權利要求1所述的一種密閉腔體低照度圖像增強方法，其特征是：所述條件生成對抗網絡包括生成模型，所述生成模型包括分解網絡與增強網絡，所述分解網絡包括依次連接的特征提取層、特征融合層、特征細化層和特征輸出層；所述增強網絡包括依次連接的卷積編碼層、卷積解碼層、連接層和全卷積層。

5.如權利要求1所述的一種密閉腔體低照度圖像增強方法，其特征是：采用多指標融合損失函數進行網絡的訓練，包括對分解網絡和增強網絡的訓練，其中：

所述分解網絡的訓練過程包括：將待增強圖像與模板圖像輸入網絡，經過分解網絡后得到不同的光照圖以及不同的反射圖，基于所述光照圖和反射圖，計算訓練損失函數，通過樣本集訓練得到分解網絡各通道節點參數；

所述增強網絡的訓練過程包括：基于SIM損失函數與L1損失函數，構建加權融合損失函數，利用加權融合損失函數對增強網絡進行單獨訓練。

6.如權利要求1所述的一種密閉腔體低照度圖像增強方法，其特征是：所述條件生成對抗網絡還包括判別模型，所述判別模型為輕量化的孿生網絡，孿生網絡中兩個分支網絡共享權重，具體包括依次連接的多層卷積神經網絡、相似判別層和Sigmoid激活層。

7.如權利要求1所述的一種密閉腔體低照度圖像增強方法，其特征是：將模板圖像作為真實目標，增強后圖像作為虛假目標輸入，進行訓練的具體過程包括：對生成模型與判別模型綜合訓練，生成模型輸入待增強圖像，生成模型輸出增強后的圖像；對輸入圖像進行判別，并將判別結果反饋給生成模型，調整生成模型中的相關參數，再次進行訓練，直至滿足設定的訓練結束條件，其中，訓練損失函數為交叉熵損失函數。

8.一種密閉腔體低照度圖像增強系統，其特征是：包括：

圖像預處理模塊，被配置為對獲取的多組樣本圖像進行篩選，以每組中質量最優圖像為該組樣本圖像的模板圖像，其余圖像作為待增強圖像，形成訓練樣本集；

條件生成對抗網絡構建及訓練模塊，被配置為構建條件生成對抗網絡，以模板圖像為目標輸出，采用多指標融合損失函數進行訓練，將模板圖像作為真實目標，增強后圖像作為虛假目標輸入，進行訓練；

圖像增強模塊，被配置為將密閉腔體內采集的圖像輸入訓練后的條件生成對抗網絡，得到圖像增強后的圖像。

9.一種計算機可讀存儲介質，其特征是：其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行權利要求1-7中任一項所述的一種密閉腔體低照度圖像增強方法。

10.一種終端設備，其特征是：包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行權利要求1-7中任一項所述的一種密閉腔體低照度圖像增強方法。