[發明專利]基于參考亮度指標指導的低照度可調節亮度增強方法

在審

• 申請號: 202011437884.9
• 申請日: 2020-12-07
• 公開（公告）號: CN112465726A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 姜竹青;王雅楠;劉暢;李凱;門愛東;王海嬰
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于參考亮度指標指導的低照度可調節亮度增強方法，屬于計算機視覺圖像技術領域。第一步，通過卷積、下采樣和全局平均池化等方式，對輸入暗光圖像和參考亮度指標進行特征提取，得到特征向量；第二步，將特征向量分解為亮度和內容特征分量，組合暗光圖像的內容分量和參考亮度指標的亮度分量，實現特征重組；第三步，通過轉置卷積、上采樣和跳連等方式，對重組的特征向量進行重建。本發明設計合理，充分考慮了不同應用場景或用戶對光照的不同需求，高效地利用并保留了圖像的亮度和內容信息，另外網絡復雜度較低，在取得較好亮度增強效果的同時，保持了較快的運行速度，整體在暗光圖像可調節亮度增強上取得了較好的效果。

技術領域

本發明屬于計算機視覺圖像技術領域，尤其是一種基于參考亮度指標指導的低照度可調節亮度增強方法。

背景技術

隨著科學技術的進步、移動設備的發展和普及，人們獲取圖像的方式越來越便捷。但在圖像采集的過程中，受限于拍照設備和不受控的拍攝環境及光照條件，圖像質量常常會下降。例如，智能手機相機的光圈和傳感器較小，動態范圍有限；拍攝環境光線不充足，圖像中出現噪聲和顏色失真。這些不僅會影響圖像的視覺效果，使信息呈現不完整，還會限制后續應用。為了提高圖像質量，常常需要一些后處理來進行圖像增強。由于圖像視覺質量的感知是一項與應用場景、用戶性格和審美等因素有關的認知任務，因此圖像增強的過程應該是面向應用場景或用戶且具有可調節性的。雖然現有的專業軟件提供了人為調整圖像的工具，但這些工具要么操作復雜，需要專業知識；要么操作較簡單，但增強效果不好。因此，如何根據不同應用場景或用戶的需求，高效地對低質量暗光圖像進行可調節亮度增強，是計算機視覺領域的一個重要但又具挑戰性的研究課題。

低照度圖像增強技術(Low-Light Image Enhancement)是針對照明不足的圖像存在的低亮度、低對比度和噪聲等問題進行處理，恢復圖像亮度，提升視覺效果。低照度圖像增強是一個主觀過程，不同應用場景或用戶對正常亮度等級的定義不同，所需亮度水平也不同，因此具有可調節性的亮度增強網絡的實用性將會大大提高。低照度圖像增強為計算機更好地觀察、分析和處理圖片提供了重要的技術支持，在醫學影像和監控系統等很多領域都具有非常重要的應用價值。

傳統的低照度圖像增強方法主要表現為提高圖像的對比度。直方圖均衡化(HE)及其變體通過調整圖像的直方圖來擴大其有限的動態范圍；視網膜理論(Retinex Theory)將圖像看作反射層和光照層的乘積，通過估計并調整光照層以增強圖像亮度。這些方法不能處理復雜情況下暗光到正常亮度的映射，無法保證圖像增強的效果。

受益于深度學習的發展，越來越多的研究人員將神經網絡應用于非線性低照度增強問題。例如，用隨機伽馬矯正模擬的數據對卷積神經網絡進行訓練的低照度增強技術(LLNet)，使用非成對數據對生成式對抗網絡進行訓練的低照度增強技術(EnlightenGAN)，通過卷積神經網絡學習從圖像到曲線的映射，并將曲線應用于原圖以調整圖像像素值的低照度增強技術(Zero-DCE)，通過卷積神經網絡估計圖像到光照圖映射的低照度增強技術(DeepUPE)。但是這些方法只能實現固定亮度的增強，即一對一的映射，沒有考慮應用場景或用戶對亮度的不同需求。使用卷積神經網絡將圖像分解為反射層和光照層，在反射層進行去噪，在光照層通過比例系數進行亮度調節的低照度增強技術(KinD)可在有限范圍內調整亮度等級，但人眼觀察到的圖像亮度等級并不與比例系數呈線性關系。通過卷積網絡學習代表用戶喜好的偏好向量，用于指導亮度增強過程的低照度增強技術(PieNet)，可通過用戶選擇的多張喜好圖像生成該用戶特定的增強圖像，但前期準備和操作較復雜，且偏好向量中除包含亮度信息外，還學習到了顏色信息，導致增強圖像中出現顏色失真的問題。

發明內容

本發明的目的在于克服現有技術的不足，提出一種設計合理、充分考慮主觀因素且相對較為輕量的基于參考亮度指標指導的低照度可調節亮度增強方法。

本發明解決其技術問題是采取以下技術方案實現的：

一種基于參考亮度指標指導的低照度可調節亮度增強方法，包括以下步驟：