[發(fā)明專利]低照度圖像處理方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211259351.5
• 申請日: 2022-10-14
• 公開（公告）號: CN116664411A
• 公開（公告）日: 2023-08-29
• 發(fā)明（設(shè)計）人: 涂娟娟;秦臻;張繼東;曹靖城;吳春平
• 申請（專利權(quán)）人: 天翼數(shù)字生活科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;G06N3/048;G06N3/0475;G06N3/094;G06V10/46;G06V10/82
• 代理公司: 上海專利商標事務(wù)所有限公司 31100
• 代理人: 亓云;蔡悅

1.一種用于圖像處理的方法，包括：

獲取待處理圖像；

確定所述待處理圖像是低照度圖像還是高照度圖像；

響應(yīng)于確定所述待處理圖像為低照度圖像：

提取所述低照度圖像的尺度不變特征變換SIFT特征；

基于SIFT特征將所述低照度圖像與參照特征庫中的高照度參照圖像進行比較；

響應(yīng)于在所述參照特征庫找到與所述低照度圖像的相似度高于閾值的高照度參照圖像，用所找到的高照度參照圖像作為所述低照度圖像的經(jīng)處理圖像；

響應(yīng)于在所述參照特征庫未找到與所述低照度圖像的相似度高于閾值的高照度參照圖像，提取所述低照度圖像的圖像特征；以及

將提取的圖像特征輸入經(jīng)訓練的基于生成對抗網(wǎng)絡(luò)的圖像去噪模型來得到所述低照度圖像的經(jīng)處理圖像。

2.如權(quán)利要求1所述的方法，其特征在于，提取所述低照度圖像的圖像特征進一步包括：

使用經(jīng)訓練的寬度學習網(wǎng)絡(luò)來提取所述低照度圖像的空間特征。

3.如權(quán)利要求2所述的方法，其特征在于，所述寬度學習網(wǎng)絡(luò)是通過以下過程訓練的：

生成特征節(jié)點，建立輸入的訓練數(shù)據(jù)到特征節(jié)點的映射；

通過增強映射函數(shù)對各個特征節(jié)點進行增強以形成對應(yīng)的增強節(jié)點；以及

將所述特征節(jié)點和所述增強節(jié)點作為所述寬度學習網(wǎng)絡(luò)的輸入層，對訓練數(shù)據(jù)中的相應(yīng)的目標值執(zhí)行求偽逆，以得到所述寬度學習網(wǎng)絡(luò)的權(quán)重系數(shù)。

4.如權(quán)利要求1所述的方法，其特征在于，所述生成對抗網(wǎng)絡(luò)是通過以下過程訓練的：

獲取用于訓練所述生成對抗網(wǎng)絡(luò)的訓練數(shù)據(jù)集，所述訓練數(shù)據(jù)集包括含噪聲的模糊圖像以及不含噪聲的清晰圖像；

使用所述訓練數(shù)據(jù)集來完成所述生成對抗網(wǎng)絡(luò)的訓練，所述生成對抗網(wǎng)絡(luò)的訓練進一步包括重復執(zhí)行以下步驟：

將所述模糊圖像的提取特征送入到所述生成對抗網(wǎng)絡(luò)的生成器并生成去噪聲圖像；

將所述生成器生成的去噪聲圖像與所述清晰圖像送入所述生成對抗網(wǎng)絡(luò)的判別器以供所述判別器進行真實圖像判別；以及

進行所述生成器和所述判別器的損失計算，并根據(jù)計算結(jié)果對所述生成器和所述判別器的參數(shù)進行更新，

其中經(jīng)訓練后的生成器被用作為所述圖像去噪模型。

5.如權(quán)利要求4所述的方法，其特征在于，所述模糊圖像的提取特征是使用經(jīng)訓練的寬度學習網(wǎng)絡(luò)提取的空間特征。

6.如權(quán)利要求1所述的方法，其特征在于，所述參照特征庫是通過以下方式構(gòu)建的：

采集亮度高于閾值的高照度圖像；

對當前采集的高照度圖像進行SIFT特征提??；

將提取的SIFT特征與庫中已有的SIFT特征進行比對；以及

如果當前采集的高照度圖像的SIFT特征與庫中任意一個已有的SIFT特征的相似度小于預(yù)定閾值，則將當前采集的高照度圖像加入庫中。

7.如權(quán)利要求6所述的方法，其特征在于，對加入所述參照特征庫中的圖像進一步執(zhí)行以下操作：

對入庫圖像進行灰度處理；

對經(jīng)灰度處理的圖像進行拉普拉斯變換；以及

對經(jīng)拉普拉斯變換的圖像進行序列化保存。