[發明專利]一種基于零次學習的低照度圖像增強方法

在審

• 申請號: 202310054678.7
• 申請日: 2023-02-03
• 公開（公告）號: CN115953321A
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 趙志強;魯耀方;陶于祥;徐航;高新政
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06V10/40;G06V10/764;G06V10/80;G06V10/774;G06V10/762
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

1.一種基于零次學習的低照度圖像增強方法，其特征在于，包括：獲取真實低照度數據集，采用的kmeans聚類方法對真實低照度數據集進行聚類，得到三分類聚類模型；獲取待增強的低照度圖像，采用三分類聚類模型對待增強的低照度圖像進行處理，得到低照度圖像類別；將低照度圖像輸入到增強曲線網絡中，得到3張3通道的增強曲線參數圖；根據低照度圖像類別，選擇一張3通道的增強曲線參數圖；根據增強曲線參數圖采用光照增強曲線公式對低照度圖像進行增強，得到初始增強圖；采用空間一致性損失約束、色彩恒常性損失約束、曝光控制損失約束、光照平滑度損失約束以及高斯降噪損失約束對初始增強圖進行約束；采用光照增強曲線公式對初始增強圖像增強8次，得到最終增強后的圖像。

2.根據權利要求1所述的一種基于零次學習的低照度圖像增強方法，其特征在于，增強曲線網絡包括像素塊分割層、線性嵌入層、第一Swin?Transformer?Block塊、第一像素塊下采樣層、第二Swin?Transformer?Block塊、第二像素塊下采樣層、第三Swin?TransformerBlock塊、第一像素塊上采樣層、第三Swin?Transformer?Block塊、第二像素塊上采樣層、第四Swin?Transformer?Block塊、第三像素塊上采樣層以及線性投影層；其中每個層依次連接，且第一Swin?Transformer?Block塊跳躍連接第四Swin?Transformer?Block塊，第二Swin?Transformer?Block塊跳躍連接第三Swin?Transformer?Block塊，構成增強曲線網絡。

3.根據權利要求1所述的一種基于零次學習的低照度圖像增強方法，其特征在于，采用的kmeans聚類方法對真實低照度數據集進行聚類的過程包括：將原始圖像轉為灰度圖，對灰度圖進行進行隨機調整大小裁剪，得到大小為512*512的圖像；計算裁剪圖像的灰度直方圖，并將灰度直方圖展開并歸一化，得到256維圖像特征；采用GPU加速的Kmeans聚類方法對256維圖像特征進行聚類，得到三分類聚類模型。

4.根據權利要求1所述的一種基于零次學習的低照度圖像增強方法，其特征在于，采用增強曲線網絡對低照度圖像進行處理包括：將低照度圖像輸入到像素塊分割層進行裁剪，得到大小為window_size*window_size的相互不重疊的圖像塊；將圖像塊輸入到線性嵌入層，得到固定大小的張量；將張量輸入到第一Swin?Transformer?Block模塊和第一像素塊下采樣層進行變換，生成分層特征表示；將分層特征分別輸入到第二Swin?Transformerblock層和第四Swin?Transformer?block模塊中，并分別經過多個像素塊下采樣層和多個像素塊上采樣層第二像素塊下采樣層進行上下文特征提取，并將上下文特征通過跳過連接與編碼器生成多尺度融合特征。

5.根據權利要求1所述的一種基于零次學習的低照度圖像增強方法，其特征在于，光照增強曲線公式為：

LE_n(x)＝LE_n-1(x)+A_n(x)LE_n-1(x)(1-LE_n-1(x))

其中，LE_n-1(x)為前一次增強圖像，A_n(x)增強曲線參數圖。

6.根據權利要求1所述的一種基于零次學習的低照度圖像增強方法，其特征在于，空間一致性損失約束的表達式為：

其中，K為局部區域數量，Ω(i)為i的鄰域，Y為增強后圖像局部區域平均強度值，I為增強前圖像局部區域平均強度值。

7.根據權利要求1所述的一種基于零次學習的低照度圖像增強方法，其特征在于，色彩恒常性損失約束的表達式為：

其中，J表示通道的平均強度，ε表示彩色RGB圖像任意兩通道結合所組成的集合，p與q皆表示彩色RGB圖像的任一通道。