本發(fā)明屬于圖像處理，特別是圖像增強方法領(lǐng)域，涉及一種基于中心差分卷積的低照度圖像增強方法。

背景技術(shù)：

1、在成像時可能會因為環(huán)境的光照不足或者相機參數(shù)的設(shè)置不合適而導(dǎo)致所獲取的圖像呈現(xiàn)出細節(jié)模糊、亮度較低和顏色不鮮明等問題。雖然可以通過調(diào)整成像設(shè)備參數(shù)，如延長曝光時間、增大光圈等，獲得亮度較高的圖像，但這需要根據(jù)環(huán)境的變化來手動調(diào)整并且也會引入其它拍攝問題，如動態(tài)模糊。相較于硬件上的調(diào)整，低照度圖像增強技術(shù)可以方便地對圖像進行后期增強，使圖像畫面更加清晰。除了提升圖像的觀感，低照度圖像增強技術(shù)也能夠提升高級計算機視覺任務(wù)的性能。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于中心差分卷積的低照度圖像增強方法，其能夠抑制噪聲，增強紋理細節(jié)，提高圖像的清晰度；并且對非均勻光照條件下和極低光照條件下的圖像均有較好的增強效果。

2、為達到上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于中心差分卷積的低照度圖像增強方法，首先利用hsv色彩空間提取低照度圖像的亮度分量并通過二值掩膜將亮度分量分割為亮暗兩個區(qū)域并求得每個區(qū)域的平均亮度；然后通過基于二值掩膜的曝光方法根據(jù)不同區(qū)域平均亮度對圖像的亮度分量進行不同程度的曝光；接著中心差分卷積神經(jīng)網(wǎng)絡(luò)在融合損失函數(shù)的引導(dǎo)下融合不同程度曝光后的亮度分量；最后通過另一個中心差分卷積神經(jīng)網(wǎng)絡(luò)在內(nèi)容損失函數(shù)的引導(dǎo)下抑制放大的噪聲并增強圖像當(dāng)中的紋理細節(jié)；

4、該方法具體包括以下步驟：

5、s1：利用hsv色彩空間提取低照度圖像的亮度分量vlow；

6、s2：制作將亮度分量分割為亮部和暗部區(qū)域的二值掩膜；

7、s3：通過基于二值掩膜的曝光方法得到不同曝光程度的亮度分量和

8、s4：構(gòu)建中心差分卷積神經(jīng)網(wǎng)絡(luò)；

9、s5：亮度分量和通過中心差分卷積神經(jīng)網(wǎng)絡(luò)在融合損失函數(shù)的引導(dǎo)下融合得到亮度分量vfused；

10、s6：將亮度分量vfused再通過hsv逆變換轉(zhuǎn)換回rgb色彩空間得到曝光后的圖像iexp；

11、s7：曝光后的圖像iexp通過中心差分卷積神經(jīng)網(wǎng)絡(luò)在內(nèi)容損失函數(shù)的引導(dǎo)下抑制噪聲得到最終增強結(jié)果

12、優(yōu)選的，所述步驟s3具體包括：

13、s31：通過二值掩膜將圖像分割為亮部區(qū)域和暗部區(qū)域；

14、s32：根據(jù)亮部區(qū)域的亮度平均值計算伽馬變換函數(shù)的參數(shù)，并通過伽馬變換函數(shù)對亮度分量vlow進行曝光得到亮部區(qū)域曝光的亮度分量

15、s33：與s2一樣，伽馬變換函數(shù)根據(jù)暗部區(qū)域的亮度平均值對亮度分量進行曝光得到暗部區(qū)域曝光的亮度分量

16、s34：構(gòu)建雙參數(shù)分段線性變換函數(shù)f(r；α,β)，表示如下：

17、

18、其中，r為輸入亮度值，s為輸出亮度值，兩者范圍皆為[0,1]，α決定了變換函數(shù)在低亮度值區(qū)間的斜率，β決定了變換函數(shù)在高亮度值區(qū)間的斜率；

19、s35：通過暗部區(qū)域的亮度平均值計算f(r；α,β)中的α參數(shù)；

20、s36：通過求解以下優(yōu)化目標來計算β參數(shù)：

21、

22、其中，h和w分別為圖像的高和寬，i代表圖像位置索引，b為目標全局亮度平均值；

23、s37：根據(jù)確定參數(shù)后的f(r；α,β)對亮度分量進行曝光得到整體曝光的亮度分量

24、優(yōu)選的，所述步驟s4具體包括：

25、s41：首先利用3×3大小的卷積提取編碼特征；

26、s42：然后通過具有中心差分卷積模塊和多尺度特征注意力模塊的殘差塊對特征進一步編碼；

27、s43：接著使用下采樣操作得到更小尺度的編碼特征；

28、s44：相應(yīng)地，通過上采樣操作恢復(fù)編碼特征的尺度得到解碼特征；

29、s45：通過拼接操作將同尺度的編碼特征和解碼特征組合，再次利用殘差塊進行解碼，并利用1×1大小的卷積將兩種特征融合；

30、s46：最后使用一個3×3大小的卷積將解碼特征轉(zhuǎn)化為圖像。

31、進一步的，所述步驟s4中的第s42步中的中心差分卷積模塊具體包括：

32、s421：首先將輸入特征輸入通道注意力機制得到2×1×1大小的權(quán)重；

33、s422：接著拆分權(quán)重分別得到中心差分卷積核和普通卷積核的融合權(quán)重；

34、s423：最后將中心差分卷積核和普通卷積核按融合權(quán)重進行加權(quán)求和得到隨輸入特征動態(tài)調(diào)整的卷積核k；

35、s424：用卷積核k對輸入特征執(zhí)行卷積操作進一步提取輸入特征中的有效信息。

36、進一步的，所述步驟s4中的第s42步中的多尺度特征注意力模塊具體包括：

37、s42a：首先輸入特征輸入通道注意力機制得到c×1×1大小的通道權(quán)重wc；

38、s42b：將通道權(quán)重wc通過廣播機制與輸入特征相加得粗略權(quán)重wcoa；

39、s42c：用3×3小感受野和7×7大感受野的分組卷積對粗略權(quán)重wcoa進行卷積得到兩種不同尺度的權(quán)重w3和w7；

40、s42d：按對應(yīng)通道對權(quán)重wcoa、w3和w7通過通道混洗操作以交替的方式重新組合并用1×1大小的分組卷積融合三種權(quán)重得到精細化權(quán)重w；

41、s42e：通過精細化權(quán)重w對輸入特征圖進行注意力加權(quán)。

42、本發(fā)明的有益效果在于：在網(wǎng)絡(luò)框架方面，通過基于二值掩模的曝光方法對圖像的亮度分量中的局部區(qū)域進行充分的曝光并通過兩階段網(wǎng)絡(luò)融合不同曝光程度亮度分量，抑制因亮度提升而放大的噪聲和增強圖像中的紋理細節(jié)，該框架能夠挖掘圖像中的細節(jié)信息并對不同光照條件下的低照度圖像具有魯棒性；在網(wǎng)絡(luò)模塊方面，設(shè)計中心差分卷積模塊提取局部梯度級詳細信息和強度級語義信息，并改進特征注意力模塊使得神經(jīng)網(wǎng)絡(luò)能夠注意各個特征通道間的差異性，兩種模塊增強神經(jīng)網(wǎng)絡(luò)對圖像特征的提取能力有利于提升神經(jīng)網(wǎng)絡(luò)的性能。

技術(shù)特征：

1.一種基于中心差分卷積的低照度圖像增強方法，其特征在于，首先，通過二值掩膜將圖像分割為亮暗兩個區(qū)域并求得每個區(qū)域的平均亮度；然后，通過基于二值掩膜的曝光方法根據(jù)不同區(qū)域平均亮度對圖像的亮度分量進行不同程度的曝光；接著中心差分卷積神經(jīng)網(wǎng)絡(luò)在融合損失函數(shù)的引導(dǎo)下融合不同曝光程度的亮度分量；最后通過另一個中心差分卷積神經(jīng)網(wǎng)絡(luò)在內(nèi)容損失函數(shù)的引導(dǎo)下抑制放大的噪聲并增強圖像當(dāng)中的紋理細節(jié)；

2.根據(jù)權(quán)利要求1所述的一種基于中心差分卷積的低照度圖像增強方法，其特征在于，所述步驟s3具體包括：

3.根據(jù)權(quán)利要求1所述的一種基于中心差分卷積的低照度圖像增強方法，其特征在于，所述步驟s4具體包括：

4.根據(jù)權(quán)利要求4所述的一種基于中心差分卷積的低照度圖像增強方法，其特征在于，所述步驟s42中的中心差分卷積模塊具體包括：

5.根據(jù)權(quán)利要求4所述的一種基于中心差分卷積的低照度圖像增強方法，其特征在于，所述步驟s42中的多尺度特征注意力模塊具體包括：

技術(shù)總結(jié)
本發(fā)明涉及一種基于中心差分卷積的低照度圖像增強方法，屬于圖像處理領(lǐng)域。該方法包括：首先通過二值掩膜將圖像在HSV色彩空間中的亮度分量分割為亮暗兩個區(qū)域并求得每個區(qū)域的平均亮度；然后通過基于二值掩膜的曝光方法根據(jù)不同區(qū)域平均亮度對圖像的亮度分量進行不同程度的曝光；接著中心差分卷積神經(jīng)網(wǎng)絡(luò)在融合損失函數(shù)的引導(dǎo)下融合不同曝光程度的亮度分量；最后通過另一個中心差分卷積神經(jīng)網(wǎng)絡(luò)在內(nèi)容損失函數(shù)的引導(dǎo)下抑制放大的噪聲并增強圖像當(dāng)中的紋理細節(jié)。本發(fā)明的方法不僅能夠抑制噪聲，增強紋理細節(jié)，提高圖像的清晰度；并且對非均勻光照條件下和極低光照條件下的圖像均有較好的增強效果。

技術(shù)研發(fā)人員：陳勇,陳尚明,劉煥淋,劉鑒朗,熊杭英,張佑瑞
受保護的技術(shù)使用者：重慶郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9