[发明专利]用于楼宇内低照度环境的图像增强和噪声自适应去除方法

说明书

本发明公开了一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法，其特征在于，包括：S1、采用三个不同的卷积神经网络将原始图像进行分解，分解为照度图、反射图和噪声图；S2、通过卷积神经网络对步骤S1分解出的照度图进行照度的调整；S3、将步骤S2调整后的照度图与步骤S1分解得到的反射图进行融合，得到最终的增强图像。本发明卷积神经网络的深度较低，实时性比一般的低照度图像增强方法高，且不需要设计复杂的先验知识，简单易行；提升了低照度图像增强方法对于噪声的鲁棒性，能有效分离出图像的噪声，从而避免噪声在增强过程中的放大，获得视觉效果良好的图像；与现有的低照度图像增强方法结果相比，有效的降低增强后图像中的噪声。

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法，适用于目标检测、显著性检测、语义分割、目标跟踪、人脸识别等高度依赖目标可见性的系统。

背景技术

随着手机等便于携带的移动成像设备的广泛普及，图像的获取变得越来越容易，大量处于楼宇内低照度环境下拍摄的图像开始出现。低照度图像由于其低曝光度的特性不仅会导致视觉上效果较差的影响，而且会使得目标检测、显著性检测、语义分割、目标跟踪、人脸识别等下游计算机视觉任务因为黑暗区域细节的减少而出现极大的性能下降。

为了解决低照度图像带来的各种影响，低照度图像增强技术在近些年出现蓬勃的发展。低照度图像增强技术是一种针对光照不足图像中存在的低亮度、低对比度、高噪声、颜色失真等问题的处理技术。低光照图像增强技术的主要目的是通过解决上述问题，提高图像的视觉效果，使得人类或者机器可以更多的发现原本无法察觉的细节。

常见的低照度图像增强技术有直方图均衡化、非锐化掩蔽、大气光成像模型、多曝光度图像融合、Retinex增强算法等方法。直方图均衡化技术通过对图像灰度的重新分配可以快速的实现对低光照图像的增强，但是其经常因为对局部处理较差而导致过增强或者欠增强的结果。非锐化掩蔽的方法将图像分解为低频信号和高频信号两个部分，通过单独的对低频信号中的光照进行增强而来减少噪声的引入，但其依旧无法避免过增强的结果。大气光成像模型这类方法认为低光照图像的反转图与雾天图像十分类似，因此将低光照图像增强问题转化为去雾的问题，直接使用大气光成像模型来进行求解，但是这一理论缺乏相应的物理机理来进行支撑。多曝光度图像融合的方法认为从单张低照度的图片中恢复出一个光照良好的图片是一个不适定的问题，因此它通过融合多种不同曝光度图片下的信息来达到图像增强的目的，但是现实生活中多曝光度图片的获取是较为困难的，而且长时间的曝光容易出现运动模糊等新问题。Retinex理论将图片分解为照度图和反射图两个部分，通过改变照度图中像素的强度达到低光照图像增强的目的，但是传统的Retinex理论需要复杂的先验知识来获取单一的照度图或者反射图，这一先验知识的好坏直接影响最终增强的结果，而且其对于噪声的处理能力较差往往需要复杂的后处理或者预处理完成对噪声的去除。

发明内容

本发明为了克服以上技术的不足，提供了一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法。

本发明克服其技术问题所采用的技术方案是：

一种用于楼宇内低照度环境的图像增强和噪声自适应去除方法，包括步骤：

S1、采用三个不同的卷积神经网络将原始图像进行分解，分解为照度图、反射图和噪声图；

S2、通过卷积神经网络对步骤S1分解出的照度图进行照度的调整；

S3、将步骤S2调整后的照度图与步骤S1分解得到的反射图进行融合，得到最终的增强图像。

进一步地，所述步骤S1对原始图像进行分解采用如下公式：

S(x,y)＝R(x,y)·L(x,y)+N(x,y) (1)