[发明专利]一种基于密集深度学习的暗光图像自适应增强方法

权利要求书

1.一种基于密集深度学习的暗光图像自适应增强方法。其特征在于，设计了一个密集深度卷积神经网络模型来自适应增强，首先采用密集卷积神经网络进行低光照图像分解，获得低光照图像的反射率图和照度图；再通过所获得的照度图和MAMI模块来指导降噪网络来对所获得的反射率图进行降噪，得到降噪后的反射率图；接着将降噪后的反射率图通过恢复网络来进一步去噪、修复失真、修复语义，得到恢复后的反射率图；然后将分解得到的照度图通过梯度自适应照度调节网络来调整照度图，得到局部自适应增强的照度图；最后将增强后的照度图与恢复后的反射率图合成得到目标图像。

2.根据权利要求1所述的一个密集深度卷积神经网络模型和相应的损失函数，其特征在于，所述模型包括四个子网络模型和相对应的损失函数：

1)采用密集卷积神经网络、残差结构和分解损失函数的分解网络模型；

2)采用残差思想和降噪损失函数学习噪声分量的降噪网络模型；

3)采用密集卷积神经网络块和带语义恢复的损失函数的恢复网络模型；

4)采用照度梯度信息和自适应梯度照度调节损失函数的调节网络模型。

3.根据权利要求2所述的分解网络模型，其特征在于，采用密集卷积神经网络来提取深度特征信息，引入残差连接结构优化梯度传播和训练，并设计分解损失函数。

4.根据权利要求2所述的降噪网络模型，其特征在于，采用密集卷积神经网络和残差思想，并使用注意力模块MAMI来指导残差噪声的学习，并设计降噪损失函数。

5.根据权利要求2所述的恢复网络模型，其特征在于，采用两个密集卷积神经网络和残差结构，融合各层次特征信息来恢复反射率图，并设计一个恢复语义特征的损失函数来修复图像语义，使得本模型恢复出来的反射率图在诸多计算机视觉任务中表现优于其他方法所恢复的反射率图。

6.根据权利要求2所述的梯度自适应照度调节网络模型，其特征在于，引入了照度图的梯度图信息来实现局部自适应增强，避免过度增强，同时引入目标照度与低照度的比例信息来实现灵活调节整体照度。