[发明专利]一种基于条件对抗网络的弱光图像增强方法和装置

权利要求书

1.一种基于条件对抗网络的弱光图像增强方法，其特征在于，所述方法包括：

获取弱光图像样本，将所述弱光图像样本输入到弱光图像增强训练模型中；所述弱光图像增强训练模型包括生成器网络和判别器网络；所述生成器网络包括跨步卷积网络、残差网络和转置网络；所述判别器网络为Wasserstein GAN结构的批判网络；

通过所述跨步卷积网络对所述弱光图像进行下采样，得到下采样特征图；所述跨步卷积网络包括若干个跨步卷积块；

通过所述残差网络对所述下采样特征图进行处理，得到残差校正特征图；所述残差网络包括多个残差块；

通过所述转置网络对所述残差校正特征图进行上采样，得到上采样特征图；所述转置网络包括若干个卷积块；

通过跳跃连接结构将所述弱光图像样本与所述上采样特征图进行融合，再对融合图进行激活输出，得到生成器生成图；

通过所述判别器网络对所述生成器生成图进行判别，得到判别器输出矩阵；

根据预先构建的损失函数、所述判别器输出矩阵和所述生成器生成图对所述弱光图像增强训练模型进行训练，得到训练好的生成器网络；

通过训练好的生成器网络进行弱光图像的增强。

2.根据权利要求1所述的方法，其特征在于，所述残差块由卷积层、实例归一化层和Relu激活层组成。

3.根据权利要求1所述的方法，其特征在于，所述损失函数由对抗性损失、内容损失和结构损失组合而成，所述损失函数为：

L_total＝L_gan+λ₁·L_per+λ₂·L_ssim

其中，L_total表示所述损失函数，L_gan表示所述对抗性损失，L_per表示所述内容损失，L_ssim表示所述结构损失，λ₁和λ₂为预设的系数。

4.根据权利要求3所述的方法，其特征在于，所述对抗性损失为：

其中，I_l代表暗光图像，G(·)代表生成器，D(·)代表判别器，N表示判别器的输出像数总量。

5.根据权利要求4所述的方法，其特征在于，所述内容损失为感知损失，所述感知损失为：

其中，φ_i,j代表图像通过VGG19卷积层网络的第i个最大池化层，第j次卷积后获得的特征层，其中i＝3,j＝3，VGG19为在ImageNet上预先训练好的网络模型，W_i,j，H_i,j和C_i,j代表特征图像的维度。

6.根据权利要求5所述的方法，其特征在于，所述结构损失为：

其中，μ_x和μ_y代表图像像素的平均值，和代表方差，σ_xy代表协方差，，C₁和C₂是防止分母为零的常数。

7.根据权利要求6所述的方法，其特征在于，根据预先构建的损失函数、所述判别器输出矩阵和所述生成器生成图对所述弱光图像增强训练模型进行训练，包括：

根据预先构建的损失函数、所述判别器输出矩阵和所述生成器生成图对所述弱光图像增强训练模型进行训练，每在判别器上执行5个梯度下降步骤，在生成器上执行一个步骤，共执行150轮训练；所述生成器网络和所述判别器网络的初始学习速率设置为10-4。