[发明专利]一种视频对比度增强方法及系统

说明书

本发明是一种一种视频对比度增强方法及系统，特别是基于自监督学习的视频对比度增强算法，利用无监督图像质量评价模型引导训练视频对比度增强算法模型，本发明可在cpu上实现实时的视频对比度增强。本发明受图像直方图均衡化算法的启发，设计了一种自适应的灰度映射机制，利用无监督图像质量评价模型作为引导，回归得到了Map映射矩阵；根据不同的图像，会得到不同Map映射矩阵用于视频对比度增强，无需人为干预，在算法的使用上特别友好。

技术领域

本发明涉及一种视频处理技术，尤其涉及一种视频对比度增强方法及系统。

背景技术

现有的关于视频对比度增强的算法，主要是对图像的Y分量数据进行某种操作，实现图像的对比度的增强，一般有直方图均衡化、伽马变换以及对图像数据乘以一个常数等等的方法。这些方法依赖于人为对于参数的设置，不能很好的适用于各个场景，在算法的使用上存在不友好性。

基于深度学习的方法可分为基于无监督和有监督两类，自监督方法属于无监督的一种。在基于深度学习的有监督方法中，往往需要成对的低照度图像和正常照度图像进行训练，该类方法一般可以很好的抑制增强结果中的噪声。在202010097457.4中公开了一种基于深度学习的自监督低照度图像增强方法，它包括以下步骤：将待增强低照度图像输入图像增强网络；所述的图像增强网络的输入为低照度图像S及其最大值通道图像Smax，S为M*N*3的矩阵，M为行数，N为列数，3为{r,g,b}三个颜色通道，Smax通过取三个颜色通道中的最大值得到，为M*N*1的矩阵，将S和Smax合并为M*N*4的矩阵作为网络的输入：图像增强网络输出的反射图像R即为增强后图像。图像增强网络结构如下：输入分别输入第一卷积层和第二卷积层，第一卷积层、第二卷积层分别为9*9的卷积层和3*3的卷积层；第一卷积层连接第三卷积单元，所述第三卷积单元为3*3的卷积层后连接一个ReLU层；第三卷积单元连接第四卷积单元，第四卷积单元连接第五卷积单元，第五卷积单元连接第六卷积单元，第四卷积单元、第五卷积单元、第六卷积单元均为3*3的卷积层后连接一个ReLU层；第六卷积单元的输出与第三卷积单元的输出进行Concat操作后输入第七卷积单元，第七卷积单元为3*3的卷积层后连接一个ReLU层；第七卷积单元的输出与第二卷积单元的输出进行Concat操作后输入第八卷积层，第八卷积层连接第九卷积层，第八卷积层、第九卷积层均为3*3的卷积层；第九卷积层连接一个Sigmoid激活函数层；Sigmoid激活函数层连接输出层，输出为反射图像R和照度图像I。

图像增强网络为训练好的图像增强网络，所述的训练过程如下：

A1、采集任意n张低照度图像，n＞＝1，构建训练数据集；A2、对于训练数据集中每一张低照度图像S，提取其对应的最大值通道图像Smax，利用直方图均衡化对Smax进行处理，得到直方图均衡化后最大值通道图像SHe_max；A3、以直方图均衡化后最大值通道图像SHe_max作为监督，结合Retinex理论和照度图像I平滑的假设构建损失函数，训练图像增强网络。

这种处理的结果直接受训练影响，并且不能很好的适用于各个场景，在算法的使用上存在不友好性。

发明内容

本发明提供一种视频对比度增强方法及系统，以解决现有技术中不能很好的适用于各个场景，在算法的使用上存在不友好性的技术问题。

一种视频对比度增强方法，包括：

S1:通过深度神经网络学习得到模型权重weights[1024][256]；

S2:获得Map映射矩阵，其进一步包括：通过所述模型权重weights[1024][256]计算得到Map映射矩阵Map[1024]，并将Map映射矩阵Map[1024]从小到大排序，后每四位求平均，得到最终的Map[256]；

histY[k]是在Y分量上计算直方图；