[发明专利]基于半监督学习的低照度图像增强方法

说明书

本发明公开了一种基于半监督学习的低照度图像增强方法，属于图像处理技术领域。针对实际应用场合很难获取与低照度图像对应的标签数据的事实，以基于半监督学习的方法训练用于产生映射系数图的深度卷积神经网络模型。本发明以迭代形式的灰度映射实现低照度图像增强，由深度卷积神经网络产生每轮迭代所使用的映射系数图。采用本发明提供的半监督学习方法训练的网络模型能有效提升低照度区域的亮度和对比度，改善夜间低照度图像的视觉质量。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于半监督学习的低照度图像增强方法。

背景技术

摄像机在夜间获取的图像，由于环境光源亮度不足，往往存在大量低照度甚至极低照度的区域；与此同时，环境中存在的光源将使得图像中存在局部高光区域。与白天日照条件下的成像不同，夜晚场景中的照明光可能附带不同的颜色，如卤素灯、霓虹灯、车尾灯等。上述低照度和高亮区域共存的情况使得夜间成像的图像具有低对比度、局部细节缺失、视觉质量低下等缺点，上述缺点伴随着照明光源色温的差异，将极大影响后续基于机器视觉或人眼视觉的目标检测和目标识别任务。

发明内容

本发明的目的在于解决现有技术存在的问题，提供一种基于半监督学习的低照度图像增强方法。

本发明采用的技术方案如下：

一种基于半监督学习的低照度图像增强方法，该方法包括：

S1、获取用于低照度图像增强模型训练的图像数据集，包括有标签数据集和无标签数据集；

S2、对图像数据集中的每一幅低照度图像样本x∈R^W×H×3，采用亮通道先验计算对应的大小为W×H的亮通道图x^L，计算式为：

其中：x^L(m，n)代表亮通道图x^L中坐标为(m，n)像素的值，max()表示取最大值操作，x^C代表低照度图像样本x中颜色分量为C的颜色分量图像，R、G、B分别代表红、绿、蓝三种颜色分量，x^C(i，j)代表颜色分量图像x^C中坐标为(i，j)像素的值，Ω(m，n)代表坐标为(m，n)像素的一个邻域；W和H为低照度图像样本x的宽度和高度；

S3、针对每个低照度图像样本x，对应获取S2中计算得到的亮通道图x^L，将x与x^L沿通道方向拼接成一个W×H×4的四通道图像；

所述低照度图像增强模型以四通道图像作为输入，输入的四通道图像先由深度卷积神经网络输出3N_iter个映射系数图，再以迭代形式的灰度映射实现低照度图像增强；其中灰度映射的第i轮迭代表示为：

式中：1≤i≤N_iter，N_iter为预设的灰度映射总迭代次数，f代表所述灰度映射使用的映射函数，z_i-1和z_i分别为第i轮迭代时映射函数的输入图像和输出图像，且z₀为原始的低照度图像x，为经过N_iter轮迭代后低照度图像增强模型最终输出的增强图像和分别为第i轮迭代时红、绿、蓝三个颜色分量对应的映射系数图，均取自深度卷积神经网络中输出的3N_iter个映射系数图；

S4、设置低照度图像增强模型的总训练轮次为N_epoch，先采用有标签数据集中的样本对所述低照度图像增强模型进行N_label轮训练，并以最小化损失函数L_labeled为目标对于深度卷积神经网络各个网络层的参数进行优化，L_labeled如下式所示：