[发明专利]一种基于图像增强模型的低照度交通图像增强方法

权利要求书

1.一种基于图像增强模型的低照度交通图像增强方法，其特征在于，包括以下步骤：

S1、将拍摄的RGB空间的交通图像转换为HSV空间，得到H、S、V分量；

S2、将H、S、V分量输入图像增强模型，得到增强H、S、V分量；

S3、将增强H、S、V分量转换到RGB空间，得到增强交通图像。

2.根据权利要求1所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述图像增强模型包括依次连接的编码解码网络、优化模型网络和残差神经网络。

3.根据权利要求1所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述编码解码网络包括依次连接的第一编码块、第一最大池化层、第二编码块、第二最大池化层、第三编码块、第一反卷积层、第一解码块、第二反卷积层和第二解码块。

4.根据权利要求3所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述第一编码块、第二编码块、第三编码块、第一解码块和第二解码块均包括依次连接的第一卷积层Conv2D、第一激活层LReLU、第二卷积层Conv2D和第二激活层LReLU。

5.根据权利要求4所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述第一编码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n32s1，其中，K3表示卷积核大小为3，n32表示卷积核数量为32，s1表示卷积步长为1；

所述第二编码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n64s1，其中，n64表示卷积核数量为64；

所述第三编码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n128s1，其中，n128表示卷积核数量为128；

所述第一解码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n64s1；

所述第二解码块中第一卷积层Conv2D和第二卷积层Conv2D的参数均为K3n32s1；

所述第一反卷积层的参数为K3n64s1；

所述第二反卷积层的参数为K3n32s1。

6.根据权利要求2所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述优化模型网络包括依次连接的第三卷积层、第四卷积层、第五卷积层Conv2D和第三激活层PReLU；

所述第三卷积层的参数为k1n13s2，其中，K1表示卷积核大小为1，n13表示卷积核数量为13，s2表示卷积步长为2；

所述第四卷积层的参数为k1n5s2，其中，K1表示卷积核大小为1，n5表示卷积核数量为5，s2表示卷积步长为2；

所述第五卷积层的参数为k9n64s1，其中，K9表示卷积核大小为9，n64表示卷积核数量为64，s1表示卷积步长为1。

7.根据权利要求2所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述残差神经网络包括依次连接的第六卷积层、第一残差块、第二残差块、第三残差块和第七卷积层；

所述第六卷积层用于对输入残差神经网络的特征数据进行降维；

所述第七卷积层用于对经过残差块后的特征数据进行升维；

所述第六卷积层和第七卷积层的卷积核大小为1*1。

8.根据权利要求7所述的基于图像增强模型的低照度交通图像增强方法，其特征在于，所述第一残差块、第二残差块和第三残差块均包括：第一Batch-Normal层、第四激活层PReLU、第八卷积层、第二Batch-Normal层、第五激活层PReLU和第九卷积层；

所述第一Batch-Normal层的输入端作为第一残差块、第二残差块或第三残差块的输入端，其输出端与第四激活层PReLU的输入端连接；

所述第四激活层PReLU的输出端与第八卷积层的输入端连接；

所述第八卷积层的输出端与第二Batch-Normal层的输入端连接；

所述第二Batch-Normal层的输出端与第九卷积层的输入端连接；

所述第九卷积层的输出端作为第一残差块、第二残差块或第三残差块的输出端；

输入第一Batch-Normal层的特征数据和输出第九卷积层的特征数据共同作为第一残差块、第二残差块或第三残差块输出的特征数据；

所述第八卷积层和第九卷积层卷积核的大小均为3*3。