[发明专利]基于改进的Zero-DCE网络的低照度图像增强方法

说明书

本发明涉及一种基于改进的Zero‑DCE网络的低照度图像增强方法，属于低照度图像增强领域。该方法包括：获取待增强图像；将所述待增强图像输入至改进的Zero‑DCE网络中，输出增强后的图像；其中，在传统Zero‑DCE网络的结构之上，取消了Zero‑DCE网络中第七浅层特征层的8次迭代步骤，以卷积、归一化、激活的方式取而代之，避免了迭代冗余的问题，大大降低了计算量；且引入了残差网络作为残差模块，作用于第四浅层特征层、第五浅层特征层以及第六浅层特征层，从而能够更大程度保留原有特征。

技术领域

本发明涉及低照度图像增强领域，特别是涉及一种基于改进的Zero-DCE网络的低照度图像增强方法。

背景技术

在光线相对较弱的环境中拍摄的图像被认为是低照度图像，这些图像表现出低亮度、低对比度、窄灰度范围、颜色失真以及相当大的噪声等，由于缺乏关照，这些图像的像素值主要集中在较低的范围内，彩色图像各通道间对应像素的灰度差异有限，图像的最大灰度级和最小灰度级之间只有很小的差距。整个颜色层存在偏差，边缘信息较弱，很难区分图像的细节，降低了图像的可用性，严重降低了主观视觉效果以及限制之后的各类功能。

传统方法大多使用直方图增强或者基于Retinex方法，前者往往忽略相邻像素间的依赖关系而导致局部增强，后者则在复杂光源场景下差强人意。深度学习方法则主要分为两种，一种是利用暗环境与正常环境图对训练，另一种是GAN方法，利用单图像训练，前者数据集有限，后者数据集相对易得。传统的Zero-DCE为比较典型的GAN方法，但是8次迭代相对更加冗余，计算量较大。

发明内容

本发明的目的是提供一种基于改进的Zero-DCE网络的低照度图像增强方法，以解决传统的Zero-DCE网络迭代冗余，计算量大的问题。

为实现上述目的，本发明提供了如下方案：

一种基于改进的Zero-DCE网络的低照度图像增强方法，包括：

获取待增强图像；

将所述待增强图像输入至改进的Zero-DCE网络中，输出增强后的图像；

其中，所述改进的Zero-DCE网络包括：9层浅层特征层；

第一浅层特征层至第六浅层特征层依次连接；其中，第二浅层特征层至第四浅层特征层中每一层浅层特征层均经过前一层浅层特征层卷积并利用relu函数激活后依次连接；所述第四浅层特征层、第五浅层特征层以及所述第六浅层特征层之间引入残差模块，所述第四浅层特征层、第五浅层特征层以及所述第六浅层特征层之间设为残差连接；第三浅层特征层与所述第四浅层特征层拼接后连接所述第四浅层特征层与所述第五浅层特征层之间的残差模块；所述第二浅层特征层与所述第五浅层特征层拼接后连接所述第五浅层特征层与所述第六浅层特征层之间的残差模块；所述残差模块为残差网络；

取消第七浅层特征层的8次迭代过程，以三次卷积穿插三次激活层的方式，在所述第一浅层特征层以及所述第六浅层特征层拼接后且所述第七浅层特征层之前、所述第五浅层特征层与第九浅层特征层之间以及所述第六浅层特征层与第八浅层特征层之间增加激活模块。

可选的，所述改进的Zero-DCE网络的损失函数包括空间一致性损失函数、曝光损失函数、颜色损失函数、光照平滑度损失函数以及结构平滑度损失函数。

可选的，所述空间一致性损失函数为：

；