CN110717864A - 一种图像增强方法、装置、终端设备及计算机可读介质 - Google Patents
一种图像增强方法、装置、终端设备及计算机可读介质 Download PDFInfo
- Publication number
- CN110717864A CN110717864A CN201910805817.9A CN201910805817A CN110717864A CN 110717864 A CN110717864 A CN 110717864A CN 201910805817 A CN201910805817 A CN 201910805817A CN 110717864 A CN110717864 A CN 110717864A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- illumination
- coding network
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005286 illumination Methods 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 2
- 241000023320 Luma <angiosperm> Species 0.000 claims 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
Abstract
本发明提供了一种图像增强方法及装置,该方法包括:将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像,在通过样本对数据集对自编码网络进行迭代训练的过程中,将低照度低动态范围图像输入自编码网络,并通过自编码网络输出预测的低照度增强图像,并采用均方误差评估预测的低照度增强图像和正常照度低动态范围图像之间的差异,将差异输入所述自编码网络中,由自编码网络根据所述差异调整自编码网络的参数值,直到在迭代训练的过程中使差异达到极小值时,获得训练好的自编码网络,最后通过训练好的自编码网络接收低照度图像,并由训练好的自编码网络输出所述低照度图像对应的增强图像,从而可避免生成的增强图像的严重失真。
Description
技术领域
本发明属于计算机视觉与智慧交通技术领域,具体是涉及到一种图像增强方法、装置、终端设备及计算机可读介质。
背景技术
低照度环境下拍摄的图像常存在曝光不足致使图像整体偏暗,视觉效果模糊,很大程度上影响了对图像信息的提取和分析。图像增强是一种常用的图像处理技术,可提高图像的对比度,从而改善图像视觉效果。
深度学习作为计算机视觉领域的研究热点,已经越来越多的被应用于增强低照度图像。但现有技术中,主要采用下采样卷积和上采样卷积融合的神经网络模型用于增强低照度图像,容易造成图像信息丢失,采用该方法获得的增强图像失真严重,不利于后续的图像处理。
发明内容
有鉴于此,本发明实施例提供一种图像增强方法、装置、终端设备及计算机可读介质,能够避免生成的增强图像的严重失真。
本发明实施例的第一方面提供了一种图像增强方法,包括:
将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像;其中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像;
在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像;其中,所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络,以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征,并输出所述预测的低照度增强图像的解码网络;
采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络;
通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
本发明实施例的第二方面提供了一种图像增强装置,包括:
转化模块,用于将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像;其中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像;
图像预测模块,用于在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像;其中,所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络,以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征,并输出所述预测的低照度增强图像的解码网络;
网络确定模块,用于采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络;
增强模块,用于通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图像增强方法的步骤。
本发明实施例的第六方面提供了一种计算机可读介质,所述计算机可读介质存储有计算机程序,所述计算机程序被处理执行时实现上述图像增强方法的步骤。
本发明实施例提供的图像增强方法中,可将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像,在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像,并采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络,最后可通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像,从而可避免生成的增强图像的严重失真。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像增强方法的流程图;
图2是本发明实施例提供的一种图像增强装置的示意图;
图3是图2中的转化模块的细化结构示意图;
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
请参阅图1,图1是本发明实施例提供的一种图像增强方法。如图1所示,本实施例的图像增强方法包括以下步骤:
S101:将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像。
在本发明实施例中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像,可将多张高动态范围图像转换形成正常照度低动态范围图像和低照度低动态范围图像样本对数据集。
将高动态范围图像转换成低动态范围图像的方法如下:
其中,Lω(x,y)是像素点(x,y)的亮度,N是场景内的像素数,δ是一个很小的数用来应对像素点纯黑的情况。
2),根据图像平均亮度映射到中间图像亮度L(x,y):
其中,a用来控制场景的亮度倾向,转换成正常照度低动态范围图像时a=0.36,转换成低照度低动态范围图像时a=0.045;
3),再将中间图像亮度映射到[0,1]区间,生成目标映射图像亮度Ld(x,y):
其中,所述目标映射图像亮度即为所述正常照度低动态范围图像或低照度低动态范围图像对应的图像亮度。
在使用深度学习算法增强低照度图像的研究中,如何获得正常照度图像和低照度图像的样本对训练数据集一直是研究的难点。深度学习算法的训练数据集所需的数据量大,采用人工采集的方式,所耗费的人力成本大,且数据质量较差。采用高动态范围图像获取低动态范围图像形成训练所需的数据集,包含更多图像信息,比直接从摄像机中捕获的图像具有更好的质量。
S102:在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像。
在本发明实施例中,细节特征编码网络用于提取图像细节特征,其网络包括多层卷积结构,一般为3层,每层采用3×3的卷积核,步长为1,填充为1,使卷积后图像没有缩小,解编码时不使用反卷积层调整大小,避免因使用反卷积层可能在缺少上下文的区域造成不必要的信息丢失,例如在曝光多大的区域细节损失。3层卷积结构卷积核的个数分别为64、128、256(特征通道数),每层卷积层都采用ReLU函数激活;
全局特征编码网络用于提取图形全局特征,其网络包括多层卷积结构,一般为7层,前6层卷积层采用3×3的卷积核,步长为1,填充为1,卷积核个数都为64,每层卷积层都采用ReLU函数激活,每层卷积层后面都有个2×2的最大池化层,最后一层采用4×4的卷积核,无填充。在操作过程中,将低照度低动态范围图像尺寸调整为256×256,再输入全局特征编码网络中,使得最后输出1×1的特征向量。将全局特征编码网络输出的1×1特征向量复制,并与细节特征编码网络输出特征的每个像素叠加,输入解码网络中使得特征融合;
解码网络用于融合细节特征编码网络和全局特征编码网络的输出特征,输出预测的低照度增强图像,其网络包括2层卷积结构,第1层采用1×1的卷积核,用于将细节特征编码网络和全局特征编码网络的每个像素融合,并采用ReLU函数激活;第2层采用3×3的卷积核,步长为1,填充为1,采用sigmoid函数激活,用于输出预测的低照度增强图像。
自编码网络不包含下采样卷积层和上采样反卷积层,图像尺寸在编码网络中没有经历先缩小后增大的调整,因此保留了更多图像细节。同时引入全局特征编码网络,采用细节特征和全局特征融合的方式增加图像低频信息,调整图像锐度,使得输出图像失真少,有利于后续的图像处理。
S103:采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络。
在本发明实施例中,采用均方误差评估输出的预测的低照度增强图像和正常照度低动态范围图像,并通过反向传播算法自动更新网络的权重和偏差,获得训练好自编码网络;
输出的预测的低照度增强图像和正常照度低动态范围图像存在差异,采用均方误差评估该差异,并将该差异输入自编码网络中。自编码网络通过反向传播算法根据该差异自动调整网络的参数值,在对所述自编码网络的迭代训练的过程中,使得输出的预测的低照度增强图像和正常照度低动态范围图像的差异越来越小,当差异值达到极小值时,则固定自编码网络参数值,获得所述训练好的自编码网络。
采用均方误差评估输出的预测的低照度增强图像和正常照度低动态范围图像的公式如下:
S104:通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
在本发明实施例中,训练好自编码网络后,可通过所述训练好的自编码网络接收低照度图像,再由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
在图1提供的图像增强方法中,采用高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像,形成样本对数据集,方法简单,容易处理,形成的正常照度和低照度图像样本对的效果较好,且高动态范围图像数据集容易获得,更容易得到自编码网络学习所需的训练集。且细节特征编码网络没有采用下采样和上采样的卷积方式,避免因反卷积可能造成的信息丢失,同时引入全局特征编码网络,采用细节特征和全局特征融合的方式增加图像低频信息,调整图像锐度,本发明所用自编码网络处理的图像相较于其他方法,图像细节保留较好,失真少。
请参阅图2,图2是本发明实施例提供的一种图像增强装置的结构框图。如图2所示,本实施例的图像增强装置20包括转化模块201、图像预测模块202、网络确定模块203和增强模块204。转化模块201、图像预测模块202、网络确定模块203和增强模块204分别用于执行图1中的S101、S102、S103和S104中的具体方法,详情可参见图1的相关介绍,在此仅作简单描述:
转化模块201,用于将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像;其中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像。
图像预测模块202,用于在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像;其中,所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络,以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征,并输出所述预测的低照度增强图像的解码网络。
网络确定模块203,用于采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络。
增强模块204,用于通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
进一步地,可参见图3,转化模块201可具体包括计算单元2011、第一映射单元2012和和第二映射单元2013:
其中,Lω(x,y)是像素点(x,y)的亮度,N是场景内的像素数,δ是一个很小的数用来应对像素点纯黑的情况。
第一映射单元2012,用于根据图像平均亮度映射到中间图像亮度L(x,y):
其中,a用来控制场景的亮度倾向,转换成正常照度低动态范围图像时,a=0.36,转换成低照度低动态范围图像时,a=0.045。
第二映射单元2013,用于将中间图像亮度映射到[0,1]区间,生成目标映射图像Ld(x,y)亮度:
其中,所述目标映射图像亮度即为所述正常照度低动态范围图像或低照度低动态范围图像对应的图像亮度。
在图2提供的图像增强装置,可采用高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像,形成样本对数据集,方法简单,容易处理,形成的正常照度和低照度图像样本对的效果较好,且高动态范围图像数据集容易获得,更容易得到自编码网络学习所需的训练集。且细节特征编码网络没有采用下采样和上采样的卷积方式,避免因反卷积可能造成的信息丢失,同时引入全局特征编码网络,采用细节特征和全局特征融合的方式增加图像低频信息,调整图像锐度,本发明所用自编码网络处理的图像相较于其他方法,图像细节保留较好,失真少。
图4是本发明一实施例提供的终端设备的示意图。如图4所示,该实施例的终端设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如进行图像增强的程序。所述处理器40执行所述计算机程序42时实现上述方法实施例中的步骤,例如,图1所示的S101至S104。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块201至204的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在终端设备4中的执行过程。例如,所述计算机程序42可以被分割成转化模块201、预测图像模块202、网络确定模块203和增强模块204。(虚拟装置中的模块),各模块具体功能如下:
转化模块201,用于将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像;其中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像。
图像预测模块模块202,用于在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像;其中,所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络,以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征,并输出所述预测的低照度增强图像的解码网络。
网络确定模块203,用于采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络。
增强模块204,用于通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及终端设备4所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种图像增强方法,其特征在于,包括:
将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像;其中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像;
在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像;其中,所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络,以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征,并输出所述预测的低照度增强图像的解码网络;
采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络;
通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
2.根据权利要求1所述的图像增强方法,其特征在于,所述将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像,包括:
其中,Lω(x,y)是像素点(x,y)的亮度,N是场景内的像素数,δ是一个很小的数用来应对像素点纯黑的情况;
根据图像平均亮度映射到中间图像亮度L(x,y):
其中,a用来控制场景的亮度倾向,转换成正常照度低动态范围图像时,a=0.36,转换成低照度低动态范围图像时,a=0.045;
将中间图像亮度映射到[0,1]区间,生成目标映射图像亮度Ld(x,y):
其中,所述目标映射图像亮度即为所述正常照度低动态范围图像或低照度低动态范围图像对应的图像亮度。
4.一种图像增强装置,其特征在于,包括:
转化模块,用于将高动态范围图像转换成正常照度低动态范围图像和低照度低动态范围图像;其中,所述低照度低动态范围图像作为样本对数据集中的训练图像,正常照度低动态范围图像作为样本对数据集中的目标图像;
图像预测模块,用于在通过所述样本对数据集对自编码网络进行迭代训练的过程中,将所述低照度低动态范围图像输入自编码网络中,并通过所述自编码网络输出预测的低照度增强图像;其中,所述自编码网络包括用于提取图像细节特的细节特征编码网络、用于提取图像全局特征的全局特征编码网络,以及用于融合所述细节特征编码网络和全局特征编码网络的输出特征,并输出所述预测的低照度增强图像的解码网络;
网络确定模块,用于采用均方误差评估所述预测的低照度增强图像和正常照度低动态范围图像之间的差异,并将所述差异输入所述自编码网络中,由所述自编码网络根据所述差异调整所述自编码网络的参数值,直到在所述迭代训练的过程中使所述差异达到极小值时,获得训练好的自编码网络;
增强模块,用于通过所述训练好的自编码网络接收低照度图像,并由所述训练好的自编码网络输出所述低照度图像对应的增强图像。
5.根据权利要求4所述的图像增强装置,其特征在于,所述转化模块包括:
其中,Lω(x,y)是像素点(x,y)的亮度,N是场景内的像素数,δ是一个很小的数用来应对像素点纯黑的情况;
第一映射单元,用于根据图像平均亮度映射到中间图像亮度L(x,y):
其中,a用来控制场景的亮度倾向,转换成正常照度低动态范围图像时,a=0.36,转换成低照度低动态范围图像时,a=0.045;
第二映射单元,用于将中间图像亮度映射到[0,1]区间,生成目标映射图像Ld(x,y)亮度:
其中,所述目标映射图像亮度即为所述正常照度低动态范围图像或低照度低动态范围图像对应的图像亮度。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述方法的步骤。
8.一种计算机可读介质,所述计算机可读介质存储有计算机程序,其特征在于,所述计算机程序被处理执行时实现如权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805817.9A CN110717864B (zh) | 2019-08-29 | 2019-08-29 | 一种图像增强方法、装置、终端设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805817.9A CN110717864B (zh) | 2019-08-29 | 2019-08-29 | 一种图像增强方法、装置、终端设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717864A true CN110717864A (zh) | 2020-01-21 |
CN110717864B CN110717864B (zh) | 2023-07-21 |
Family
ID=69209509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910805817.9A Active CN110717864B (zh) | 2019-08-29 | 2019-08-29 | 一种图像增强方法、装置、终端设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717864B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784598A (zh) * | 2020-06-18 | 2020-10-16 | Oppo(重庆)智能科技有限公司 | 色调映射模型的训练方法、色调映射方法及电子设备 |
CN113256525A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN115358952A (zh) * | 2022-10-20 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种基于元学习的图像增强方法、系统、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170256033A1 (en) * | 2016-03-03 | 2017-09-07 | Mitsubishi Electric Research Laboratories, Inc. | Image Upsampling using Global and Local Constraints |
CN109102483A (zh) * | 2018-07-24 | 2018-12-28 | 厦门美图之家科技有限公司 | 图像增强模型训练方法、装置、电子设备及可读存储介质 |
CN109272499A (zh) * | 2018-09-25 | 2019-01-25 | 西安电子科技大学 | 基于卷积自编码网络的无参考图像质量评价方法 |
CN110097515A (zh) * | 2019-04-22 | 2019-08-06 | 苏州千视通视觉科技股份有限公司 | 基于深度学习与时空滤波的低照度图像处理算法及装置 |
-
2019
- 2019-08-29 CN CN201910805817.9A patent/CN110717864B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170256033A1 (en) * | 2016-03-03 | 2017-09-07 | Mitsubishi Electric Research Laboratories, Inc. | Image Upsampling using Global and Local Constraints |
CN109102483A (zh) * | 2018-07-24 | 2018-12-28 | 厦门美图之家科技有限公司 | 图像增强模型训练方法、装置、电子设备及可读存储介质 |
CN109272499A (zh) * | 2018-09-25 | 2019-01-25 | 西安电子科技大学 | 基于卷积自编码网络的无参考图像质量评价方法 |
CN110097515A (zh) * | 2019-04-22 | 2019-08-06 | 苏州千视通视觉科技股份有限公司 | 基于深度学习与时空滤波的低照度图像处理算法及装置 |
Non-Patent Citations (1)
Title |
---|
刘超张晓晖: "超低照度下微光图像的深度卷积自编码网络复原" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784598A (zh) * | 2020-06-18 | 2020-10-16 | Oppo(重庆)智能科技有限公司 | 色调映射模型的训练方法、色调映射方法及电子设备 |
CN111784598B (zh) * | 2020-06-18 | 2023-06-02 | Oppo(重庆)智能科技有限公司 | 色调映射模型的训练方法、色调映射方法及电子设备 |
CN113256525A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN113256525B (zh) * | 2021-05-25 | 2023-01-10 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN115358952A (zh) * | 2022-10-20 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种基于元学习的图像增强方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110717864B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403421B (zh) | 一种图像去雾方法、存储介质及终端设备 | |
CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
CN113168684B (zh) | 提升低亮度图像的质量的方法、系统和计算机可读介质 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN110136055B (zh) | 图像的超分辨率方法和装置、存储介质、电子装置 | |
US20200082508A1 (en) | Information processing method, information processing apparatus, and recording medium | |
WO2023010754A1 (zh) | 一种图像处理方法、装置、终端设备及存储介质 | |
CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
WO2019186407A1 (en) | Systems and methods for generative ensemble networks | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
CN111784570A (zh) | 一种视频图像超分辨率重建方法及设备 | |
CN112348747A (zh) | 图像增强方法、装置及存储介质 | |
CN109214996B (zh) | 一种图像处理方法及装置 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN115496668A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113962859A (zh) | 一种全景图生成方法、装置、设备及介质 | |
CN111882565A (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
WO2023010750A1 (zh) | 一种图像颜色映射方法、装置、终端设备及存储介质 | |
CN110838088A (zh) | 一种基于深度学习的多帧降噪方法、装置及终端设备 | |
CN111833262A (zh) | 图像降噪方法、装置及电子设备 | |
CN110766153A (zh) | 神经网络模型训练方法、装置及终端设备 | |
CN111754412A (zh) | 构建数据对的方法、装置及终端设备 | |
CN111383188A (zh) | 一种图像处理方法、系统及终端设备 | |
CN115375909A (zh) | 一种图像处理方法及装置 | |
CN114757843A (zh) | 图像处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |