CN115511754A - 基于改进的Zero-DCE网络的低照度图像增强方法 - Google Patents

基于改进的Zero-DCE网络的低照度图像增强方法 Download PDF

Info

Publication number
CN115511754A
CN115511754A CN202211463703.9A CN202211463703A CN115511754A CN 115511754 A CN115511754 A CN 115511754A CN 202211463703 A CN202211463703 A CN 202211463703A CN 115511754 A CN115511754 A CN 115511754A
Authority
CN
China
Prior art keywords
feature layer
shallow feature
dce network
zero
image
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
Application number
CN202211463703.9A
Other languages
English (en)
Other versions
CN115511754B (zh
Inventor
张旭东
刘颖群
邹渊
樊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211463703.9A priority Critical patent/CN115511754B/zh
Publication of CN115511754A publication Critical patent/CN115511754A/zh
Application granted granted Critical
Publication of CN115511754B publication Critical patent/CN115511754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

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。

Description

基于改进的Zero-DCE网络的低照度图像增强方法
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：
Figure 100002_DEST_PATH_IMAGE001
；
其中，
Figure 452008DEST_PATH_IMAGE002
为空间一致性损失函数；K为局部区域的数量；
Figure 100002_DEST_PATH_IMAGE003
为以区域i为中心的四个相邻区域；j为相邻区域编号；Y i 为原图局部区域i的颜色数值；Y ij 为原图局部区域i的邻域j的颜色数值；I i 为增强后局部区域i的颜色数值；I ij 为增强后局部区域i的邻域j的颜色数值。
可选的，所述曝光损失函数为：
Figure 245520DEST_PATH_IMAGE004
；
其中，
Figure 100002_DEST_PATH_IMAGE005
为曝光损失函数；M为不重叠的局部区域数量；k为局部区域编号；E k 为所述增强后的图像中局部区域k的平均像素强度值；E为标准强度。
可选的，所述颜色损失函数为：
Figure 363518DEST_PATH_IMAGE006
；
其中，
Figure 100002_DEST_PATH_IMAGE007
为颜色损失函数；J p 为颜色通道组合p的平均强度；J q 为颜色通道组合q的平均强度；
Figure 982761DEST_PATH_IMAGE008
为颜色通道组合集合。
可选的，所述光照平滑度损失函数为：
Figure 100002_DEST_PATH_IMAGE009
；
其中，
Figure 578828DEST_PATH_IMAGE010
为光照平滑度损失函数；
Figure 100002_DEST_PATH_IMAGE011
为水平方向的梯度操作；
Figure 695688DEST_PATH_IMAGE012
为垂直方向的梯度操作；A为三组加权系数。
可选的，所述结构平滑度损失函数为：
Figure 100002_DEST_PATH_IMAGE013
其中，
Figure 984587DEST_PATH_IMAGE014
为结构平滑度损失函数；λ为平衡系数；Out为输出的增强后的图像；
Figure 100002_DEST_PATH_IMAGE015
为计算梯度。
可选的，所述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，之前还包括：
将待训练的图像随机划分为若干批次，且每个批次包含相同数量的图像；
利用所述若干批次图像训练并优化所述改进的Zero-DCE网络，直至计算得到的总损失达到损失阈值或者迭代次数达到次数阈值，停止训练并保存训练好的改进的Zero-DCE网络。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于改进的Zero-DCE网络的低照度图像增强方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于改进的Zero-DCE网络的低照度图像增强方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种基于改进的Zero-DCE网络的低照度图像增强方法，在传统Zero-DCE网络的结构之上，取消Zero-DCE网络中的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。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的改进的Zero-DCE网络架构图；
图2为本发明所提供的残差模块结构图；
图3为本发明所提供的Act模块结构图；
图4为本发明所提供的待增强图像示意图；
图5为本发明所提供的增强后的图像示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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，避免了迭代冗余的问题，降低了计算量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
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，图1为本发明所提供的改进的Zero-DCE网络架构图，如图1所示，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；图2为本发明所提供的残差模块结构图，残差模块包括三次卷积层穿插三次relu激活层，且在最后一层卷积层与relu激活层之间有一个拼接处理；图3为本发明所提供的Act模块结构图，Act模块包括三次卷积层穿插三次tanh激活层，如图2-图3所示。
需要注意的是，图1中的第一层至第九层即为本发明中的第一浅层特征层至第九浅层特征层，Act模块为激活模块。
在实际应用中，对Zero-DCE网络结构的更改，构架改进的网络Zero-DCE网络，具体步骤如下：在此步骤中，主要以三次卷积穿插三次激活层的方式，得到三组增强系数，并引入残差模块，将第四浅层特征层、第五浅层特征层以及所述第六浅层特征层层间改为残差连接，取消原有的8次迭代步骤，削减计算量。
1）输入图片Img格式，经过3×3的卷积核卷积并利用relu函数激活后，将原有的3通道转化为H×W×C的第一浅层特征层Layer1，可记作：
Figure 819688DEST_PATH_IMAGE016
；其中，
Figure DEST_PATH_IMAGE017
表示Relu激活层；
Figure 953866DEST_PATH_IMAGE018
表示利用3×3的卷积核的卷积层；H为图片高度；W为图片宽度；C为图片通道数。
Figure DEST_PATH_IMAGE019
函数为：
Figure 456392DEST_PATH_IMAGE020
；x为输入数值。
2）同样的方法，可以继续得到第二浅层特征层Layer2、第三浅层特征层Layer3以及第四浅层特征层Layer4：
Figure DEST_PATH_IMAGE021
；
Figure 385033DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE023
；
Layer2、Layer3以及Layer4的大小与Layer1一致，为H×W×C。
3）第五浅层特征层Layer5在上述方法上，增添了拼接的步骤，并引入了残差网络的结构：
Figure 973009DEST_PATH_IMAGE024
；
Figure DEST_PATH_IMAGE025
；
其中，
Figure 928457DEST_PATH_IMAGE026
步骤即为残差网络，由输入层与其经过1×1卷积层、relu激活层、3×3卷积层、relu激活层与1×1卷积层后的结果相加后，经过relu激活层得到，经过残差结构处理后，图像大小与输入相同，为H×W×2C；
Figure DEST_PATH_IMAGE027
为拼接函数。
4）经过类似的处理方式，可以得到第六浅层特征层Layer6：
Figure 19909DEST_PATH_IMAGE028
；
Layer6大小与输入大小一致，此刻的输入由于经过拼接处理，变为H×W×2C，Layer6大小因此为H×W×2C。
5）第七浅层特征层Layer7的取得方式与残差网络类似，但没有返回的过程，主要是提取变化量，并且经由tanh激活曾处理，增加低亮度特征，可以表示为：
Figure DEST_PATH_IMAGE029
；
其中，激活层采用tanh激活函数，即：
Figure 650611DEST_PATH_IMAGE030
；由此得到一组增强系数，Layer7大小为H×W×3。
6）第八浅层特征层Layer8、第九浅层特征层Layer9的取得与Layer7类似，但是输入不相同，分类为Layer5与Layer6，不存在拼接的步骤，大小也都为H×W×3，取得过程可以表示为：
Figure DEST_PATH_IMAGE031
；
Figure 194725DEST_PATH_IMAGE032
。
7）最后参考去雾理论，可以得到最终结果：
Figure DEST_PATH_IMAGE033
；
Figure 936285DEST_PATH_IMAGE034
；
其中，L_change（·）参照去雾理论，保留了Zero-DCE网络的迭代公式。
在实际应用中，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。
所述改进的Zero-DCE网络的损失函数为：
Figure DEST_PATH_IMAGE035
。
空间一致性损失用于维持输入图像与其增强版本之间的邻域差异，从而保持空间一致性，所述空间一致性损失函数为：
Figure 413402DEST_PATH_IMAGE036
；
其中，
Figure DEST_PATH_IMAGE037
为空间一致性损失函数；K为局部区域的数量；
Figure 949426DEST_PATH_IMAGE003
为以区域i为中心的四个相邻区域；j为相邻区域编号；Y i 为原图局部区域i的颜色数值；Y ij 为原图局部区域i的邻域j的颜色数值；I i 为增强后局部区域i的颜色数值；I ij 为增强后局部区域i的邻域j的颜色数值。
曝光损失用于控制曝光强度，衡量局部区域的平均强度，所述曝光损失函数为：
Figure 449677DEST_PATH_IMAGE004
；
其中，
Figure 667032DEST_PATH_IMAGE038
为曝光损失函数；M为不重叠的局部区域数量；k为局部区域编号；E k 为所述增强后的图像中局部区域k的平均像素强度值；E为标准强度。
颜色损失建立于灰度颜色恒等假设理论，即认为红、绿、蓝三通道的强度应相同，所述颜色损失函数为：
Figure DEST_PATH_IMAGE039
；其中，
Figure 733077DEST_PATH_IMAGE040
为颜色损失函数；J p 为颜色通道组合p的平均强度；J q 为颜色通道组合q的平均强度；
Figure 908843DEST_PATH_IMAGE008
为颜色通道组合集合，即{(R,G),(R,B),(B,G)}。
光照平滑度损失用于控制最终图像不会过于锐化，保持相邻像素间的单调关系，所述光照平滑度损失函数为：
Figure 630812DEST_PATH_IMAGE009
；其中，
Figure DEST_PATH_IMAGE041
为光照平滑度损失函数；
Figure 720034DEST_PATH_IMAGE042
为水平方向的梯度操作；
Figure DEST_PATH_IMAGE043
为垂直方向的梯度操作；A为三组加权系数。
结构平滑度损失用于保留结构的边界，使边界更明显，所述结构平滑度损失函数为：
Figure 375006DEST_PATH_IMAGE044
；其中，
Figure DEST_PATH_IMAGE045
为结构平滑度损失函数；λ为平衡系数；Out为输出的增强后的图像；
Figure 252832DEST_PATH_IMAGE046
为计算梯度。
在实际应用中，所述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，之前还包括：将待训练的图像随机划分为若干批次，且每个批次包含相同数量的图像；利用所述若干批次图像训练并优化所述改进的Zero-DCE网络，直至计算得到的总损失达到损失阈值或者迭代次数达到次数阈值，停止训练并保存训练好的改进的Zero-DCE网络。
将待增强图像输入训练好的模型中，输出增强后的图像，输入的待增强图像和增强后的图像效果如图4-图5所示。
1）改进的Zero-DCE网络相对轻量化：主要来源于网络中取消了8次迭代的大量计算过程，而是以卷积、归一化、激活的方式取而代之，会降低运算量；
2）增强结果相对更好：改进的Zero-DCE网络采用残差模块，能够更大程度保留原有特征，并且采用平滑度损失作为损失函数的一部分，保留了结果的真实性，并能够加深细节。
实施例二
本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一提供的基于改进的Zero-DCE网络的低照度图像增强方法。
在实际应用中，上述电子设备可以是服务器。
在实际应用中，电子设备包括：至少一个处理器（processor）、存储器（memory）、总线及通信接口（Communications Interface）。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口，用于与其它设备进行通信。
处理器，用于执行程序，具体可以执行上述实施例所述的方法。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
基于以上实施例的描述，本申请实施例提供一种存储介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现任意实施例所述的方法
本申请实施例提供的基于改进的Zero-DCE网络的低照度图像增强方法所衍生的产品以多种形式存在，包括但不限于：
（1）移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机（例如iPhone）、多媒体手机、功能性手机，以及低端手机等。
（2）超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
（3）便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器（例如iPod），掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
（4）其他具有数据交互功能的电子设备。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、
数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带、磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，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。
2.根据权利要求1所述的低照度图像增强方法，其特征在于，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。
3.根据权利要求2所述的基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，所述空间一致性损失函数为：
Figure DEST_PATH_IMAGE001
；
其中，
Figure 339260DEST_PATH_IMAGE002
为空间一致性损失函数；K为局部区域的数量；
Figure DEST_PATH_IMAGE003
为以区域i为中心的四个相邻区域；j为相邻区域编号；Y i 为原图局部区域i的颜色数值；Y ij 为原图局部区域i的邻域j的颜色数值；I i 为增强后局部区域i的颜色数值；I ij 为增强后局部区域i的邻域j的颜色数值。
4.根据权利要求3所述的基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，所述曝光损失函数为：
Figure 115455DEST_PATH_IMAGE004
；
其中，
Figure DEST_PATH_IMAGE005
为曝光损失函数；M为不重叠的局部区域数量；k为局部区域编号；E k 为所述增强后的图像中局部区域k的平均像素强度值；E为标准强度。
5.根据权利要求4所述的基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，所述颜色损失函数为：
Figure 754247DEST_PATH_IMAGE006
；
其中，
Figure DEST_PATH_IMAGE007
为颜色损失函数；J p 为颜色通道组合p的平均强度；J q 为颜色通道组合q的平均强度；
Figure 8511DEST_PATH_IMAGE008
为颜色通道组合集合。
6.根据权利要求5所述的基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，所述光照平滑度损失函数为：
Figure DEST_PATH_IMAGE009
；
其中，
Figure 681938DEST_PATH_IMAGE010
为光照平滑度损失函数；
Figure DEST_PATH_IMAGE011
为水平方向的梯度操作；
Figure 363455DEST_PATH_IMAGE012
为垂直方向的梯度操作；A为三组加权系数。
7.根据权利要求6所述的基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，所述结构平滑度损失函数为：
Figure DEST_PATH_IMAGE013
其中，
Figure 507121DEST_PATH_IMAGE014
为结构平滑度损失函数；λ为平衡系数；Out为输出的增强后的图像；
Figure DEST_PATH_IMAGE015
为计算梯度。
8.根据权利要求1-7任一项所述的基于改进的Zero-DCE网络的低照度图像增强方法，其特征在于，所述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，之前还包括：
将待训练的图像随机划分为若干批次，且每个批次包含相同数量的图像；
利用所述若干批次图像训练并优化所述改进的Zero-DCE网络，直至计算得到的总损失达到损失阈值或者迭代次数达到次数阈值，停止训练并保存训练好的改进的Zero-DCE网络。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-8中任一项所述的基于改进的Zero-DCE网络的低照度图像增强方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基于改进的Zero-DCE网络的低照度图像增强方法。
CN202211463703.9A 2022-11-22 2022-11-22 基于改进的Zero-DCE网络的低照度图像增强方法 Active CN115511754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211463703.9A CN115511754B (zh) 2022-11-22 2022-11-22 基于改进的Zero-DCE网络的低照度图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211463703.9A CN115511754B (zh) 2022-11-22 2022-11-22 基于改进的Zero-DCE网络的低照度图像增强方法

Publications (2)

Publication Number Publication Date
CN115511754A true CN115511754A (zh) 2022-12-23
CN115511754B CN115511754B (zh) 2023-09-12

Family

ID=84514229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211463703.9A Active CN115511754B (zh) 2022-11-22 2022-11-22 基于改进的Zero-DCE网络的低照度图像增强方法

Country Status (1)

Country Link
CN (1) CN115511754B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690062A (zh) * 2024-02-02 2024-03-12 武汉工程大学 一种矿内矿工异常行为检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465727A (zh) * 2020-12-07 2021-03-09 北京邮电大学 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法
CN114663300A (zh) * 2022-03-01 2022-06-24 深圳市安软慧视科技有限公司 基于dce的低照度图像增强方法、系统及相关设备
CN114723643A (zh) * 2022-06-10 2022-07-08 南京航空航天大学 一种基于强化学习和美学评估的低光图像增强方法
CN114764827A (zh) * 2022-04-27 2022-07-19 安徽农业大学 一种自适应低光照场景下的桑叶病虫害检测方法
WO2022182353A1 (en) * 2021-02-26 2022-09-01 Hewlett-Packard Development Company, L.P. Captured document image enhancement

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465727A (zh) * 2020-12-07 2021-03-09 北京邮电大学 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法
WO2022182353A1 (en) * 2021-02-26 2022-09-01 Hewlett-Packard Development Company, L.P. Captured document image enhancement
CN114663300A (zh) * 2022-03-01 2022-06-24 深圳市安软慧视科技有限公司 基于dce的低照度图像增强方法、系统及相关设备
CN114764827A (zh) * 2022-04-27 2022-07-19 安徽农业大学 一种自适应低光照场景下的桑叶病虫害检测方法
CN114723643A (zh) * 2022-06-10 2022-07-08 南京航空航天大学 一种基于强化学习和美学评估的低光图像增强方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHONGYI LI等: "Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation", 《ARXIV:2103.00860V1》, pages 1 - 14 *
CHUNLE GUO等: "Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement", 《ARXIV:2001.06826V2》, pages 1 - 10 *
WEIWEN MU等: "A More Effective Zero-DCE Variant: Zero-DCE Tiny", 《ELECTRONICS 2022》, vol. 11, no. 17, pages 1 - 14 *
YIJUN LIU等: "PD-GAN: PERCEPTUAL-DETAILS GAN FOR EXTREMELY NOISY LOW LIGHT IMAGE ENHANCEMENT", 《ICASSP 2021 - 2021 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》, pages 1840 - 1844 *
叶丰等: "基于零参考深度曲线估计的图像增强网络改进", 《计算机系统应用》, vol. 31, no. 06, pages 324 - 330 *
黄振宇等: "面向夜间疲劳驾驶检测的改进Zero-DCE低光增强算法", 《模式识别与人工智能》, vol. 35, no. 10, pages 893 - 903 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690062A (zh) * 2024-02-02 2024-03-12 武汉工程大学 一种矿内矿工异常行为检测方法
CN117690062B (zh) * 2024-02-02 2024-04-19 武汉工程大学 一种矿内矿工异常行为检测方法

Also Published As

Publication number Publication date
CN115511754B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN110163827B (zh) 图像去噪模型的训练方法、图像去噪方法、装置及介质
CN109559281B (zh) 图像去噪神经网络架构及其训练方法
CN109087269B (zh) 弱光图像增强方法及装置
CN108205803B (zh) 图像处理方法、神经网络模型的训练方法及装置
CN108961170B (zh) 图像处理方法、装置和系统
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
CN109325928A (zh) 一种图像重建方法、装置及设备
WO2021258959A1 (zh) 图像修复的方法、装置及电子设备
WO2021063118A1 (en) Method and apparatus for image processing
CN113222813B (zh) 图像超分辨率重建方法、装置、电子设备及存储介质
CN115511754B (zh) 基于改进的Zero-DCE网络的低照度图像增强方法
CN112001923B (zh) 一种视网膜图像分割方法及装置
CN114936984A (zh) 毫米波退化图像去噪去模糊方法、装置、设备及介质
CN113962385A (zh) 神经网络训练及数据处理方法和装置、介质及计算机设备
WO2024104000A1 (zh) 终端画质增强方法及装置、计算机可读存储介质
CN112308102B (zh) 图像相似度计算方法、计算装置及存储介质
CN117408886A (zh) 气体图像增强方法、装置、电子装置和存储介质
CN117078574A (zh) 一种图像去雨方法及装置
CN111784726A (zh) 人像抠图方法和装置
CN111754412A (zh) 构建数据对的方法、装置及终端设备
CN111667046A (zh) 深度学习加速方法及用户终端
CN113128583B (zh) 基于多尺度机制和残差注意力的医学图像融合方法及介质
CN114429430A (zh) 图像处理方法、电子设备和非瞬态计算机可读介质
CN110443746B (zh) 基于生成对抗网络的图片处理方法、装置及电子设备
WO2022021025A1 (zh) 图像增强方法及装置

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