[发明专利]一种基于噪声抑制的低照度图像自适应亮度增强方法

说明书

本发明提出了一种基于噪声抑制的低照度图像自适应亮度增强方法，属于图像处理技术领域。本发明针对低照度图像中的噪声，使用噪声抑制来代替噪声去除，对低照度图像中的噪声进行抑制。首先，将低照度图像的色彩空间由RGB转为HSV。然后，在HSV空间对亮度分量依次进行预处理、自适应gamma校正以及后处理操作。最后，将增强后的亮度分量与H、S分量融合并转到RGB色彩空间获得增强图像。本发明不再需要建立相应的噪声模型并去噪，使计算量相比之前的方法大幅减小，速度更快。本发明中的自适应gamma校正方法相比于之前同类的方法在不影响图像增强效果的情况下，需要的信息更少。

技术领域

本发明涉及一种低照度图像亮度增强方法，特别涉及一种基于噪声抑制的低照度图像自适应亮度增强方法，属于图像处理技术领域。

背景技术

一图胜千言，图像是信息传递的重要途径。然而，在室内、夜间等低照度条件以及逆光的条件下，由于非自然光源的照度不充分，导致目标表面的反射光较弱，造成进入成像传感器的光线不足，导致采集的图像质量退化严重、图像可辨识性很低，且含有大量噪声，以至于难以分辨图像的细节，大大降低了图像的应用价值。因此，对低照度图像的质量提升，是目前图像质量提升领域的研究热点之一。尤其是在城市交通、监控视频等计算机视觉领域，低照度图像的质量提升具有重大意义。

正因上述而言，低照度图像增强技术有很高的科研价值，致使国内外的很多学者做出了大量的基础研究。当前低照度图像增强的方法主要分为四类：基于Retinex理论的方法、基于暗原色去雾的方法、基于自适应gamma校正的方法以及基于深度学习的方法。基于Retinex理论的方法是将一幅图像分为亮度图像和反射图像两部分，通过改善亮度图像对反射图像的影响而达到增强效果。比较典型的例子就是LIME(Guo X,Li Y,Ling H,etal.LIME:Low-Light Image Enhancement via Illumination Map Estimation[J].IEEETransactions on Image Processing,2017,26(2):982-993.)。但是这类方法由于假设亮度图像对应于原始图像的低频部分，通常采用一个低通滤波器来估计图像的亮度，这会导致边缘部分的模糊。基于暗原色去雾的方法是首先对低照度图像进行反转，然后对反转图像进行去雾操作，接着去雾后得到的非真实图像被再次反转并将其作为最终增强结果，典型的就是(Dong X,Wang G,Pang Y,et al.Fast efficient algorithm for enhancementof low lighting video[C].international conference on multimedia and expo,2011:1-6.)。此类方法虽能在一定程度上提高视觉质量，但增强后的图像往往不符合实际场景，且容易在边缘出现伪影。基于自适应gamma校正的方法是在传统gamma校正的基础上，结合全局和局部信息设定gamma值，使得图像的增强程度能够随着图像亮度、对比度等信息的变化而自动变化。这类方法典型的是(Rahman S,Rahman M M,Abdullah-Al-Wadud M,etal.An adaptive gamma correction for image enhancement[J].EURASIP Journal onImage and Video Processing,2016,2016(1):35.)。但由于自适应gamma校正需要更多的信息来确定增强程度，与传统的gamma校正方法相比，尽管提升了效果，但同时也增加了时间复杂度。最近，学者们又提出了一种基于深度学习的低照度图像增强方法，这类方法主要是利用自编码器或卷积神经网络，建立一个端到端的增强模型，然后将内容、色彩以及纹理等信息的误差作为损失函数，比较典型的就是(Tao L,Zhu C,Xiang G,et al.LLCNN:Aconvolutional neural network for low-light image enhancement[C].visualcommunications and image processing,2017:1-4.)。

发明内容