[发明专利]基于Retinex和卷积神经网络的低光照彩色图像增强方法

说明书

本发明公开了一种基于Retinex和卷积神经网络的低光照彩色图像增强方法，首先将低光照彩色图像输入到分解网络，输出一个三通道的反射图和一个单通道的光照图；然后将反射图和光照图输入到反射图恢复网络，去噪和颜色恢复的处理，得到恢复后的反射图；再将光照图和光照调节参数输入到光照图调节网络，输出调节后的光照图；最后将恢复后的反射图和调节后的光照图进行点乘操作得到增强后的图像。本发明基于Retinex理论，利用卷积神经网络实现低光照图像的增强，并构建损失函数对卷积神经网络的参数进行约束优化，达到所期望的低光照图像亮度、对比度增强，图像观感提升的效果，极大程度上去除了噪声和颜色失真的影响，并可由用户自主调节增强亮度。

技术领域

本发明涉及一种数字图像处理技术领域，尤其涉及一种基于Retinex和卷积神经网络的低光照彩色图像增强方法。

背景技术

随着数码产品特别是智能手机的普及，人们可以方便的采集到各种各样的图像信息。在实际生活中，有很多图像是在光照较暗或光照失衡情况下拍摄的，这些图像经常会存在视觉质量低下的问题，例如图像整体或部分区域偏暗、细节信息难以捕获、颜色失真以及噪声严重等。低光照图像的这些问题严重影响人们的视觉感受或者计算机对图像的处理工作。低光照图像增强技术可以对低光照图像进行增强，从而调整图像的亮度，恢复图像中较暗区域的细节，帮助人们或计算机进行进一步的图像分析与处理。现有的低光照图像增强方法主要分为以下几类：

(1)直方图均衡化：该方法及其改进方法通常粗略的认为正常光照下图像的直方图更符合均匀分布，因此通过对图像中灰度值较低的像素进行非线性拉伸，使得图像的直方图均匀分布，提高图像的对比度，即可得到增强后的图像。该方法简单易行，但其存在增强结果不自然，图像失真等问题。

(2)伽马校正：该方法利用非线性映射函数对较暗区域进行大幅增强，而对较亮区域增强效果较少，从而使得整体图像增亮。该方法容易产生过曝的问题，只适合于全局较暗的图像。

(3)基于Retinex理论的增强算法；该理论认为图像可以分解为两个部分：反射图和光照图，其中反射图反映了该图像的本质反射图像，而光照图反映了该图像受光照的影响。本发明同样利用了该理论。早期的单尺度Retinex和多尺度Retinex等方法产生的结果很不自然。尽管之后一些方法对光照图估计进行了改进，但这些方法一般假设图像是没有噪声的或颜色不失真的。然而在实际应用中，由于光照条件较差，低光照图像增强的结果往往存在严重的噪声以及颜色失真。

(4)基于深度学习的方法：随着深度学习的蓬勃发展，利用深度学习进行低光照图像增强也取得了一定的进展。深度学习的方法主要是利用卷积神经网络构建模型，对成对(正常光照和低光照)的图像数据集进行参数学习，来获取一个合适的映射关系。在测试时使用该映射关系来获取增强后的图像。现有的深度学习的方法有LLNet、Retinex-Net、MSR-Net等。然而这些方法并不能有效地处理增强图像中存在的严重噪声及颜色失真等问题。

综上，现有的低光照图像增强算法大部分只对一些没有噪声的低光照图像有一定的效果，而对于一些特别暗的区域的增强结果往往存在严重的噪声和颜色失真，难以满足实际需求。

发明内容

针对上述现有技术，本发明提供了一种基于Retinex和卷积神经网络的低光照图像增强方法，实现低光照图像的增强，特别地对增强结果中噪声和颜色失真的影响做了一定的处理，并且可以由用户自主调节增强亮度。

为了解决上述技术问题，本发明提出的一种基于Retinex和卷积神经网络的低光照彩色图像增强方法，包括以下步骤：

步骤1：将一个RGB三通道低光照彩色图像S输入到分解网络，输出一个三通道的反射图R和一个单通道的光照图I；

步骤2：将步骤1中得到的反射图R和光照图I输入到反射图恢复网络，进行去噪和颜色恢复的处理，得到恢复后的反射图