[发明专利]基于深度学习的夜间彩色图像的还原方法、系统、介质

说明书

本发明提供了一种基于深度学习的夜间彩色图像的还原方法、系统及计算机可读存储介质，其中，基于深度学习的夜间彩色图像的还原方法包括：采集图片对，图片对包括夜间图片和对应于夜间图片的白天图片；通过数据增广获取训练图片数据集；选择网络模型；将训练图片数据集采用RGB格式或RAW格式对选择的网络模型进行网络训练；对训练结果进行分析；基于分析结果优化网络模型，并继续优化迭代；确定最优的网络模型。通过上述方法，由于对采集的图片对的格式并没有要求，且无需灰阶和放大比率处理，直接将训练图片数据集采用RGB格式或RAW格式对所选择的网络模型进行训练，降低了夜间图像还原的操作难度，扩大了使用范围。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种基于深度学习的夜间彩色图像的还原方法、一种基于深度学习的夜间彩色图像的还原系统和一种计算机可读存储介质。

背景技术

相关技术中对夜间彩色图像的还原方法，通常是针对Bayer(一种颜色模式)模式下的RAW(原始图片文件)格式图片进行夜间图像还原，具体方法如下：用相机拍摄Bayer模式下RAW格式图片；将Bayer模式下RAW格式图片折叠成R-G-B-G(Red-Green-Blue-Green，红-绿-蓝-绿)的四通道并分别减去黑阶，并乘以放大比率；然后送入全卷积神经网络进行端到端的训练。

由于上述夜间图片还原的方案是针对Bayer模式下的RAW格式的图片，而实际工业应用监控系统采集到的图片大都为sRGB(Standard RedGreen Blue，一种彩色语音协议)空间的jpg(Joint Photographic ExpertsGroup，一种图像格式)格式图片，使得上述方法的使用范围受到限制，同时，图片送入神经网络训练之前，需要减去相机固有参数黑阶，乘以放大比率，而不同相机的黑阶值不同，且对应的放大比率也不尽相同，使得相关技术中的方案实际应用可操作性不强。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一个方面在于，提出一种基于深度学习的夜间彩色图像的还原方法。

本发明的第二个方面在于，提出一种基于深度学习的夜间彩色图像的还原系统。

本发明的第三个方面在于，提出一种计算机可读存储介质。

有鉴于此，根据本发明的一个方面，提供了一种基于深度学习的夜间彩色图像的还原方法，包括：采集图片对，图片对包括夜间图片和对应于夜间图片的白天图片；通过数据增广获取训练图片数据集；选择网络模型；将训练图片数据集采用RGB格式或RAW格式对选择的网络模型进行网络训练；对训练结果进行分析；基于分析结果优化网络模型，并继续优化迭代；确定最优的网络模型。

本发明提供的基于深度学习的夜间彩色图像的还原方法，通过采集图片对，图片对包括夜间图片和对应于夜间图片的白天图片，其中，对夜间图片和白天图片的格式并没有要求，即可以在工业应用场景采集夜间图片和白天图片，即采集的图片可以为sRGB空间的jpg、png(Portable NetworkGraphics，便携式网络图像)、bmp(Bitmap，一种图像文件格式)等格式的彩色图片，通过数据增广获取训练图片数据集，实现图片对的数据增广，选择网络模型，将训练图片数据集采用RGB格式或RAW格式对所选择的网络模型进行网络训练，使得无需灰阶和放大比率处理，直接将训练图片数据集带入网络模型直接进行端到端的网络训练，进而大大降低了夜间图像还原的操作难度，同时，由于对采集的图片对的格式并没有要求，避免了只可以对特殊型号的设备拍摄的夜间图片进行还原的局限性，进而大大提高了夜间彩色图像的还原方法的适用性，扩大了夜间彩色图像的还原方法的使用范围，并进一步降低了夜间彩色图像的还原方法操作难度，使得夜间彩色图像的还原方法易于实现，并适于推广应用。通过对训练结果进行分析，基于分析结果优化网络模型，继续优化迭代，并确定最优的网络模型，使得通过对不同的图片格式、不同的网络模型进行训练，能够得到还原效果较好的最优的网络模型，进而保证夜间彩色图片良好的还原效果。