[发明专利]一种基于卷积神经网络的低照度带噪声图像优化方法

权利要求书

1.一种基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，包含：

步骤S1、构建LLED-Net卷积神经网络；所述LLED-Net卷积神经网络为卷积-反卷积结构，包括N个卷积层与N层相应的镜像反卷积层，使用跳越连接从卷积层连接到对应的镜像反卷积层，所述跳越连接是指单个卷积层的输出传递给下一层卷积层，且将输出传递给对应的镜像反卷积层；所述LLED-Net卷积神经网络使用结构相似性损失作为卷积神经网络的损失函数；

步骤S2、收集正常光照图像，并通过人工合成相应的低照度带噪声图像，将该低照度带噪声图像进行数据增强扩充数量后作为训练数据，使用所述训练数据训练所述LLED-Net卷积神经网络模型，动态调整网络模型的学习率进行训练，得到训练好的LLED-Net卷积神经网络；

步骤S3、通过训练好的LLED-Net卷积神经网络模型对采集到的真实低照度带噪声图像进行重构优化，实现重构高质量图像。

2.如权利要求1所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，

所述LLED-Net卷积神经网络包含十层用于处理图像的卷积层与十层相应的镜像反卷积层；

所述卷积层作为特征提取器，经过所述卷积层转发后，后接10个反卷积层恢复图像中的细节，反卷积层特征图数目与相应的卷积层特征图数目镜像相同；

所述LLED-Net卷积神经网络模型使用跳越连接从卷积层连接到对应的镜像反卷积层，将层层传递的卷积层特征图逐项求和又作为反卷积层的输入，并通过跳越连接进行校正后再传递到下一层反卷积层。

3.如权利要求2所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，

所述LLED-Net卷积神经网络的结构中，进一步包含：

十层卷积层从输入端至输出端依次记作为第一层卷积层、第二层卷积层…直至第十层卷积层；

十层反卷积层从输入端至输出端依次记作为第一层反卷积层、第二层反卷积层…直至第十层反卷积层；

第i层卷积层对应地与第11-i层反卷积层进行跳越连接，且1≤i≤10。

4.如权利要求3所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，

所述LLED-Net卷积神经网络的结构中，进一步包含：

第一层卷积层至第四层卷积层的卷积核数目均为128，第五层卷积层至第七层卷积层的卷积核数目均为256，第八层卷积层至第十层卷积层的卷积核数目均为512；

第一层反卷积层至第二层反卷积层的卷积核数目均为512，第三层反卷积层至第五层反卷积层的卷积核数目均为256，第六层反卷积层至第九层反卷积层的卷积核数目均128，第十层反卷积层的卷积核数目为3。

5.如权利要求1所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，

进一步包含以下过程：

经过每个卷积或者反卷积操作后采用padding进行补零操作；

每个卷积层或反卷积层操作后使用非线性整流函数进行激活；

所有的卷积层和反卷积层的卷积核大小被设置为3×3。

6.如权利要求1所述的基于卷积神经网络的低照度带噪声图像优化方法，其特征在于，

所述步骤S1中，进一步包含：

将结构相似性SSIM损失作为所述LLED-Net卷积神经网络的损失函数，结构相似性的公式如下：

其中，μ_x是x的平均值；μ_y是y的平均值；是x的方差；是y的方差；σ_xy是x与y的协方差；c₁＝(k₁L)²，c₂＝(k₂L)²，是用来维持稳定的常数；L是像素值的动态范围；k₁＝0.01，k₂＝0.03；

损失函数公式如下：

其中，N代表训练数据集数量；x代表人工合成的低照度带噪声图像；X代表人工合成的低照度带噪声图像数据集；y代表正常光照图像；Y代表正常光照图像数据集。