[发明专利]一种基于深度学习的逆光图像协同增强方法

说明书

本发明公开了一种基于深度学习的逆光图像协同增强方法，步骤包括：步骤1、采集逆光图像；步骤2、选取三种传统逆光图像增强方法，对每一幅逆光图像均生成三幅不同种类的伪目标图像；步骤3、设置对逆光图像增强的全卷积深度神经网络模型；步骤4、针对不同种类的伪目标图像设计不同的损失函数，然后加权综合所有的损失函数形成总的损失函数，以此来共同指导逆光图像增强的全卷积神经网络模型的训练，来学习并综合不同伪目标图像优点；步骤5、对于待增强的逆光图像，输入到训练好的全卷积神经网络模型，该模型的输出就是增强后的逆光图像。本发明的方法，增强后的图像整体轮廓清晰、层次分明、色彩协调。

技术领域

本发明属于数字图像处理技术领域，涉及一种基于深度学习的逆光图像协同增强方法。

背景技术

随着数码相机、手机等成像设备的日益普及，图像作为传递信息的主要媒介已被广泛应用于社会生活的各个领域。但是由于拍摄环境的约束以及拍摄设备硬件的限制，常会出现逆光图像，导致被拍摄的图像质量降低，进而会影响到后续的处理或者识别。因此，对逆光图像进行自动增强显得非常重要，具有实际应用价值。

现有的针对逆光图像的增强手段，主要是采用传统的基于光照不均图像的增强方法来进行处理，如直方图均衡增强方法、多尺度Retinex方法、照射图估计方法、非线性亮度提升方法等。这些方法无法同时兼顾欠曝光的主体和部分过曝光的背景，导致增强后图像的细节表现不好。另外，如果将逆光图像看作低照度图像和过曝光图像的结合，分别通过融合低照度增强方法和过曝光增强方法的增强结果来提高逆光图像的质量，虽然能同时增强欠曝光区域和过曝光区域的细节，但得到的图像整体往往会变得不连续。虽然基于深度学习的方法在低质量图像增强方面有许多方法，但在逆光图像的增强方面鲜有应用，其存在的问题是没有与逆光图像成对的正常图像，因而无法训练深度学习网络。

发明内容

本发明的目的是提供一种基于深度学习的逆光图像协同增强方法，解决了现有技术采用的深度学习方法，在逆光图像增强中没有真实的高质量图像与之对应，以及单目标增强效果不理想的问题。

本发明所采用的技术方案是，一种基于深度学习的逆光图像协同增强方法，按照以下步骤实施：

步骤1、采集逆光图像I_s；

步骤2、选取三种传统逆光图像增强方法，对步骤1采集的每一幅逆光图像均生成三幅不同种类的伪目标图像；

步骤3、设置对逆光图像增强的全卷积深度神经网络模型，用F_e表示，

步骤4、针对步骤2中的不同种类的伪目标图像设计不同的损失函数，然后加权综合所有的损失函数形成总的损失函数，以此来共同指导步骤3所设计的逆光图像增强的全卷积神经网络模型的训练，来学习并综合不同伪目标图像优点；

步骤5、对于待增强的逆光图像I_s，将其输入到步骤4训练好的逆光图像增强的全卷积神经网络模型F_e，该全卷积神经网络模型的输出就是增强后的逆光图像I_e，即I_e＝F_e(I_s)，即成。

本发明的有益效果是，一是解决了应用深度学习方法对逆光图像增强时无相应成对图像的问题；二是充分利用了不同伪目标图像的长处，协同训练逆光图像增强的网络模型，使得增强后的图像比传统方法生成的图像更为真实，图像整体轮廓清晰、层次分明、色彩协调。

附图说明

图1是本发明方法的原理框图；

图2是本发明方法中的逆光图像增强的全卷积神经网络模型结构图；

图3a是一幅逆光图像；

图3b是采用本发明方法对图3a增强后的图像；