[发明专利]一种特征自我保留的弱光图像增强方法

权利要求书

1.一种特征自我保留的弱光图像增强方法，包括一组CycleGAN模型、VGG16、第一训练集和第二训练集，其特征在于，所述CycleGAN模型由生成器(G、F)、图像集(X、Y)和判别器(DX、DY)组成，所述判别器(DX、DY)都包含模糊RGB判别器、灰度判别器和梯度判别器这三个判别器。

2.根据权利要求1所述的一种特征自我保留的弱光图像增强方法，其特征在于，所述VGG16是指在图像集上预先训练好的一个VGG16模型。

3.根据权利要求1所述的一种特征自我保留的弱光图像增强方法，其特征在于，所述梯度判别器使用大小为1×1、步长为2的卷积核的卷积层获取输入图像下采样的特征图，并将其与两个滤波器卷积，以可微的方式获得x和y方向的梯度。

4.根据权利要求1所述的一种特征自我保留的弱光图像增强方法，其特征在于，所述X图像集整合了大量弱光图像和一定量的正常亮度和过度曝光的图像。

5.根据权利要求1所述的一种特征自我保留的弱光图像增强方法，其特征在于，所述Y图像集只包含正常亮度的图像。

6.根据权利要求1-5所述的一种特征自我保留的弱光图像增强方法，其特征在于，包括以下步骤：

步骤一：使用一个大小为5×5和方差为3σ的高斯卷积核计算输入图像的模糊RGB图像；

步骤二：计算输入图像的灰度图；

步骤三：计算输入图像的横向和纵向的梯度图；

步骤四：将计算结果输入到相应的判别器中获得相应的输出值，求这三个输出值和的平均值作为判别器最终的损失值。

7.根据权利要求1所述的一种特征自我保留的弱光图像增强方法，其特征在于，所述CycleGAN模型的主要任务是从X图像集和Y图像集中学习两个映射函数，分别是G：X→Y和F：Y→X，G表示X图像集到Y图像集的映射函数，F表示Y图像集到X图像集的映射函数，CycleGAN模型的生成损失定义为:

其中G尝试生成图像G(x)更接近于Y图像集中的图像y，而D_Y旨在最大化地区分生成样本G(x)和真实样例y，生成器G的目标是最小化生成损失，而判别器D试图最大化判别损失，另一个映射函数F与G类似，即同样，为了增加生成样本的真实度，我们使用了新的生成损失函数:其中D＝[D_blu-RGB(a),D_Gray(a),D_Gradients(a)]，a是输入图像，D_blu-RGB是模糊RGB判别器，D_Gray是灰度判别器，D_Gradients是梯度判别器，n是D的长度，对于X域中的每一张图像x，所训练的模型应该能够将x转换回原始图像，即x→G(x)→F(G(x))≈x；类似的，对于Y域中的每一张图像y，也有y→F(y)→G(F(y))≈y，我们使用循环一致性损失保证这种转换的平衡性，即：

8.根据权利要求1所述的一种特征自我保留的弱光图像增强方法，其特征在于，为了限制弱光和增强图像之间的VGG特征距离，引入特征自我保留损失添加到本技术方案的生成损失中，即强调它正则化的效果，在增强后保留原图像的内容和特征，特征自我保留损失定义为：其中I^L是输入的弱光图像，G(I^L)是生成器生成的样本图像，表示在图像集上预训练好的VGG-16模型中提取的特征映射，i表示第i层最大池化层，j表示在第i层最大池化层后的第j层卷积层，W_i,j和H_i,j是所提取特征映射的维度大小。对于i,j我们默认分别取5和1，根据CycleGAN模型和SFPLoss得到训练本技术方案的整体损失函数为：

其中λ控制着G和F的相对平衡性，λ取值10，为了不破坏原本结构的平衡性，我们添加了两个特征自我保留损失，其中λ_SFP控制着特征自我保留损失对整体损失函数的影响程度，根据经验值，λ_SFP取值为1。