[发明专利]一种基于PNA-MSPCNN模型的低照度彩色图像增强方法

说明书

本发明提供了一种基于PNA‑MSPCNN模型的低照度彩色图像增强方法。包括：获得原始图像的初始亮度谱；利用PNA‑MSPCNN算法获得突触权重矩阵；在PNA‑MSPCNN算法模式下，根据突触权重矩阵进一步获得梯度亮度谱；根据梯度亮度谱，利用Retinex算法计算得到最终权重矩阵；基于最终权重矩阵，对得到的初始亮度谱进行修正得到最终亮度映射谱；利用Retinex算法并结合最终亮度映射谱对原始图像进行修正得到低照度增强图像。本发明技术方案的关键算法为PNA‑MSPCNN算法，通过PNA‑MSPCNN算法与改进的LIME算法结合应用得以实现低亮度彩色图像增强，神经元点火次数和频率更易于控制，算法复杂度更低，图像增强效果更好。

技术领域

本发明涉及图像处理技术领域，具体地说涉及一种基于PNA-MSPCNN模型的低照度彩色图像增强方法

背景技术

图像增强对提高彩色图像视觉质量起着关键作用。由于受到成像设备、成像光照条件等因素的影响，彩色图像通常存在亮度低、局部细节信息不明显等问题，不利于人眼视觉辨识或机器自动识别。在实际应用中，通常采用图像增强技术来提高彩色图像的视觉效果。

图像增强的主要目的是改善图像的视觉效果，强调图像的整体或局部特性，扩大图像中不同区域特征之间的差别，增强图像感知和识别效果，满足专业技术人员对图像信息正常读取与识别的需要。

低照度图像的获得常见于光线不足的情况(例如夜晚或隧道等光线较暗的场景)，这使得图像特征不明确，图像细节不清晰，感兴趣区域无法识别。可采用专业的低照度图像增强算法提升整幅图像的对比度，增强图像的清晰度。

图像增强技术升级的核心在于优化算法，提高图像对比度，使其符合人眼视觉特性。目前常用的图像增强算法分为频域算法和空域算法。前者认为图像是一种二维信号，并对其进行二维傅里叶变换，并采用高通滤波算法，使得模糊的图像变清晰。后者常采用局部平均法和中值滤波法等，可去除或减弱噪声。图像增强的最终目的是突出感兴趣区域的某些特征，如图像对比度和图像细节等。

本发明名称中的PCNN，为脉冲耦合神经网络(Pulse-coupled neural network)的英文缩写，目前学界普遍以PCNN称谓脉冲耦合神经网络。其最早源于Eckhorn等人对猫的视觉皮层的研究模型。PCNN神经元较传统人工神经元能更好地模拟哺乳动物视觉皮层神经细胞活动，具有哺乳动物视神经系统视野受到适当刺激时相邻神经元同步激发产生振荡脉冲串特性、生物电传输的时延特性、指数衰减特性和捕获特性等。PCNN模型较其他人工神经网络模型更符合人眼视觉特点，对环境的适应能力更好，同时模型算法具有更好的生物合理性和生物可解释性。近些年，PCNN的一些流行模型在图像去噪、图像分割、图像融合、图像量化和图像增强等方面应用，表现出独特的优势，取得了较好的效果。然而，PCNN仍然存在设置参数较多，计算量较大等问题。PCNN理论目前仍不成熟，其模型参数与图像处理机理之间的关系还不十分清楚，提高基于人眼视觉特性图像处理能力，尚有许多难题需要破解。

本发明名称中的PNA-MSPCNN，是英文Pulse number adjustable-modifiedsimplified pulse coupled neural network的缩写，中文表称为“脉冲数量可调节的改进简化脉冲耦合神经网络”。PNA为Pulse-number-adjustable(指定分类的)的缩写，M为modified(改进的)的缩写，S为simplified(简化的)的缩写。

发明内容

鉴于以上所述的技术问题，本发明实施例提供了一种基于PNA-MSPCNN模型的低照度彩色图像增强方法，在降低算法计算复杂度的同时，能显著增强图像亮度，提升图像对比度，提高低照度彩色图像的人眼视觉效果。

一种基于PNA-MSPCNN模型的低照度彩色图像增强方法，包括：

a)、获得原始图像的初始亮度谱T_i；