[发明专利]一种轻量级无监督暗光图像增强方法及装置

说明书

本发明公开了一种轻量级无监督暗光图像增强方法及装置，其中方法包括：S1：建立无监督图像分解网络，所述图像分解网络用于将输入的原始暗光图像分解为光照图像和反射图像；S2：建立无监督图像增强网络，所述图像增强网络用于增强所述光照图像的亮度以得到对应的增强光照图像，同时，根据所述增强光照图像得到对应的含噪声增强图像；S3：建立无监督图像去噪网络，所述图像去噪网络用于对所述含噪增强图像去除噪声，输出增强图像；本发明可使最终的增强图像具有更好的增强效果。

技术领域

本发明涉及图像处理技术领域，更具体的说是涉及一种轻量级无监督暗光图像增强方法及装置。

背景技术

近年来，近年来，智能手机的高速发展让人们可以随时随地拍摄照片。然而，在日常生活中常会遇到较差的光照环境。例如，在弱光源不足以照亮整个场景的情况下，得到的图像整体通常非常暗，且黑暗区域可能隐藏了较多的成像噪声，其视觉质量通常不令人满意。即使通过图像处理技术将图像整体光照进行增强，原本隐藏在暗处的噪声也很容易随之显著放大，依旧严重影响了输出图像的视觉质量。因此，暗光图像处理主要包含两方面目标：一方面是增强图像亮度，另一方面是去除图像噪声。

目前，现有技术中暗光图像增强方法主要可分为基于模型驱动的传统方法和基于数据驱动的深度学习方法，其中模型驱动方法中，最具代表性的是基于Retinex图像分解框架的暗光图像增强模型，但此类方法往往存在如下问题：(1)建立Retinex图像分解目标函数，其分解结果会因正则化项不同而各有差异；(2)对Retinex图像分解所得的光照图进行伽马矫正来增强图像光照，其中的伽马校正参数数值只能依据经验设定为定值1/2.2，对图像亮度改善能力有限，对不同图像场景和内容的泛化能力不强；(3)在去噪问题上，可通过在目标函数添加正则化项、或直接后处理进行，但是这样的做法都是基于全局处理，容易导致原本光线较好的图像区域细节丢失。

对于数据驱动下的暗光图像增强方法，一般是构建含有大量参数的深度神经网络，以全监督的方式在大规模训练数据集拟合出复杂的函数映射，使低质量的暗光图片转变为高质量的正常光照图片，进而完成暗光增强。但是此类方法仍然存在一些缺点。首先，随着移动设备的发展，更多的深度模型开始在移动端部署，然而现有的深度学习方法大多模型庞大，参数较多，部署到移动端比较困难。第二，很多基于深度学习的暗光图像增强算法属于全监督学习的范式，即训练模型时须有大量成对的数据(即同一场景下的一张暗光图片和一张正常光照图片，且两张图片之间须在像素级一一对应)来拟合暗光到正常光照的映射函数。此类成对图像数据集的大规模采集和构建通常非常困难，现有若干公开数据集并不能很好地模拟真实的暗光环境，容易使得模型出现过拟合情况，进而造成模型的泛化能力不足。第三，一些基于深度学习的暗光增强方法也对图像的噪声进行去除，但是这些方法的去噪步骤通常忽略了噪声分布与光照分布的高度联系，因此也常出现将图像原本细节错误抹除的问题。综上，暗光图像处理方法中，更广泛场景对比度增强、针对性的去噪、模型轻量化、以及不依赖于成对数据集的的无监督学习都是需要暗光增强任务中亟需解决的问题。

因此，如何提供一种能够解决上述问题的暗光图像增强方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种轻量级无监督暗光图像增强方法及装置，构建了光照引导的去噪模型，在此模型下可以针对性地去除暗处的噪声而保留亮处的细节，从而使得最终的增强图像具有更好的增强效果。

为了实现上述目的，本发明采用如下技术方案：

一种轻量级无监督暗光图像增强方法，包括：

S1：建立无监督图像分解网络，所述图像分解网络用于将输入的原始暗光图像分解为光照图像和反射图像；

S2：建立无监督图像增强网络，所述图像增强网络用于增强所述光照图像的亮度以得到对应的增强光照图像，同时，根据所述增强光照图像得到对应的含噪声增强图像；