[发明专利]基于色彩恢复块的彩色微光图像重建方法

权利要求书

1.一种基于色彩恢复块的彩色微光图像重建方法，其特征在于，具体步骤为：

步骤1：在室内和室外采集低照度图像和正常光图像，由低照度图像和对应的正常光图像生成校园数据集；

步骤2：构建用于端对端训练的卷积神经网络模型，所述卷积神经网络模型包括输入层、隐藏层、输出层，所述输入层用于输入目标低照度图像，所述隐藏层用于对输入图像进行卷积计算及反卷积计算，输出层用于输出结果，输入层、隐藏层、输出层之间通过激活函数连接在一起，所述隐藏层包括编码器和解码器，具体结构为：

卷积层1：卷积核大小3×3，卷积核个数为32，卷积步长为1，填充为相同；通道校正卷积1：输出通道数为32；池化层1：选择最大池化，大小为2×2，步长为2，填充为相同；

卷积层2：卷积核大小3×3，卷积核个数为64，卷积步长为1，填充为相同；通道校正卷积2：输出通道数为64；池化层2：选择最大池化，大小为2×2，步长为2，填充为相同；

卷积层3：卷积核大小3×3，卷积核个数为128，卷积步长为1，填充为相同；通道校正卷积3：输出通道数为128；池化层3：选择最大池化，大小为2×2，步长为2，填充为相同；

卷积层4：卷积核大小3×3，卷积核个数为256，卷积步长为1，填充为相同；通道校正卷积层4：输出通道数为256；池化层4：选择最大池化，大小为2×2，步长为2，填充为相同；

卷积层5：卷积核大小3×3，卷积核个数为512，卷积步长为1，填充为相同；通道校正卷积5：输出通道数为512；上采样及级联层5：卷积核大小为2×2，对图像的行列进行两倍翻倍，并与通道校正卷积层4级联，输出通道数为512，并作为下一个卷积层的输入；

卷积层6：卷积核大小3×3，卷积核个数为256，卷积步长为1，填充为相同；通道校正卷积6：输出通道数为256；上采样及级联层6：卷积核大小为2×2，对图像的行列进行两倍翻倍，并与通道校正卷积层3级联，输出通道数为256，并作为下一个卷积层的输入；

卷积层7：卷积核大小3×3，卷积核个数为128，卷积步长为1，填充为相同；通道校正卷积7：输出通道数为128；上采样及级联层7：卷积核大小为2×2，对图像的行列进行两倍翻倍，并与通道校正卷积层2级联，输出通道数为128，并作为下一个卷积层的输入；

卷积层8：卷积核大小3×3，卷积核个数为64，卷积步长为1，填充为相同；通道校正卷积8：输出通道数为64；上采样及级联层8：卷积核大小为2×2，对图像的行列进行两倍翻倍，并与通道校正卷积层1级联，输出通道数为64，并作为下一个卷积层的输入；

卷积层9：卷积核大小3×3，卷积核个数为32，卷积步长为1，填充为相同；通道校正卷积9：输出通道数为32；卷积层10：卷积核大小3×3，卷积核个数为3，卷积步长为1，填充为相同，并作为下一个卷积层的输入；

通道校正卷积的具体过程为：将输入通过带有激活函数的1×1卷积后分别通过两个分支，每个分支上的通道数为输入的一半；其中一条分支包括色彩恢复块以及带有激活函数的3×3卷积；另外一条分支包括带有激活函数的3×3卷积，两条分支的输出相级联，并通过1×1卷积形成特征图，特征图与输入相加；

所述色彩恢复块将输入通过带有激活函数的3×3卷积，然后并行通过全局平均池化和全局最大池化，分别经过多层感知器生成特征向量，相加后通过sigmoid激活函数获得通道注意力特征图；同时将输入通过带有激活函数的1×1卷积后与通道注意力特征图相乘；通过带有激活函数的1×1卷积恢复为输入时的通道数；

步骤3：确定优化器和损失函数，使用校园数据集对卷积神经网络模型进行训练，构建的损失函数为：

L＝l₁+λl_Sobel,

其中，λ为0.1；

l₁损失为：

l₁＝||I_En-I||₁,

I_En表示增强的图像，I表示原始图像；

Sobel损失函数l_Sobel：

G_x和G_y分别代表着水平和垂直的算子，I_gEn和I_g分别代表着增强的图像I_En和原始图像I的灰度图像；

步骤4：将待重建图像输入训练好的卷积神经网络模型获得清晰图像。