[发明专利]一种快速夜间低照度图像增强方法、系统及相关设备

权利要求书

1.一种快速夜间低照度图像增强方法，其特征在于，所述方法包括：

构建快速夜间低照度图像增强模型；

使用预设一阶损失函数对所述快速夜间低照度图像增强模型进行一阶训练，得到一阶模型；

使用预设二阶损失函数对所述一阶模型进行二阶训练，得到最终图像增强模型；

使用所述最终图像增强模型对夜间低照度图像进行增强；

其中，所述快速夜间低照度图像增强模型的结构中依据处理逻辑先后包括低像素损失压缩单元、Sim-CSP单元、轮廓增强单元、上采样还原单元，其中：

所述低像素损失压缩单元用于将原始图像采用连续像素截取的方法进行通道扩展，得到具有高通道数的压缩图像，所述低像素损失压缩单元具体将所述原始图像根据左上、右上、左下、右下的部分等大小分成四个部分，分别记为P1、P2、P3、P4，之后，将P1、P2、P3、P4统一在通道维度上进行拼接，最终得到分辨率与截取部分相同、通道数为所述原始图像的通道数的四倍的所述压缩图像；

所述Sim-CSP单元用于提取所述压缩图像的特征，得到压缩特征图像，所述Sim-CSP单元具体包含两个以卷积层、批归一化层、Relu层组成的CBR子单元，两个所述CBR子单元之间还包括一个ResBlock子单元，在第一个所述CBR子单元的输入前、最后一个所述CBR子单元的输出后还连接一个1*1卷积组成的基本卷积子单元；

所述轮廓增强单元用于将所述压缩图像使用激活函数激活得到权重值，并将所述权重值与所述压缩特征图像进行张量乘法运算，得到轮廓增强图像，所述轮廓增强单元具体包括第一输入端和第二输入端，所述第一输入端以所述压缩图像为输入，所述第二输入端以所述压缩特征图像为输入，其中，所述第一输入端还包括一个1*1大小的卷积和一个Sigmoid激活函数，用于计算所述权重值；

所述上采样还原单元用于将所述轮廓增强图像进行卷积和上采样，得到与所述原始图像相同大小的最终图像；

所述使用预设一阶损失函数对所述快速夜间低照度图像增强模型进行一阶训练，得到一阶模型的步骤中，所述预设一阶损失函数包括图像空间一致性损失函数和图像色彩平衡损失函数，且具体包括以下子步骤：

定义所述图像空间一致性损失函数为L1，所述图像色彩平衡损失函数为L2，L1的预设标准差阈值为R1，L1的预设总体权重为W1，L2的预设标准差阈值为R2，L2的预设总体权重为W2；

联合L1和L2并根据W1和W2对所述快速夜间低照度图像增强模型进行训练，在每一次梯度更新时计算包括当前梯度在内的前N个梯度时L1和L2各自的当前标准差C1和C2，并判断C1是否小于R1、C2是否小于R2，N为正整数，其中：

若C1不小于R1，或C2不小于R2，则继续使用所述一阶损失函数进行迭代训练；

若C1小于R1，且C2小于R2，则停止所述一阶训练，将当前的所述快速夜间低照度图像增强模型作为所述一阶模型；

所述使用预设二阶损失函数对所述一阶模型进行二阶训练，得到最终图像增强模型的步骤中，所述预设二阶损失函数包括图像光照平滑损失函数和图像曝光调整损失函数，且具体包括以下子步骤：

定义所述图像光照平滑损失函数为L3，所述图像曝光调整损失函数为L4，L3的预设标准差阈值为R3，L3的预设总体权重为W3，L4的预设标准差阈值为R4，L4的预设总体权重为W4；

将所述一阶模型对应W1和W2的权重影响度进行初始化，再联合L3和L4并根据W3和W4对所述一阶模型进行训练，在每一次梯度更新时计算包括当前梯度在内的前N个梯度时L3和L4各自的当前标准差C3和C4，并判断C3是否小于R3、C4是否小于R4，N为正整数，其中：

若C3不小于R3，或C4不小于R4，则继续使用所述二阶损失函数进行迭代训练；

若C3小于R3，且C4小于R4，则停止所述二阶训练，将当前的所述一阶模型作为所述最终图像增强模型。

2.如权利要求1所述的快速夜间低照度图像增强方法，其特征在于，所述CBR子单元和所述ResBlock子单元用于对所述压缩图像进行卷积计算以及批归一化、激活，从而得到图像特征，所述基本卷积子单元用于调整输出通道数量，最终输出所述压缩特征图像。