[发明专利]一种基于U-Net的低照度图像增强方法

说明书

为解决低照度图像普遍存在的亮度、对比度低，细节信息少的问题，本专利公开了一种在HSV空间基于U‑Net网络的低照度图像增强算法。首先对图片进行解耦，将RGB图片转换至HSV空间，减少图片亮度与色彩饱和度之间的强关联性；然后使用U‑Net网络对分离出来的亮度分量V进行增强；最后使用改进后的金字塔融合算法将增强后的亮度分量以及H,S分量进行融合转换，得到亮度合适，细节信息丰富的RGB图像。实验验证表明，算法在提升图像亮度的同时可以有效避免颜色失真问题，并且与其他算法相比图像增强效果有明显的提高。

技术领域

本发明属于图像处理领域，具体涉及一种低照度图像的增强方法。

背景技术

随着人工智能理论和技术的发展，机器视觉已成为世界各国研究热点之一。其中图像处理技术广泛的应用在生物医学工程、工业生产检测、军事公安、智能驾驶等方面。图像的质量决定了系统的处理能力，而外部环境对事物成像影响巨大。因此在不利环境下获取的低质量图片需要通过算法进行改善，增强图片的可读性，以满足系统的处理要求。

目前已经有许多人投入到了对低照度图像增强算法的研究，提出了多种增强算法，主要有基于空域的算法、基于频域的算法以及基于深度学习的算法。空域法是一种像素级的处理方法，直接处理图像，比如传统的直方图均衡化算法；而频域法是需要对图片进行处理，转换到频域空间进行处理，常见的有基于Retinex理论的相关方法。以上的方法主要关注于对图像亮度对比度的增强，但无法很好地抑制噪声，并且会带来一定程度上的颜色失真。

基于深度学习的增强算法是近年研究的热点，基本原理是采用卷积神经网络提取图片特征信息，再对信息进行处理增强。深度学习的强大学习能力，能很好的提取出图片的深层次特征信息。

发明内容

本发明的目的在于对在较恶劣环境中获取的低照度图像进行增强处理，要求增强后的图像细节信息丰富，符合人眼视觉效果图像清晰边缘特征明显。

为达到上述目的，本发明采用以下技术方案：一种基于U-Net网络的低照度图像增强算法，包括以下步骤：

步骤一：将RGB图像转换至HSV空间。

步骤二：使用U-Net网络对分离出的亮度分量V进行亮度增强，并使用引导滤波算法增强图像细节信息。

步骤三：将步骤二中的亮度增强图像及细节信息增强的图像进行加权融合。

步骤四：利用拉普拉斯图像锐化算法对边缘特征信息明显的S分量进行边缘锐化增强。

步骤五：将增强过的图像从HSV空间转换成对比度高细节丰富且视觉效果好的RGB图像。

本发明所带来的有益效果是：本发明提出的低照度图像增强算法在图像亮度提升的同时避免颜色失真问题，并且能够有效地恢复图像细节信息。将RGB图像转换至HSV空间，对原图像进行解耦解除亮度分量改变对图像色彩的影响，避免出现颜色失真现象,同时利用U-Net网络对亮度分量进行增强，算法模型泛化能力强，增强效果显著。并且使用引导滤波算法和拉普拉斯图像锐化算法增强图像的细节信息及边缘特征信息，提高了增强图像的整体视觉质量，避免因亮度增强而导致的图像细节丢失。

附图说明

图1是本发明实施例中的算法原理图。

图2是本发明实施例中的U-Net网络模型示意图。

图3是本发明实施例中的算法流程图。