CN116012260B 一种基于深度Retinex的低光图像增强方法 （杭州电子科技大学）

US2021304366A1,2021.09.308页.WenhuiWu等.URetinex-Net:RetinbasedDeepUnfoldingVisionandPatternRecognition(CVPR)》.2022,第5901-5910页.ShouxinLiu等.Retinex杨勇等.极端低光情况下的图像增强方法.页.本发明公开了一种基于深度Retinex的低光2步骤1、使用残差模块代替U_Net网络中的卷积层得到反;;;步骤3、采用图像重构的方法将步骤1中的反射率恢复图像和步骤2中的照度增强图像;3;2.如权利要求1所述一种基于深度Retinex的低光图像增强方法，其特征在于：根据所述层分解网络首先对输入图像使用一次卷积操作，得到图像的所述反射率分支使用下采样和卷积操作对图像的浅层特征进行处理，再进行上采样，所述照度分支首先对图像的浅层特征进行卷积操作，然后选择反射4.如权利要求1所述一种基于深度Retinex的低光图像增;;;45.如权利要求1所述一种基于深度Retinex射率恢复网络对输入数据进行进行通道合并和一次卷积操作后，进行编码过程和解码过6.如权利要求1所述一种基于深度Retinex的低光图像增强像重构的方法是将反射率恢复图像R,和照度增强图像采用像素乘法8.如权利要求1所述一种基于深度Retinex的5基于Retinex理论的方法是根据先验知识从低光图像中估计出照度图像，并将反射图像作[0008]构建层分解网络，根据Retinex理论分别对输入的低光图像和正常光图像进行分6分别输入反射分支和照度分支进行分解，最后使用Sigmoid函数将两个分支的输出约束到[0013]采用反射率恢复网络学习低光反射率图像Rl到正常光反射率图[0014]所述反射率恢复网络的输入为低光照度图像Il和低光反射率图像Rl，首先将Rl和7使用密集连接模块Denseblock和过滤层transitionlayer作进一步的特征提取和通道筛[0039]步骤4、采用图像重构的方法将步骤2中的反射率恢复图像和步骤3中的照度增强[0040]作为优选，所述图像重构的方法是将反射率恢复图像Rr和照度[0042]所述感知强化网络首先对初步增强图像sa使用普通[0049]其中表示从使用ImageNet预训练的VGG_16模型中提取的特征图，i表示最大8[0052]2、本方法在照度调节中使用密集连接模块代替普通卷积，提高了浅层特征的占[0062]S=ROI;[0064]所述层分解网络首先对输入图像使用一次3x3卷积操作后得到浅层特征，然后分别输入反射率分支和照度分支，最后使用Sigmoid函数将两个分支的输出约束到[0,1]范9下采样模块由一次2x2最大池化和一次1x1的卷积操作组成。解码模块连续使用4次上采样[0080]该项损失函数主要约束R,和在纹理方面的一致性，v表示水平和垂直方向的滤层transitionlayer进行特征提取和通道筛选，最后使用1x1的卷积操作使输出图像通道数和输入图像的通道数相等；其中Denseblock包括4个密接连接的瓶颈层bottleneck[0095]感知强化网络使用普通卷积和空洞卷积对初步增强图像使用一次普通的3x3卷积操作，再连续使用7次3x3的空洞卷积操作，卷积的空洞率分别为[0101]其中表示从使用ImageNet预训练的VGG_16模型中提取的特征图，i表示最大据集上使用本方法与现有低光图像增强方法进行实验，并利用无参考图像质量评价指标测试图像中提取的多元高斯分布模型和从自然图像中提取的多元高斯分布模型之间的距4.5839[0106]表2是本方法与其他低光图像增强方法在LIME、NEP和MEF三个数据集上NIQE的评NEP4.29994.39984.15024.1994.1589[0110]图3、图4和图5展示了原始低光图像以及