CN115908155B Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 （福州大学）

NSST域结合GAN及尺度相关系数的低照度图本发明提供了一种NSST域结合GAN及尺度相集弱光图像和正常光图像数据集，将图像从RGB空间转换到HSV空间，采用分解得到的低通子带图像增强模型LF_EnlightenGAN，并采用低频子22.根据权利要求1所述的NSST域结合GAN及尺度相关系数的低照度图像增强及去噪方3.根据权利要求1所述的NSST域结合GAN及尺度相关系数的低照度图像增强及去噪方频子带图像构建训练集，构建基于GAN的低频子带图像增强模型LF_EnlightenGAN，LF_LF_EnlightenGAN模型采用了自正则引导的U_Net网络作为生成器，共由8个卷积块组度图像I，将其归一化，然后使用1_I作为自正则注意力图,最后调整注意力图的大小与U_LF_EnlightenGAN模型采用全局_局部判别器结构；全局和局部判别器3而局部判别器通过每次从输出图像和真实图像中随机裁剪5个局部小块，学习区分它LF_EnlightenGAN模型采用自特征保留损失，用预训练的VGIL表示输入的低光图像,G(IL)表示生成对于局部判别器，从输入和输出图像中裁剪出的局部小块也4.根据权利要求1所述的NSST域结合GAN及尺度相关系数的低照度图像增强及去噪方假设为不同尺度在(m,n)位置处的系数乘积，为第k尺度第l方向子4[srr;,12m]之间，结合尺度间相关系数增强弱边缘系数、去除噪声系数，G:(m,n)为第k尺5[0001]本发明涉及图像处理技术领域，特别是一种NSST域结合GAN及尺度相关系数的低像增强技术有了突飞猛进的发展，EnlightenGAN采用双判别器去平衡全局和局部低光增[0005]有鉴于此，本发明的目的在于提供一种NSST域结合GAN及尺度相关系数的低照度从视觉效果还是图像质量客观评价指标上都有较大6图像及正常光低频子带图像构建训练集，构建基于GAN的低频子带图像增强模型LF_[0015]LF_EnlightenGAN模型采用了自正则引导的U_Net网络作为生成器，共由8个卷积[0017]LF_EnlightenGAN模型采用全局_局部判别器结构；全局和局部判别器都采用r7[0021]而局部判别器通过每次从输出图像和真实图像中随机裁剪5个局部小块，学习区假设IL表示输入的低光图像,G(IL)表示生成器的增[0028]在一较佳的实施例中：假设R(m,n)为子带在(m,n)处的系数，为子带系数均(m,n)在第k尺度第l方向子带上的尺度相关系数cor:(m,n)为：8[0041]图4为本发明优选实施例的不同算法在合成低照度图像测试集上的主观视觉对比[0042]图5为本发明优选实施例的不同算法在合成低照度图像测试集上的去噪效果和边[0043]图6为本发明优选实施例的不同算法在真实低照度图像上的主观视觉对比示意9于人眼的视觉系统对亮度变化比对色调饱和度变化更敏感，所以提取V分量进行NSST多尺[0053]图像经NSST分解后，低频子带图像主要包含图像的轮廓信息和大部分能量信可以通过提升低频子带图像的轮廓细节和亮度来改善低照度图像整体的对比度和清晰度。像及正常光低频子带图像构建训练集，构建基于GAN的低频子带图像增强模型LF_[0055]为了使暗区域的增强大于亮区域的增强，且输出的图像[0057]为了在提高全局光照的同时自适应地增强局部区域，模型采用了全局_局部判别[0062]而局部判别器通过每次从输出图像和真实图像中随机裁剪5个局部小块，学习区训练的VGG来对图像之间的特征空间距离进行建模，限制输入的低光图像与其增强的正常光输出图像之间的VGG特征距离。假设IL表示输入的低光图像,G(IL)表示生成器的增强输方向的噪声阈值m:为：[0072]若是直接去除图像中小于阈值THf的系数，则容易导致一些弱边缘系数被当作噪声消除，若是直接增强大于阈值mn:的系数，则容易导致一部分噪声被当作弱边缘系数增在第k尺度第l方向子带上的尺度相关系数cor:(m,n)为：[0080]综上所述，本发明NSST域结合GAN及尺度相关系数的低照度图像增强及去噪方法关系数再结合式(9)和式(10)去除噪声系数结果如表2所示，低照度图像原图因受噪声影响，检测到的边缘不连续且存在大量的噪声完整，并且噪点较少，有最佳的P值。在噪声方差为30％的情况下：噪声图像的P值为[0099]为验证本发明对真实低照度图像的增强效果，从常见的低照度图像数据库SICE、DICM和收集到的真实水下图像中选出100张图像构成真实低照度图像测试集，用本发明和自适应超网络的无参考图像质量评估法(HyperIQA)对真实低照度图像测试结果进行质量还原方面表现较好且能很好的应对光照不均匀图像的增强