CN112233043B 一种基于DenseNet与GAN的低照度图像增强方法 （西安邮电大学）

一种基于DenseNet与GAN的低照度图像增强本发明公开了一种基于DenseNet与GAN的低分辨率和照度水平不理想等现实问题，采用了DenseNet对经典GAN模型进行改进，促成了低照2Li0层至XL-1层所有输出的特征图按通道数大小组合L表示使用BatchNorm+ReLu+Conv进行非线性化处理，等号左侧的XL表示采用HL处理本发明在构建判别器网络时采用PatchGAN判别器来替换传统的二分类判别器；一方2.如权利要求1所述的一种基于DenseNet与GAN的低照度图像增强方法，其特征在于，步骤中的生成器网络和判别器网络在训练过程中均采用均方误差指标作为损失函数；33.如权利要求1所述的一种基于DenseNet与GAN的低照度图像增强方法，其特征在于，随着迭代次数的不断增加，生成照度增强后的图像与正常照度图像基4[0001]本发明属于图像信息处理领域，尤其涉及一种基于DenseNet与GAN的低照度图像[0013]发明的目的：为了提供效果更好的一种基于DenseNet与GAN的低照度图像增强方中各卷积核数量分别为(1024,512,256,128)，每层经过卷积后分别采用BatchNorm对数据5进行标准化处理，再使用ReLu作为激活函数对输入数据进行上采样处理，最终传入因层数过多导致的参数过多和过拟合，本发明将DenseNet设计为四层，其中Layer1层-层至XL-1层所有输出的特征图按通道数大小L表示使用BatchNorm+ReLu+Conv进行非线性化处理，等号左侧的XL表示采用HL[0028]本发明的生成器网络和判别器网络在训练过程中均采用均方误差(MeanSquare67所涉及的技术特征只要彼此之间未构成冲突就可以中各卷积核数量分别为(1024,512,256,128)，每层经过卷积后分别采用BatchNorm对数据进行标准化处理，再使用ReLu作为激活函数对输入数据进行上采样处理，最终传入因层数过多导致的参数过多和过拟合，本发明将DenseNet设计为四层，其中Layer1层-层至XL-1层所有输出的特征图按通道数大小L表示使用BatchNorm+ReLu+Conv进行非线性化处理，等号左侧的XL表示采用HL[0060]本发明的生成器网络和判别器网络在训练过程中均采用均方误差(MeanSquare8[0072]本发明方法的仿真实验平台为一台个人PC，配置为Intel(R)Core(TM)i5-4250U地对本发明的技术方案加以理解，本实施例选用了两幅源图像(低照度图像+正常照度图中各卷积核数量分别为(1024,512,256,128)，每层经过卷积后分别采用BatchNorm对数据进行标准化处理，再使用ReLu作为激活函数对输入数据进行上采样处理，最终传入9因层数过多导致的参数过多和过拟合，本发明将DenseNet设计为四层，其中Layer1层-层至XL-1层所有输出的特征图按通道数大小L表示使用BatchNorm+ReLu+Conv进行非线性化处理，等号左侧的XL表示采用HL[0085]本发明的生成器网络和判别器网络在训练过程中均采用均方误差(MeanSquare信噪比(PeakSignal-to-NoiseRatio,PSNR)、结构相似度(StructuralSimilarityIndex,SSIM)和平均运行时间(AverageRunningTime,ART)作为八种方法的客观质量评价的最终照度增强图像具有更为理想的直观视觉效果。表2给出了八种低照度图像增强方法本发明方法相比现行的多种主流低照度图像增强方法具有显[0106]本发明公开了一种基于稠密连接网络(DenseNet)与生成对抗网络(Generative信噪比低、分辨率和照度水平不理想等现实问题，采用了DenseNet对经典GAN模型进行改