CN114663300B 基于dce的低照度图像增强方法、系统及相关设备 （深圳市安软慧视科技有限公司）

道天安社区深南大道6019号金润大厦基于DCE的低照度图像增强方法、系统及相所述拆帧图片中筛选出包含配对图片数据的测所述低照度增强模型对所述测试数据集进行低2对所述视频数据进行拆帧处理，得到拆帧图片，并从所述拆帧图片中所述迭代参数模块中的每一参数用于确定一曲线形状，所述图像数据中RGB通道上的定义高阶亮度增强曲线为LE，所述曲线迭代模块以所述迭代参数模块中的8组迭代参所述预设增强模型在迭代训练过程中使用的损失函数包括基本损失Loss和相互一致其中，M表示所述图像数据与其对应的增强估计在平面坐标轴3.如权利要求1所述的低照度图像增强方预设增强模型的迭代训练过程中，从预设定值开始使所述相互一致性损失函数Lmc随M的增3中筛选出包含配对图片数据的测试数据集，并从SICE数据集中筛选出包含不同曝光度图模型训练模块，用于利用所述训练数据集对预设增强模型进行迭代训练所述迭代参数模块中的每一参数用于确定一曲线形状，所述图像数据中RGB通道上的定义高阶亮度增强曲线为LE，所述曲线迭代模块以所述迭代参数模块中的8组迭代参所述预设增强模型在迭代训练过程中使用的损失函数包括基本损失Loss和相互一致其中，M表示所述图像数据与其对应的增强估计在平面坐标轴6.一种计算机可读存储介质，其特征在于，所4的主观和客观质量。目前比较常见的低照度图像增强算法包括基于直方图均衡的方法、Retinex理论的低照度图像增强算法和深度学习的低照度图像增强算法。前一类的基于直现色偏问题；Retinex理论的低照度图像增强算法将弱光照图像看作光照图像和反射率图训练过程不需要任何成对数据,而是采用一组非参考损失函数监督网络训练产生高阶曲基于直方图和Retinex理论的低照度图像增强方法容易出现色偏、复杂光照条件下出现误[0011]更进一步地，所述预设增强模型包含四组跳跃连接的DCE-Net模块、迭代参数模5[0013]所述迭代参数模块中的每一参数用于确定一曲线形状，所述图像数据中RGB通道[0014]所述曲线迭代模块以所述迭代参数模块中的8组迭代参数为输入，并通过迭代及层中的每层所述卷积层皆包含一组32*32大小的卷积，第五至第八层中的每层所述卷积层[0016]更进一步地，所述曲线迭代模块中的所述高阶亮度增强曲线LE满足如下关系式定值开始使所述相互一致性损失函数Lmc随M的增大而逐渐增大，并在所述相互一致性损失[0029]图像增强模块，用于利用所述低照度增强模型对所述测试数据集进行低照度增实现如上述实施例中任意一项所述的低照度图像增强方法6[0032]本发明所达到的有益效果，由于采用了优化结构的DCE-Net模块为神经网络的基数据按照每0.5秒提取一次的速度进行拆帧处理，对1000段所述视频数据处理后得到6000片作为其配对图片，因此一对所述配对图片数据中包含两张不同光照度的所述拆帧图片，7在本发明实施例中，所述配对图片数据至少包含1000对。所述SICE数据集(SingleImage数据集中随机筛选出不同曝光度的图片作为用于本发明实施例中的预设增强模型的训练[0049]所述迭代参数模块中的每一参数用于确定一曲线形状，所述图像数据中RGB通道[0050]所述曲线迭代模块以所述迭代参数模块中的8组迭代参数为输入，并通过迭代及[0051]所述DCE-Net模块以Zero-DCE模型为基础架构进行构建，所述Zero-DCE模型是一种用于低照度图像增强的神经网络模型，该模型的训练过程不需要任何成对数据,而是采第四层所述卷积层每层包含一组32*32大小的卷积，第五至第八层所述卷积层每层包含两卷积层与第七层所述卷积层跳跃连接，第三层所述卷积层与第六层所述卷积层跳跃连接，明实施例中的所述DCE-Net模块增加了卷积层，并将跳跃连接的后四层卷积层做了多层次所述DCE-Net模块共输出8组参数至所述迭代参数模块，因此所述迭代参数模块中包含8组8[0061]所述预设增强模型在迭代训练过程中使用的损失函数包括基本损失Loss和相互相互一致性损失函数Lmc能够在所述预设增强模型的训练过程中鼓励保留图像中差异大的[0065]在本发明实施例中，利用所述训练数据集对所述预设增强模型进行至少200次的包括LOL、LIME、NPE和MEF四个数据集的15张配对数据，所述指标包括MSE(meansquare照度增强模型在公开Kind测试集和实例真实数据集中的指标计算结果如下9[0072]本发明所达到的有益效果，由于采用了优化结构的DCE-Net模块为神经网络的基[0077]图像增强模块204，用于利用所述低照度增强模型对所述测试数据集进行低照度[0078]所述低照度图像增强系统200能够实现如上述实施例中的低照度图像增强方法中储器302上并可在所述处理器301上运行的计[0085]更进一步地，所述预设增强模型包含四组跳跃连接的DCE-Net模块、迭代参数模[0087]所述迭代参数模块中的每一参数用于确定一曲线形状，所述图像数据中RGB通道[0088]所述曲线迭代模块以所述迭代参数模块中的8组迭代参数为输入，并通过迭代及层中的每层所述卷积层皆包含一组32*32大小的卷积，第五至第八层中的每层所述卷积层[0090]更进一步地，所述曲线迭代模块中的所述高阶亮度增强曲线LE满足如下关系式定值开始使所述相互一致性损失函数Lmc随M的增大而逐渐增大，并在所述相互一致性损失[0099]本发明实施例提供的计算机设备300能够实现如上述实施例中的低照度图像增强碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存取存储器(RandomAccess出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质