申请/专利权人:重庆大学
申请日:2023-11-07
公开(公告)日:2024-01-26
公开(公告)号:CN117455822A
主分类号:G06T5/92
分类号:G06T5/92;G06T5/50;G06T5/70
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.13#实质审查的生效;2024.01.26#公开
摘要:本发明涉及图像处理技术领域,具体涉及一种基于深度Retinex理论的低光图像增强方法,包括:将数据集中的低光图像和参考图像分解为对应的反射图和光照图;建立优化目标函数,并引入对两个子图结构和纹理的约束条件,通过交替方向最小化方法迭代求解出所述优化目标函数的最优解;在迭代优化过程中,采用深度神经网络先验估计模型以指导优化。将多次迭代得到的光照图和反射图进行相乘,得到最终的增强图像。本发明不仅改进了传统低光图像增强算法对于复杂样本的局限性,还弥补了一些基于深度学习方法对于生成图像的纹理细节的保持性不足的情况。
主权项:1.一种基于深度Retinex理论的低光图像增强方法,其特征在于,包括以下步骤:将数据集中的低光图像和参考图像分解为对应的反射图和光照图,并将参考图像分解后的子图作为标签,有监督地训练预先构建的深度神经网络模型;建立用于描述低光图像增强任务的优化目标函数,并引入梯度信息估计模块作为约束,通过交替方向最小化方法迭代求解出所述优化目标函数的最优解;在每次迭代过程中,通过所述梯度信息估计模块提取低光光照图和反射图的无噪声梯度图像;将梯度图像作为约束输入到所述优化目标函数中,约束对应子图的结构和纹理,通过矩阵形态保持优化方法求解所述优化目标函数,得到优化子图;引入U型融合处理网络,将本次迭代过程生成的梯度图像、优化子图和上一迭代过程生成的子图输入到所述U型融合处理网络进行拼接,得到本次迭代的输出结果;将多次迭代得到的光照图和反射图进行相乘,得到最终的增强图像。
全文数据:
权利要求:
百度查询: 重庆大学 基于深度Retinex理论的低光图像增强方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。