申请/专利权人：西安理工大学

申请日：2021-01-19

公开（公告）日：2024-02-09

公开（公告）号：CN113191956B

主分类号：G06T5/94

分类号：G06T5/94;G06T5/00;G06T7/11;G06T7/194;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2021.08.17#实质审查的生效;2021.07.30#公开

摘要：本发明公开了一种基于深度抠图的逆光图像增强方法，首先，对原始图像进行深度抠图，获取精确的前景蒙版。通过定义图像的三元图，将曝光不足区域划分为前景，曝光正常区域与曝光不足区域衔接部分标为未知区域，输入编码‑解码器网络中计算图像的不透明度，获取预测前景蒙版，再将结果输入细化网络，得到更加精确的前景蒙版。其次，采用伽马变换的方法对图像进行增强，可通过计算增强后图像的信息熵，对γ的取值进行优化。最后，将原始图像作为背景图与增强图像进行合成，使处理后的图像整体更加自然。本发明消除了逆光条件对拍摄主体的影响，不仅避免了曝光不足或曝光过度的问题，还在保留颜色和细节信息的基础上提升了图像的亮度。

主权项：1.基于深度抠图的逆光图像增强方法，其特征在于，具体按照以下步骤实施：步骤1、输入原始逆光图像，将原始逆光图像中的逆光区域视为待增强的前景，手工标记出图像的已知逆光前景部分和待分割区域，获取图像对应的trimap图；步骤2、根据原始逆光图像和对应的trimap图，利用编码-译码器网络进行抠图，得到预测前景蒙版，将预测前景蒙版、原始逆光图像输入到细化网络中对透明度值进行细化，获得锐化后的前景蒙版；具体过程为：步骤2.1、设计基于深度卷积网络的编码-译码器网络，其中编码阶段采用14个卷积层和5个最大池化层，解码网络采用6个卷积层和5个反池化层的操作，编码-译码器网络中包含两个损失函数，一个是透明度预测损失，另一个是合成损失，通过加权计算总损失；所述计算总损失具体过程为：透明度预测损失为真实的透明度值和预测的透明度值在每一个像素位置上的绝对差，对该绝对差采用相对近似值模拟如下： 其中，是预测前景蒙版在像素i点处的预测透明度值，是真实前景蒙版中像素i点处的透明度值，∈取值10-6；损失的导数表示为： 合成损失通过下面的损失函数近似： 其中，其中c为RGB通道，p为预测前景蒙版合成的图像，g为真实前景蒙版合成的图像；两个损失的加权总和即为总损失，总损失计算公式为： 其中，ωl取值为0.5；步骤2.2、将原始逆光图像和对应的trimap图输入编码-译码器网络进行抠图，得到预测前景蒙版；步骤2.3、设计基于完整的卷积网络的细化阶段网络，包括4个卷积层，第四个卷积层为非线性的ReLU层；步骤2.4、使用跳跃模型将预测前景蒙版缩放到0和1之间，将缩放后的预测前景蒙版和原始逆光图像输入细化阶段网络进行细化，得到锐化后的前景蒙版；步骤3、根据锐化后的前景蒙版精确区分出原始逆光图像的逆光区域，利用自适应优化γ值的伽马变换算法对逆光部分进行增强，得到增强前景图；所述利用自适应优化γ值的伽马变换算法对逆光部分进行增强具体为：采用伽马变换对原始逆光图像进行非线性变换，得到增强前景图，调节其灰度值的动态范围，使原始逆光图像灰度值与增强前景图灰度值呈指数关系；其中，伽马变换公式为： 式6中，C与γ均为常数，通过调整γ的取值进行不同程度的变换，γ值小于1时，较亮的区域灰度被压缩，较暗区域灰度被拉伸，图像的整体亮度得到提升，同时低灰度处的对比度得到增强；所述伽马变换中γ值采用自适应优化取值，具体取值过程如下：采用信息熵度量增强前景图的信息量，具体表达为： 式7中，pi为像素灰度i在图像中出现的概率,N为像素灰度的总个数；取增强前景图的信息熵最大化来计算最佳γ取值，表达式为： 式8中，gI,γ表示增强前景图；步骤4、将增强前景图与原始逆光图像进行合成，将增强前景图替代原始逆光图像中逆光区域，得到最终的增强图像。

全文数据：

权利要求：

百度查询： 西安理工大学 基于深度抠图的逆光图像增强方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD