基于含噪Retinex模型的煤矿低光照图像增强方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115760640A(43)申请公布日2023.03.07(21)申请号202211556630.8G06N3/048(2023.01)(22)申请日2022.12.06G06N3/08(2023.01)(71)申请人太原理工大学地址030024山西省太原市万柏林区迎泽西大街79号(72)发明人王宏伟曹文艳王浩然李正龙付翔陶磊王洪利张纯旺耿毅德(74)专利代理机构山西晋扬知识产权代理事务所(特殊普通合伙)14125专利代理师张学元(51)Int.Cl.G06T5/00(2006.01)G06T5/50(2006.01)G06N3/0464(2023.01)权利要求书2页说明书9页附图4页(54)发明名称基于含噪Retinex模型的煤矿低光照图像增强方法(57)摘要本发明涉及一种基于含噪Retinex模型的煤矿低光照图像增强方法，属于图像增强技术领域。包括将原始图像输入噪声估计卷积神经网络，估计出原始图像的现实噪声图；将原始图像和现实噪声图输入光照分量估计模型得到光照分量，将原始图像和现实噪声图输入反射分量估计模型得到反射分量；对光照分量和反射分量进行耦合，得到耦合后的图像；对光照分量进行校正调整；对耦合后的图像进行去噪处理后除去校正调整后的光照分量，得到最终的增强图像并输出。本发明对不同巷道环境下的低光照图像有显著增强，在图像自然度、质量、失真程度、对比度，结构等方面均具有良好的性能。CN115760640ACN115760640A权利要求书1/2页1.一种基于含噪Retinex模型的煤矿低光照图像增强方法，其特征在于，包括如下步骤：S1，将原始图像输入噪声估计卷积神经网络，估计出原始图像的现实噪声图；S2，将原始图像和现实噪声图输入光照分量估计模型得到光照分量，将原始图像和现实噪声图输入反射分量估计模型得到反射分量；S3，对光照分量和反射分量进行耦合，得到耦合后的图像；S4，对光照分量进行校正调整；S5，对耦合后的图像进行去噪处理后除去校正调整后的光照分量，得到最终的增强图像并输出。2.根据权利要求1所述的基于含噪Retinex模型的煤矿低光照图像增强方法，其特征在于，所述S1在将原始图像输入噪声估计卷积神经网络，估计出原始图像的现实噪声图时，包括如下步骤：S11，搭建噪声估计卷积神经网络，所述噪声估计卷积神经网络由输入层、三个卷积核为3×3的卷积层且每个卷积层后紧跟一个激活层、紧跟全连接层的全局池化层、紧跟全连接层的激活层、softmax层、卷积核包括3×3和7×7两个卷积层的多尺度卷积层且每个卷积层后紧跟一个激活层、紧跟一个激活层的卷积核为3×3的卷积层、全连接层和输出层构成；S12，将原始图像的RGB三通道图像H×W×3转换为尺寸为H/2×W/2×12的待处理图像；S13，通过三个卷积核为3×3的卷积层且每个卷积层后紧跟一个激活层对待处理图像中的特征进行提取，得到转换后的图像特征图，并将转换后的图像特征图转换为与原始图像的RGB三通道图像大小一致的三通道特征图；S14，将原始图像的RGB三通道图像与三通道特征图融合生成H×W×6的融合的特征图；S15，将融合的特征图经过紧跟全连接层的全局池化层、紧跟全连接层的激活层和softmax层进行降维处理后，使用卷积核包括3×3和7×7两个卷积层的多尺度卷积层提取降维处理后的图像中的细节特征，得到细节特征图；S16，通过紧跟一个激活层的卷积核为3×3的卷积层、全连接层提取细节特征图的特征，得到原始图像的现实噪声图。3.根据权利要求1或2所述的基于含噪Retinex模型的煤矿低光照图像增强方法，其特征在于，所述S2在将原始图像和现实噪声图输入光照分量估计模型得到光照分量时，包括：S21，搭建光照分量估计模型，所述光照分量估计模型模型包括输入层、卷积层、第一池化层、四个大小不同的残差卷积结构、第二池化层、全连接层和输出层，每个残差卷积结构中每两层构成一个残差块，每个残差块使用多尺度非对称卷积模块进行卷积，且每两个残差块之间融合一个注意力机制模块；S22，原始图像和现实噪声图经过输入层输入后，通过第一卷积层、第一池化层提取图像特征并降维，得到初始特征图；S23，初始特征图先经过第一个残差卷积结构的第一个残差块的第一层非对称卷积模块进行特征提取后，再经过第一个残差卷积结构的第一个残差块的第二层非对称卷积模块继续进行特征提取；S24，将第一个残差卷积结构的第一个残差块输出的特征图经过注意力机制模块处理，从所提取的特征中筛选出关键特征，并经过降维和上采样后输出中间特征图；2CN115760640A权利要求书2/2页S25，将中间特征图依次输入第一个残差卷积结构的第二个残差块、注意力机制模块、第三个残差块，直至第四个残差卷积结构的