基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112465727A(43)申请公布日2021.03.09(21)申请号202011439065.8(22)申请日2020.12.07(71)申请人北京邮电大学地址100876北京市海淀区西土城路10号(72)发明人姜竹青李昊天李凯门爱东王海婴(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图1页(54)发明名称基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法(57)摘要本发明设计了一种基于HSV色彩空间和Retinex理论的无正常曝光图像参考的低照度图像增强方法，属于计算机视觉图像技术领域。针对于无正常曝光图像参考的低照度增强任务，本发明将其分解为颜色保留任务和亮度增强任务。对于颜色保留任务，本发明通过HSV色彩空间分离出颜色信息，并保留到增强后的图像上。对于亮度增强任务，本发明通过对分离出的亮度信息进行扰动，得到同一场景的不同光照水平的图像对，通过Retinex理论中的反射一致性约束得到反射分量，并将反射分量作为亮度增强的结果。实验表明，本发明可以有效地增强低照度图像，并在各个数据集和不同光照程度的低照度图像上有很强的泛化能力。CN112465727ACN112465727A权利要求书1/3页1.基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法，其特征在于包括以下步骤：步骤1：在图像输入阶段，将低照度图像从像素值范围[0,255]归一化到[0,1]；步骤2：将步骤1得到的图像从RGB色彩空间转换到HSV色彩空间，并将三通道分离，得到色相分量(H)、饱和度分量(S)、明度分量(V)；步骤3：计算步骤2得到的明度分量(V)的平均值，对于平均值≤0.5的图像生成一个指数为[0,1]区间的幂函数，对于平均值＞0.5的图像生成一个指数为[1,5]区间的幂函数。将步骤2得到的明度分量(V)通过生成的幂函数进行调整，得到扰动后的明度分量(Vd)；步骤4：步骤2得到的明度分量(V)和步骤3得到的扰动后的明度分量(Vd)通过Retinex理论计算得到明度分量的反射分量(R)和扰动后的明度分量的反射分量(Rd)；步骤5：将步骤2得到的色相分量(H)、饱和度分量(S)与步骤4得到的明度分量的反射分量(R)重组得到HSV色彩空间中的三通道图像；步骤6：将步骤5得到的HSV色彩空间中的三通道图像转换到RGB色彩空间，并调整其像素值范围从[0,1]到[0,255]，得到增强后的低照度图像。2.根据权利要求1所述的基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法，其特征在于，所述步骤2的从RGB转换到HSV色彩空间的具体方法包括以下步骤：(1)根据公式计算最大通道(cmax)、最小通道(cmin)和对比度(Δ)：cmax＝max(R,G,B)，cmin＝min(R,G,B)，Δ＝cmax-cmin(其中R、G、B表示RGB色彩空间中的三个通道，下同)；(2)根据公式计算色相(H)：(3)根据公式计算饱和度(S)：(4)根据公式计算明度(V)：V＝cmax。3.根据权利要求1所述的基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法，其特征在于，所述步骤4的通过Retinex理论获得反射分量的具体方法包括以下步骤：(1)将明度分量明度分量(V)和扰动后的明度分量(Vd)分别送入卷积神经网络，得到明度分量的照明分量的倒数形式(L)和扰动后的明度分量的照明分量的倒数形式(Ld)；(2)通过公式R＝V·L得到明度分量的反射分量(R)和扰动后的明度分量的反射分量(Rd)；2CN112465727A权利要求书2/3页(3)通过计算反射一致性和其他损失约束R、Rd、L、Ld，优化网络。4.根据权利要求3所述的通过Retinex理论获得反射分量的具体方法，其特征在于，所述步骤(1)的卷积神经网络具体包括以下步骤：①将明度分量输入卷积神经网络的输入模块，输入模块由2个3×3×32的卷积层组成，对低照度图像的明度分量进行初步特征提取，输出原始特征图；②将①的输出依次输入4个级联的编码模块，编码模块由下采样、2个卷积层构成。编码模块通过多个卷积层和下采样层对输入的原始特征图进行高层次特征提取，最后输出空间尺寸较小、语义层次较高的特征图；③将②的输出的高层次特征图输入和编码网络对称的4个由双线性插值上采样、2个卷积层构成的解码模块组成解码网络。该模块使用跳连结构，将前层丰富的空间信息和编码模块输出高层特征信息结合，最后获得兼顾空间信息和语义信息的特征图；④将解码网络的输出特征图经过输出模块的卷积处理，