基于尺度感知和细节增强模型的低光图像增强方法.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CN110796609A(43)申请公布日2020.02.14(21)申请号201910836624.X(22)申请日2019.09.05(66)本国优先权数据201910701442.12019.07.31CN(71)申请人东南大学地址210096江苏省南京市玄武区四牌楼2号(72)发明人胡建中徐亚东(74)专利代理机构南京众联专利代理有限公司32206代理人薛雨妍(51)Int.Cl.G06T5/00(2006.01)G06T7/90(2017.01)权利要求书7页说明书18页附图2页(54)发明名称基于尺度感知和细节增强模型的低光图像增强方法(57)摘要本发明公开了一种基于尺度感知和细节增强模型的低光图像增强方法提出了一种尺度感知的结构保留和细节增强模型（SSD），它对于在弱光条件下的图像增强简单且有效。首先，设计了一种新的基于Retinex的模型，其中使用新颖的尺度感知结构保留项作为正则化，可以同时估计尺度感知结构保持反射分量和平滑照明分量。噪声分量估计也包括在模型中以抑制给定图像的噪声。其次，采用交替方向法（ADMM）精确求解细化问题。最后，使用伽马校正对图像进行细节增强，以进一步改善给定图像的视觉质量。实验结果验证了所提方法的适用性，可应用到图像处理设备中。CN110796609ACN110796609A权利要求书1/7页1.基于尺度感知和细节增强模型的低光图像增强方法，其特征在于，包括如下步骤：步骤1：在低光情况下，采集图片信号K；步骤2：将RGB通道图片转为HSV通道图片；使用HSV变换，将RGB通道图片K转换为HSV通道图片P,其中H代表色调、S代表饱和度、V代表亮度；步骤3：在图片P的V通道，使用以下模型对图片进行分解其中M为权重矩阵，其具体的确定方式见3，θ为关于权重矩阵M的角矩阵；R、I、N分别为P待分解的反射分量、照明分量和噪声分量；运算符表示元素乘法，即两个大小相同的矩阵对应位置的乘积；表示一阶差分，表示x方向的一阶差分，表示y方向的一阶差分；||·||1代表矩阵的L1范数,||·||2代表矩阵的L2范数；保持观察到的图像P和重构图像之间的保真度；确保照度图的尺度感知结构平滑度；是尺度感知算子，M是其对应的权重矩阵，具体的确定方式见3；对应于反射分量的稀疏度,让反射分量R保持分段连续性；用于避免基于L2范数白路径假设的缩放问题；为噪声分量的保真度项，用于保证模型的准确性；α,γ,δ和β分别为正惩罚因子，用于平衡模型中的各项；I0为P的平均像素值；步骤4，使用增广拉格朗日模型进行求解，求得图片的照明分量，反射分量和噪声分量；使用增广拉格朗日法对公式(1)进行迭代求解，各项更新公式如下：对于反射分量R：其中Δ＝0.001，用于避免分母(t)(t)(t)为0；μ2＝0.6；为一阶差分；为一阶差分的转置；R、N、I、分别为矩阵R、(t+1N、I、G3、Z3第t次迭代结果，R)为矩阵R第t+1次迭代结果；为二维傅里叶变换；和分别表示二维傅里叶逆变换和的复共轭；中的2代表与大小相同的矩阵，矩阵的每个位置都为2；对于照明分量I：2CN110796609A权利要求书2/7页其中Δ＝(t)(t)(t)0.001，用于避免分母为0；R、N、I、分别为矩阵R、N、I、G1、Z1、Z2、(t+1)G2第t次迭代结果；I代表矩阵I第t+1次迭代结果；μ1＝0.6，γ＝0.01；E代表特征矩阵；为一阶差分；表示x方向的一阶差分，表示y方向的一阶差分；表示x方向的一阶差分转置，表示y方向的一阶差分转置；对于噪声分量N：其中R(t)、I(t)分别为矩阵R、I第t次迭代结果，N(t+1)为矩阵N第t+1次迭代结果；δ＝0.01；对于G1，G2，G3：其中s(t)，I(t)，R(t)，分别为矩阵s,I,R,Z1，Z2，Z3第t次迭代结果,分别为矩阵向量G1，G2，G3第t+1次迭代结果；为一阶差分；表示x方向的一阶差分，表示y方向的一阶差分；max(a，b)取a,b中较大的值；μ1＝μ2＝μ＝0.6，α＝0.1，β＝0.8；对于Z1，Z2，Z3：(t)(t)其中I，R，分别为矩阵I,R,G1，G2，G3，Z1，Z2，Z3第t3CN110796609A权利要求书3/7页次迭代结果，分别为矩阵Z1，Z2，Z3第t+1次迭代结果；μ1＝μ2＝0.6；为一阶差分；表示x方向的一阶差分，表示y方向的一阶差分；步骤5，重复步骤4，若满足以下条件：(t+1)(t)(t)(t+1)(t)(t)εI＝(||I-I||/||I||)≤ε1且εR＝(||R-R||/||R||)≤ε2(11)-4其中ε1＝ε2＝10，结束本步骤；步骤6，使用伽马校正，对图片照明分量进行校正；对步骤5中