低光照图像增强模型构建方法、装置、系统与流程

本技术涉及图像增强领域，特别是涉及一种低光照图像增强模型构建方法、装置、系统、计算机设备和计算机可读存储介质。

背景技术：

1、光照是影响图像成像质量的一个重要因素。在光照条件较差的场景中所获得的图像，往往存在细节丢失、分辨不清、信噪比低的问题。这些问题不利于人们观察和计算机视觉识别。因此，为改进低光照图像，提出了许多低光照图像增强方法，用以对原始图像进行画质提升，恢复图像信息。

2、但是对低光照图像进行增强处理后，往往并没有达到预期的效果。增强后的低光照图像仍然存在着颜色失真、噪声和模糊等问题。一方面随着增强次数的增加，获得的图像会越来越模糊；另一方面基于不同的训练模型对低光照图像进行处理，也会出现色偏的问题。这些因素导致了增强图像质量不佳的问题。

技术实现思路

1、本技术实施例提供了一种低光照图像增强模型构建方法、装置、系统，以至少解决相关技术中随着迭代次数的增加和不同的训练模型的处理低光照图像而导致的图像质量不佳的问题。

2、第一方面，本技术实施例提供了一种低光照图像增强模型构建方法，包括：

3、将待处理图像输入至曲线参数估计网络，根据输出结果构建一阶参数和二阶参数，所述曲线参数估计网络为卷积神经网络，用于输出图像各像素点的rgb通道变化参数；

4、根据所述一阶参数和所述待处理图像获取第一增强图像，根据所述二阶参数和所述第一增强图像获取第二增强图像；

5、根据所述待处理图像和所述第二增强图像构建损失函数，基于所述损失函数迭代更新所述曲线参数估计网络，至达到收敛条件，得到低光照图像增强模型。

6、在一实施例中，所述将待处理图像输入至曲线参数估计网络，根据输出结果构建一阶参数和二阶参数，包括：

7、将待处理图像输入至曲线参数估计网络，获取输出结果，其中所述输出结果包括rgb通道估计参数、r通道估计参数、g通道估计参数、b通道估计参数；

8、根据所述rgb通道估计参数，构建一阶参数，所述一阶参数包括所述rgb通道估计参数的r参数、g参数和b参数；

9、根据所述r通道估计参数、所述g通道估计参数、所述b通道估计参数，构建二阶参数。

10、在一实施例中，所述根据所述一阶参数和所述待处理图像获取第一增强图像，包括：

11、提取所述待处理图像中每一像素点的r像素、g像素和b像素；

12、根据所述r参数和所述r像素，获取第一增强r像素；

13、根据所述g参数和所述g像素，获取第一增强g像素；

14、根据所述b参数和所述b像素，获取第一增强b像素；

15、根据每个像素点的第一增强r像素、第一增强g像素和第一增强b像素获取第一增强图像。

16、在一实施例中，所述根据所述二阶参数和所述第一增强图像获取第二增强图像，包括：

17、根据所述第一增强图像每一像素点的像素的平方与像素之差，获得r像素差值、g像素差值，b像素差值；

18、根据所述r像素差值和所述r通道估计参数，获取第二增强r像素；

19、根据所述g像素差值和所述g通道估计参数，获取第二增强g像素；

20、根据所述b像素差值和所述b通道估计参数，获取第二增强b像素；

21、根据每个像素点的第二增强r像素、第二增强g像素和第二增强b像素获取第二增强图像。

22、在一实施例中，所述损失函数包括：

23、图像色彩比例一致性损失函数，用于表征所述第二增强图像与所述待处理图像的色彩比例一致性；

24、空间一致性损失函数，用于使所述第二增强图像和所述待处理图像的邻域保持一致；

25、曝光等级的损失函数，用于表征所述第二增强图像的曝光程度；

26、色彩恒量的损失函数，用于表征所述第二增强图的颜色偏差；

27、亮度单调性损失函数，用于表征所述第二增强图像相邻像素点单调性。

28、在一实施例中，所述图像色彩比例一致性的损失函数被配置为：

29、

30、其中，q、p为rgb通道中的任一通道，且p、q通道不相同，

31、表示所述第二增强图像p通道的平均强度值，

32、表示所述第二增强图像q通道的平均强度值，

33、表示所述待处理图像p通道的平均强度值，

34、表示所述待处理图像q通道的平均强度值。

35、在一实施例中，在所述将待处理图像输入至曲线参数估计网络之前，还包括：

36、获取低光照图像，并对所述低光照图像进行归一化处理，获得所述待处理图像。

37、第二方面，本技术实施例提供了 一种低光照图像增强方法，所述方法应用于第一方面中任一项所述构建方法得到的低光照图像增强模型，所述方法包括：

38、获取待处理图像；

39、将所述待处理图像输入至所述低光照图像增强模型，基于所述低光照图像增强模型中的曲线参数估计网络得到各像素点的rgb通道变化参数；

40、根据所述rgb通道变化参数对所述待处理图像进行增强，获得增强图像。

41、第三方面，本技术实施例提供了一种低光照图像增强模型构建装置，包括：

42、构建模块，用于将待处理图像输入至曲线参数估计网络，根据输出结果构建一阶参数和二阶参数，所述曲线参数估计网络为卷积神经网络，用于输出图像各像素点的rgb通道变化参数；

43、第一获取模块，用于根据所述一阶参数和所述待处理图像获取第一增强图像，根据所述二阶参数和所述第一增强图像获取第二增强图像；

44、第二获取模块根据所述待处理图像和所述第二增强图像构建损失函数，基于所述损失函数迭代更新所述曲线参数估计网络，至达到收敛条件，得到低光照图像增强模型。

45、第四方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种低光照图像增强模型构建方法。

46、第五方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的低光照图像增强模型构建方法。

47、本技术实施例提供的低光照图像增强模型构建方法、装置、系统至少具有以下技术效果。

48、将待处理图像输入至曲线参数估计网络，根据输出结果构建一阶参数和二阶参数。根据一阶参数和待处理待处理图像获取第一增强图像；根据二阶参数和第一增强图像获取第二增强图像。再根据待处理图像与第二增强图像构建损失函数，并基于该损失函数进行迭代更新曲线参数估计网络，直至达到收敛条件，得到低光照图像增强模型。在该模型内，一阶参数与待处理图像获得第一增强图像可拉大相邻的像素值，使得在后续不断迭代的过程中能够避免图像模糊，可将对低光照图像进行图像增强，从而改善低光照图像质量不佳的问题。

49、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。