一种低质量人脸图像的无监督增强方法和存储介质

本发明属于图像增强，具体涉及一种低质量人脸图像的无监督增强方法和存储介质。

背景技术：

1、随着时代的变迁，我们正在从物质社会进入多元化信息化主题时代，图像已成为不可或缺的一部分，特别是人脸图像，对于人们来说，具有重要的纪念意义。然而，在日常室内场景拍照摄影中，由于天气、光照等环境不可控因素对图像质量的影响，导致所获取的人脸图像存在多样化的非均匀曝光，整体质量偏低，视觉效果不佳。非均匀曝光的图像增强是一项具有挑战性的任务，因为在非均匀曝光下的增强很难同时保持图像的均匀亮度和自然状态。

2、现有的低光照图像增强算法在处理非均匀光照图像时存在一些问题。由于缺乏正常曝光的图像信息，现有算法往往会增强整幅图像的对比度，导致明亮清晰区域过度增强/过曝，而无法灵活改善整体图像质量，经常出现曝光不均匀的情况。

技术实现思路

1、为解决上述背景技术中提出的问题，本发明提供一种低质量人脸图像的无监督增强方法和存储介质，以解决现有技术无法灵活改善整体图像质量，经常出现曝光不均匀的情况的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种低质量人脸图像的无监督增强方法，包括以下步骤：

4、s1：构建非均匀光照人脸图像数据集；

5、s2：构建增强模型，增强模型包括一个vgg网络、一个第一u-net网络、两个第二u-net网络和一个第三u-net网络；

6、s3：将数据集中的人脸图像iin依次输入vgg网络和第一u-net网络中进行特征提取，得到第一特征；

7、s4：将第一特征同时输入到两个第二u-net网络中，进行图像分解，得到人脸信息a0和光照信息s0；

8、s5：通过人脸信息a0、光照信息s0和人脸图像iin，计算得到残差数据res0，再将残差数据res0与人脸图像iin进行特征拼接，得到拼接结果；

9、s6；将拼接结果送入第三u-net网络中，得到人脸图像i0；

10、s7：将人脸图像i0作为vgg网络的输入，重复s3-s6，得到人脸信息a1、光照信息s1、残差数据res1和人脸图像i1；

11、s8：根据人脸图像i1和人脸图像i0构建损失函数loss0：

12、；

13、损失函数loss0用于作为无监督增强模型的约束，使增强模型收敛，得到训练后的模型；

14、s9：将非均匀光照人脸图像输入训练后的模型得到增强图像，构建判别网络，将增强图像输入判别网络得到最终图像；

15、判别网络用于得到结合均匀光照的人脸图像ih对增强图像的状态和细节进行约束表达。

16、优选的，s4中，第一特征表示为a0*s0。

17、优选的，s5中，res0=iin-a0*s0，残差数据res0用于作为补偿参数，补偿非均匀人脸图像在分解过程中引起的信息偏差。

18、优选的，s9中的判别网络为vgg网络结构，将人脸图像ih和增强图像分别输入判别网络中，生成相应的特征fh和f1，并构建损失函数loss1度量特征fh和f1的一致性。

19、优选的，第一u-net网络、第二u-net网络和第三u-net网络均由对称的八个卷积模块组成，每个卷积模块包括级联的卷积层，以及一个最大池化层或反卷积层。

20、一种计算机可读存储介质，计算机可读存储介质中包括计算机指令，计算机指令用于指示计算机执行一种低质量人脸图像的无监督增强方法。

21、与现有技术相比，本发明的有益效果是：

22、本申请通过构建增强模型，对人脸图像信息和光照状态进行解析，实现非均匀人脸图像的亮度增强，增强模型基于深度学习和神经网络技术，能够自动学习人脸图像的特征和增强方法，提高图像的质量，然后通过使用生成对抗网络模型构建判别模型，结合约束函数对增强模型的输出进行处理，以保持增强结果的真实细节和自然图像状态，并对增强结果进行有效的约束，本申请充分挖掘了图像中的人脸特征信息，并保持了自然曝光的人脸状态，使得低曝光区域的人脸信息接近自然状态，并更好地表达出清晰精细的特征纹理，从而有效提升了模型图像的重建性能。

技术特征：

1.一种低质量人脸图像的无监督增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于低质量人脸图像的无监督增强方法，其特征在于，s4中，第一特征表示为a0*s0。

3.根据权利要求2所述的一种用于低质量人脸图像的无监督增强方法，其特征在于，s5中，res0=iin-a0*s0，残差数据res0用于作为补偿参数，补偿非均匀人脸图像在分解过程中引起的信息偏差。

4.根据权利要求1所述的一种用于低质量人脸图像的无监督增强方法，其特征在于，s9中的判别网络为vgg网络结构，将人脸图像ih和增强图像分别输入判别网络中，生成相应的特征fh和f1，并构建损失函数loss1度量特征fh和f1的一致性。

5.根据权利要求1所述的一种用于低质量人脸图像的无监督增强方法，其特征在于，第一u-net网络、第二u-net网络和第三u-net网络均由对称的八个卷积模块组成，每个卷积模块包括级联的卷积层，以及一个最大池化层或反卷积层。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括计算机指令，所述计算机指令用于指示计算机执行权利要求1-5任意一项所述的一种低质量人脸图像的无监督增强方法。

技术总结本发明公开了一种低质量人脸图像的无监督增强方法和存储介质，属于图像增强技术领域，本申请通过构建构建增强模型，对人脸图像信息和光照状态进行解析，实现非均匀人脸图像的亮度增强，增强模型基于深度学习和神经网络技术，能够自动学习人脸图像的特征和增强方法，提高图像的质量，然后通过使用生成对抗网络模型构建判别模型，结合约束函数对增强模型的输出进行处理，以保持增强结果的真实细节和自然图像状态，并对增强结果进行有效的约束，本申请充分挖掘了图像中的人脸特征信息，并保持了自然曝光的人脸状态，使得低曝光区域的人脸信息接近自然状态，并更好地表达出清晰精细的特征纹理，从而有效提升了模型图像的重建性能。技术研发人员：吴浩然,丁新,胡锦,袁文轲,刘念伯,罗熙,黄婧受保护的技术使用者：电子科技大学长三角研究院（衢州）技术研发日：技术公布日：2024/8/16