一种Swin Unet低照度图像增强方法

文档序号:1964758 发布日期:2021-12-14 浏览:23次 >En<

阅读说明:本技术 一种Swin Unet低照度图像增强方法 (Swin Unet low-illumination image enhancement method ) 是由 孙帮勇 赵兴运 高晓梅 于 2021-08-27 设计创作,主要内容包括:本发明公开了一种SwinUnet低照度图像增强方法,步骤包括:1)构建预处理模块,该预处理模块的输入为原始低照度图像,输出是特征图I1;2)构建SwinUnet模块,该SwinUnet模块的输入数据是步骤1输出的特征图I1,输出是提取后的特征图I2;3)构建恢复模块,该恢复模块的输入数据是步骤2输出的特征图I2,输出是增强后高质量无噪声的输出图像。本发明的方法,能够有效的将低照度图像恢复到正常光照条件下获取的图像,并保持图像的纹理细节以及颜色信息等。(The invention discloses a SwinUnnet low-illumination image enhancement method, which comprises the following steps: 1) constructing a preprocessing module, wherein the input of the preprocessing module is an original low-illumination image, and the output of the preprocessing module is a feature map I1; 2) constructing a Swinunet module, wherein input data of the Swinunet module is the feature map I1 output in the step 1, and output is the extracted feature map I2; 3) and constructing a recovery module, wherein input data of the recovery module is the feature map I2 output in the step 2, and output is a high-quality noise-free output image after enhancement. The method can effectively restore the low-illumination image to the image acquired under the normal illumination condition, and maintain the texture details, the color information and the like of the image.)

一种Swin Unet低照度图像增强方法

技术领域

本发明属于图像处理技术领域,具体属于RGB真彩色图像恢复技术,涉及一种SwinUnet低照度图像增强方法。

背景技术

随着人们对照片质量的追求以及视频监控领域对于低照度图像质量需求的提高,低照度图像增强技术一直是研究者们关注的焦点。在低照度条件下拍摄的图像通常对比度低、噪声大,严重影响了人们对图像信息的获取以及后续的图像研究任务。目前,虽然通过调整摄像机的曝光时间或采用红外摄像头监控器能够解决低照度问题,但摄像机购置成本价高,并对操作者有一定的技术基础,因此当前对于低照度图像提升往往依赖于算法来实现低照度图像的去模糊与清晰化。

低照度图像提升算法主要分为基于传统理论算法和基于深度学习算法两大类,基于传统理论算法主要包含基于直方图均衡化(HE)理论和Retinex理论。HE图像增强是以累计分布函数为基础的直方图修改方法,将图像直方图调整为均衡分布以拉伸图像动态范围,从而提高图像对比度。该类方法操作简单、效率高,但生成的图像易受伪影影响、真实感不强。而基于Retinex理论方法试图通过将输入图像分解为反射分量和照明分量来照亮图像,反射分量是场景的固有属性,而照明分量受环境照度的影响;基于Retinex理论方法通常增强微光图像的照明分量,以近似对应的正常光图像。模型中的参数需人工设定,无法自适应处理图像的多样性,并且针对较高噪声的图像处理效果较差,存在局部细节曝光不足或曝光过度等情况;基于深度学习算法主要采用数据驱动方式,对于给定的低照度图像数据集,学习样本数据的内在规律和表示层次。尽管,基于深度学习的方法一定程度上弥补了传统方法的不足,对某一类图像集取得较好的增强效果,但是大多数深度学习微光增强方法严重依赖于数据集质量,且多假定暗光区域没有噪声,或者不考虑噪声在不同照明区域的分布。实际上,以上先验知识与真实图像存在偏差,且完备的现实图像数据集获取难度大,这些都导致现有深度学习模型不能有效地抑制真实图像噪声,难以产生令人满意的视觉质量。

13页详细技术资料下载
上一篇:一种医用注射器针头装配设备
下一篇:根据模糊严重程度对图片分区域自适应去模糊的方法

网友询问留言

已有0条留言

还没有人留言评论。精彩留言会获得点赞!

精彩留言,会给你点赞!