申请/专利权人：合肥君正科技有限公司

申请日：2022-06-16

公开（公告）日：2023-12-26

公开（公告）号：CN117291812A

主分类号：G06T5/00

分类号：G06T5/00;G06N3/0464;G06N3/084;G06V10/774;G06F17/11

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.12#实质审查的生效;2023.12.26#公开

摘要：本发明提供一种基于Zero‑DCE网络结构改善为有监督用于图像增强的方法，所述方法构建一套有监督学习的卷积神经网络，使用对比度增强损失，改进损失函数对于有监督学习的适应，通过反向传播，让模型通过训练自适应学习映射函数。由于现有Zero‑DCE增强的图像视觉效果在真实场景下不够好，比如出现对比度下降，图像不清晰等，使用本申请的方式可以得到真实度，质量更高的图像；模型轻量，运算效率高，总共只有几个卷积和下采样；模型自适应，使用真实场景下的训练数据训练，实际效果满足工程需求，对于真实场景更加适用。

主权项：1.一种基于Zero-DCE网络结构改善为有监督用于图像增强的方法，其特征在于，所述方法构建一套有监督学习的卷积神经网络，使用对比度增强损失，改进损失函数对于有监督学习的适应，通过反向传播，让模型通过训练自适应学习映射函数；所述方法进一步包括以下步骤：S1，利用监督学习替代原始Zero-DCE的无监督的设计：S1.1，原始的Zero-DCE的设计：原始的Zero-DCE模型训练为无监督学习，即在训练过程中只有输入数据，无标签数据集；原始的Zero-DCE模型训练的曝光损失函数是设定亮度区间，训练模型使输出结果的亮度逼近该区间；S1.2，改进的Zero-DCE的设计：将Zero-DCE模型修改为监督学习，在数据集上提供成对的数据，训练数据为低光照图像，标签数据为正常曝光良好的图像；修改后的模型为监督学习，即在训练过程中有输入数据，也有标签数据，学习的是输入数据到标签数据的函数映射；S2，改动损失函数：修改损失函数，对于曝光损失，由原始的给定亮度区间改为自适应学习训练数据到标签数据的映射；修改后的模型曝光损失函数的亮度区间源自于标签数据；所述修改曝光损失进一步包括：原始的曝光损失为给定值作为目标曝光，计算绝对值损失： 其中，Yk为输出图像k像素在RGB通道的均值，E为给定的目标值，在0.5-0.7之间，M为图像的像素总数；其中Yk为RGB通道的均值，本步骤中修改为 其中，Pk为输出图像k像素的灰度值，Tk为标签图像的灰度值，M为图像的像素总数；其中Pk为输出图像的灰度值，计算公式为：P＝R*0.299+G*0.587+B*0.114其中，R，G，B分别为RGB图像在该像素点位置上R,G,B三通道的值，P为Pk；Tk为标签图像的灰度值；S3，增加结构损失SSMI和对比度损失：对于对比度和曝光的损失函数计算都是建立在一个个分块中而不是每个像素，即计算损失函数的时候将输入图像与标签图像以相同的大小分块，再对每个分块分别计算损失函数，这样能够更好的表达模型局部信息的关联；即修改后的模型增加了结构相似性损失，以此监督提高增强后图像的质量；增加了对比度增强损失，以此监督提高增强后图像的对比度；S4，使用曝光良好即场景细节都保留良好、不存在过曝及欠曝区域的图像的亮图片作为标签，使用低光照图片作为输入。

全文数据：

权利要求：

百度查询： 合肥君正科技有限公司 一种基于Zero-DCE网络结构改善为有监督用于图像增强的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD