买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开了一种基于RAW图像的极暗光物体检测方法，用于常规图像传感器采集的低弱光图像，根据物理成像过程建立暗光合成管线，基于现有正常光物体检测数据集资源，构建高质量的暗光物体检测仿真数据集，训练精确的暗光物体检测网络。本发明能够高质量地完成基于现有常见图像采集设备的极暗光物体检测，在显著节省构建极暗光物体检测数据集所用的采集图像与人力资源的同时，实现高效率和高精度极暗光物体检测，提高检测精度，扩展物体检测器的应用场景，突破物体检测领域的瓶颈。本发明能够用于深空探测、深海探测、生物医学、近地探测等多个领域。

主权项：1.一种基于RAW图像的极暗光物体检测方法，其特征在于，包括以下步骤：步骤1：对RGB格式图像进行退化处理，生成RAW格式图像；退化处理操作包括：逆色调映射、逆伽马压缩、拟色彩校正、逆白平衡和逆去马赛克；具体实现方法如下：步骤1.1：对于输入的sRGB图像，首先进行逆色调映射操作；设色调映射是用一个平滑步长曲线执行的，并且在生成合成数据时使用该曲线的逆；将常规顺序ISP流程中的色调映射步骤设为使用如式1所示的映射函数实现，以此匹配图像的特征曲线，基于此，使用式2，即式1的逆实现逆色调映射操作：smoothstepx＝3x2-2x31 其中，smoothstep表示映射函数，smoothstep-1表示逆色调映射函数，x为正向ISP流程中色调映射操作的归一化输入图像，y为逆色调映射操作的归一化输入图像；步骤1.2：对步骤1.1中逆色调映射操作的输出结果，进行逆伽马压缩操作；使用如式3所示的标准伽马曲线，同时，用一个极小量∈＝10-8对伽马曲线的输入做截断处理，使用式4，即式3的逆近似实现逆伽马压缩操作：Γx′＝maxx′,∈12.23Γ-1y′＝maxy′,∈2.24其中，Γ为伽马压缩操作，Γ-1为逆伽马压缩操作，x′为正向ISP流程中伽马压缩操作的归一化输入图像，y′为逆伽马压缩操作的归一化输入图像，即上一个逆色调映射操作的输出；步骤1.3：对步骤1.2中逆伽马压缩操作的输出结果y′，应用采样色彩校正矩阵的逆来撤销颜色校正效果，使sRGB图像复原为相机空间RGB图像，进行逆色彩校正操作；步骤1.4：对数字和白平衡的逆增益进行采样，用采样结果对步骤1.3得到的逆色彩校正操作的输出结果的每个通道进行逆增益，复原白平衡算法在ISP流程中对于图像光照情况的影响，进行逆白平衡操作；步骤1.5：目标数据集遵循使用双线性插值执行去马赛克化的约定，对于步骤1.4输出的结果的每个像素均反转该过程；步骤2：进行噪声注入；建立物理噪声加性模型，将真实噪声加性注入到未经处理的RAW图像中，以模拟在极低光环境下捕获的噪声图像；模型通过泊松分布、长尾Tukey-lambda分布、高斯分布和均匀分布建模，结合参数标定，构建噪声参数-系统增益联合概率分布，准确表征真实的噪声结构，得到更加接近于真实噪声分布的仿真极暗光合成数据；根据式7，对干净的RAW格式正常光图像数据D的线性注入噪声模型，具体如下：D＝KI+N7其中，I表示光子数量，K表示系统增益，N表示噪声模型；步骤3：输入干净正常光物体检测数据集，利用物理噪声加性模型，进行逆ISP退化处理，仿真生成带噪的极暗光图像数据；步骤4：根据步骤3生成的数据集，选定基础物体检测卷积神经网络，建立双分支极暗光物体检测网络及其训练目标函数，提升网络在信息有限的极暗光图像上的特征提取增强能力和分类回归精度，并进行特征计算及预测，输出目标的类别信息和位置信息；步骤5：输入要测试的极暗光图像，利用步骤4建立的双分支极暗光物体检测网络及其训练目标函数，从真实极暗光带噪图像中检测框选目标类别物体。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于RAW图像的极暗光物体检测方法