公开(公告)号：CN111402145B

公开(公告)日：2022-06-07

申请号：CN202010097457.4

申请日：2020-02-17

Applicant: 哈尔滨工业大学

Inventor： 张雨 ,  王春晖 ,  遆晓光 ,  董方洲

IPC: G06T5/00 ,  G06T5/40 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于深度学习的自监督低照度图像增强方法，属于数字图像处理领域。本发明为解决现有的低照度图像增强方法存在的效果差、泛化能力差的问题，以及现有深度学习方法中对低照度‑正常照度数据集依赖程度高等问题。本发明针对低照度图像增强网络，采集任意数量低照度图像数据，提取低照度图像的最大值通道图像做直方图均衡化；以直方图均衡化后最大值通道图像作为监督，结合Retinex理论和照度图像I平滑的假设构建损失函数，训练图像增强网络。本发明可以显著增强低照度图像的亮度、对比度，并保留图像的细节和颜色信息。本发明用于低照度图像的增强。

公开(公告)号：CN111402145A

公开(公告)日：2020-07-10

申请号：CN202010097457.4

申请日：2020-02-17

Applicant: 哈尔滨工业大学

Inventor： 张雨 ,  遆晓光 ,  董方洲 ,  王春晖

IPC: G06T5/00 ,  G06T5/40 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于深度学习的自监督低照度图像增强方法，属于数字图像处理领域。本发明为解决现有的低照度图像增强方法存在的效果差、泛化能力差的问题，以及现有深度学习方法中对低照度-正常照度数据集依赖程度高等问题。本发明针对低照度图像增强网络，采集任意数量低照度图像数据，提取低照度图像的最大值通道图像做直方图均衡化；以直方图均衡化后最大值通道图像作为监督，结合Retinex理论和照度图像I平滑的假设构建损失函数，训练图像增强网络。本发明可以显著增强低照度图像的亮度、对比度，并保留图像的细节和颜色信息。本发明用于低照度图像的增强。