一种低光环境下的图像增强方法及增强系统与流程

本发明涉及图像处理，尤其涉及一种低光环境下的图像增强方法及增强系统。

背景技术：

1、在图像处理领域，低光环境下的图像拍摄是一个普遍存在的挑战。不充分的光照条件会显著降低图像的视觉质量，导致细节损失、低对比度和颜色失真等问题。这些问题不仅影响了图像的观赏效果，还极大地限制了计算机视觉系统的性能，特别是在安全监控、自动驾驶、人脸识别等关键应用中。因此，开发一种有效的低光图像增强方法显得尤为重要。

2、传统的低光图像增强方法主要包括直方图均衡化（he）及其改进版本，如自适应直方图均衡化（ahe）和限制对比度自适应直方图均衡化（clahe）。这些方法通过重新分配图像的像素强度来增强对比度，但在实际应用中往往会导致图像过度增强、细节丢失或颜色失真等问题。此外，这些方法通常基于全局或局部统计信息，难以适应复杂多变的低光环境。

3、近年来，随着深度学习技术的快速发展，越来越多的研究者开始探索将深度学习方法应用于低光图像增强领域。深度学习算法通过训练大量图像数据，能够自动学习图像的特征并生成高质量的增强图像。其中，基于retinex理论的深度学习模型表现出了良好的性能。retinex理论模拟了人眼颜色感知机制，将观测图像分解为反射图和亮度图两部分，通过调整亮度图来实现图像增强。然而，现有的基于retinex的深度学习模型大多需要精心设计人工约束条件与参数，这限制了模型在不同场景应用中的泛化性能。

4、因此，有必要提供一种低光环境下的图像增强方法及增强系统解决上述技术问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种低光环境下的图像增强方法及增强系统，结合传统图像处理技术和深度学习技术，实现对低光图像的高效、高质量增强。

2、本发明提供的一种低光环境下的图像增强方法，所述增强方法包括以下步骤：

3、s1：获取待增强图像的原始raw域图像，并获取所述原始raw域图像中每个像素的亮度值；

4、s2：基于每个像素的亮度值，采用聚类算法对所述原始raw域图像进行区域分割，生成多个图像区域；

5、s3：根据所述图像区域中所有像素的亮度值计算得到图像区域的区域亮度，其中，所述区域亮度为所述图像区域的亮度均值；

6、s4：将每个所述图像区域的区域亮度输入预训练的亮度增益模型，输出每个所述图像区域的增益系数，并应用输出的增益系数对相应的图像区域进行亮度提升，得到增益raw域图像；

7、s5：利用去噪模型对所述增益raw域图像进行去噪处理，得到增强图像。

8、优选的，步骤s1包括以下步骤：

9、s101：获取待增强图像的原始raw域图像并进行格式解析；

10、s102：读取解析后的原始raw域图像中每个像素的rgb值；

11、s103：对像素的rgb值进行加权求和，得到像素对应的亮度值，其中，亮度值的计算公式为：

12、

13、其中，、和分别为值、和的权重，且分别取值为0.299、0.587和0.114。

14、优选的，步骤s2包括以下步骤：

15、s201：根据原始raw域图像的亮度值范围，通过随机初始化选择初始的聚类中心；

16、s202：遍历所述原始raw域图像中的每个像素，根据每个像素的亮度值，将其分配给最近的聚类中心；

17、s203：在将所有像素分配给聚类中心后，根据每个聚类中所有像素的亮度值，重新计算每个聚类的中心；

18、s204：重复上述步骤s202和s203进行迭代优化，直到聚类中心的变化小于预设阈值；

19、s205：根据最终的聚类中心及对应的像素集合，将原始raw域图像分割成多个图像区域，每个图像区域由一组属于同一聚类的像素组成。

20、优选的，所述图像区域包括图像上的连通区域和非连通区域。

21、优选的，步骤s3包括以下步骤：

22、s301：读取所述图像区域中所有像素的亮度值；

23、s302：基于所述图像区域中所有像素的亮度值，计算得到图像区域的亮度均值，并将亮度均值认定为区域亮度。

24、优选的，步骤s4包括以下步骤：

25、s401：将计算得到的每个图像区域的区域亮度输入所述亮度增益模型进行映射处理，得到对应的增益系数；

26、s402：遍历所有图像区域，并将图像区域的每个像素的亮度值乘以增益系数，以实现亮度提升；

27、s403：在遍历所有图像区域后，将处理后的图像区域组合成增益raw域图像。

28、优选的，所述亮度增益模型的训练包括：

29、收集相同场景下，且包含低光环境和正常光照环境下图像对的训练数据集；

30、对于训练数据集中的每张低光图像，按照步骤s1至s3的方法提取其图像区域的区域亮度；

31、对于每张低光图像对应的正常光照图像，同样提取其图像区域的区域亮度，并计算低光图像区域亮度到正常光照图像区域亮度的目标增益系数；

32、使用提取的低光图像区域亮度和对应的目标增益系数作为训练数据和标签，构建并训练亮度增益模型，以使亮度增益模型学习区域亮度与目标增益系数之间的映射关系。

33、优选的，步骤s5具体为：

34、将得到的增益raw域图像输入到预训练的去噪模型中，通过去噪模型对图像中的噪声进行分析和消除，从而输出一张亮度提升且噪声减少的增强图像。

35、本发明还提供了一种低光环境下的图像增强系统，用于执行所述的一种低光环境下的图像增强方法，所述增强系统包括：

36、亮度获取模块，用于获取待增强图像的原始raw域图像，并获取所述原始raw域图像中每个像素的亮度值；

37、图像分割模块，用于基于每个像素的亮度值，采用聚类算法对所述原始raw域图像进行区域分割，生成多个图像区域；

38、区域亮度计算模块，用于根据所述图像区域中所有像素的亮度值计算得到图像区域的区域亮度，其中，所述区域亮度为所述图像区域的亮度均值；

39、亮度增益调整模块，用于将每个所述图像区域的区域亮度输入预训练的亮度增益模型，输出每个所述图像区域的增益系数，并应用输出的增益系数对相应的图像区域进行亮度提升，得到增益raw域图像；

40、去噪增强模块，用于利用去噪模型对所述增益raw域图像进行去噪处理，得到增强图像。

41、与相关技术相比较，本发明提供的一种低光环境下的图像增强方法及增强系统具有如下有益效果：

42、本发明首先获取待增强图像的原始raw域图像，并计算每个像素的亮度值，然后，基于像素亮度值采用聚类算法对图像进行区域分割，生成多个图像区域，通过计算每个图像区域的亮度均值作为区域亮度，将区域亮度输入预训练的亮度增益模型中，输出对应的增益系数，应用这些增益系数对相应的图像区域进行亮度提升，得到增益raw域图像，最后，利用去噪模型对增益raw域图像进行去噪处理，以消除或减少图像中的噪声，最终得到增强图像。

技术特征：

1.一种低光环境下的图像增强方法，其特征在于，所述增强方法包括以下步骤：

2.根据权利要求1所述的一种低光环境下的图像增强方法，其特征在于，步骤s1包括以下步骤：

3.根据权利要求2所述的一种低光环境下的图像增强方法，其特征在于，步骤s2包括以下步骤：

4.根据权利要求3所述的一种低光环境下的图像增强方法，其特征在于，所述图像区域包括图像上的连通区域和非连通区域。

5.根据权利要求4所述的一种低光环境下的图像增强方法，其特征在于，步骤s3包括以下步骤：

6.根据权利要求5所述的一种低光环境下的图像增强方法，其特征在于，步骤s4包括以下步骤：

7.根据权利要求6所述的一种低光环境下的图像增强方法，其特征在于，所述亮度增益模型的训练包括：

8.根据权利要求7所述的一种低光环境下的图像增强方法，其特征在于，步骤s5具体为：

9.一种低光环境下的图像增强系统，用于执行如权利要求1至8任意一项所述的一种低光环境下的图像增强方法，其特征在于，所述增强系统包括：

技术总结
本发明提供一种低光环境下的图像增强方法及增强系统，属于图像处理技术领域，首先获取待增强图像的原始Raw域图像，并计算每个像素的亮度值，然后，基于像素亮度值采用聚类算法对图像进行区域分割，生成多个图像区域，通过计算每个图像区域的亮度均值作为区域亮度，将区域亮度输入预训练的亮度增益模型中，输出对应的增益系数，应用这些增益系数对相应的图像区域进行亮度提升，得到增益Raw域图像，最后，利用去噪模型对增益Raw域图像进行去噪处理，以消除或减少图像中的噪声，最终得到增强图像。

技术研发人员：刘征,宋小民,李子清,虞建,王曼,王玮,王友全,邓义斌,孙忠武,李新宇,郑慧明,吴成志,李毅,刘彬,张咔,陆俊
受保护的技术使用者：四川国创新视超高清视频科技有限公司
技术研发日：
技术公布日：2024/9/23