基于嵌入麦克劳林与卷积的低曝光图像增强方法及系统

本公开涉及图像处理，具体涉及基于嵌入麦克劳林与卷积的低曝光图像增强方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、目前，多数低曝光图像增强的卷积神经网络的核心思想都是从低曝光图像中学习出图像的亮度分量，并从低曝光图像中去除亮度分量，以实现低曝光图像增强。但是这种增强模式存在两方面问题：

3、(1)低曝光图像与相应的亮度分量之间的数学关系极为复杂，需要较深的网络方能拟合低曝光图像与亮度分量之间的数学关系，导致前向推导速度较慢。

4、(2)网络训练完成后，网络的权重为静态值，导致输出图像的亮度水平为固定值，无法满足智能手机、数码相机等消费电子对亮度水平动态可调的需求。

技术实现思路

1、本公开为了解决上述问题，提出了一种基于嵌入麦克劳林展开公式与卷积权重校准的低曝光图像增强方法及系统，通过嵌入麦克劳林展开公式加强网络的拟合性能，实现网络轻量化，并设计权重校准方式实现输出图像的亮度水平动态可调。

2、根据一些实施例，本公开采用如下技术方案：

3、基于嵌入麦克劳林与卷积的低曝光图像增强方法，包括：

4、获取待增强的低曝光图像，对所述低曝光图像进行处理分解；

5、将所述低曝光图像输入至主干网络中提取多尺度特征，在主干网络中引入动态调节因子，利用所述动态调节因为学习卷积权重校准图，并将学习到的权重校准图对主干网络的卷积权重进行校准，利用校准后的卷积核对特征执行卷积运算，获得低曝光图像的亮度分量，利用亮度分量输出可随动态调节因子变化的长曝光增强图像。

6、根据一些实施例，本公开采用如下技术方案：

7、基于嵌入麦克劳林与卷积的低曝光图像增强系统，包括：

8、预处理模块，用于获取待增强的低曝光图像，对所述低曝光图像进行处理分解；

9、图像增强模块，用于将所述低曝光图像输入至主干网络中提取多尺度特征，在主干网络中引入动态调节因子，利用所述动态调节因为学习卷积权重校准图，并将学习到的权重校准图对主干网络的卷积权重进行校准，利用校准后的卷积核对特征执行卷积运算，获得低曝光图像的亮度分量，利用亮度分量输出可随动态调节因子变化的长曝光增强图像。

10、根据一些实施例，本公开采用如下技术方案：

11、一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法。

12、根据一些实施例，本公开采用如下技术方案：

13、一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法。

14、与现有技术相比，本公开的有益效果为：

15、本公开提出一种嵌入麦克劳林展开公式与卷积权重校准的低曝光图像增强网络，通过嵌入麦克劳林展开公式加强网络的拟合性能，实现网络轻量化，并设计权重校准方式实现输出图像的亮度水平动态可调。

16、本公开的网络可以有效提高低曝光图像的视觉质量。当输入不同的动态调节因子时，可以改变输出图像的亮度水平，表明动态校准方式的有效性。由于网络中嵌入了麦克劳林展开公式，可以用较少的网络层数拟合复杂的非线性变换函数。

技术特征：

1.基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，包括：

2.如权利要求1所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，获取待增强的低曝光图像，对所述低曝光图像进行处理分解的方式包括：将低曝光图像分解为亮度分量与长曝光图像的乘积，在分解过程中增加残差项获取亮度分量。

3.如权利要求2所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，所述亮度分量为多尺度特征的非线性组合，在非线性函数中嵌入麦克劳林展开公式，通过麦克劳林展开公式将亮度分量与低曝光图像之间的函数关系变换为多尺度特征与多项式系数的组合。

4.如权利要求1所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，构建主干网络对低曝光图像进行增强，所述主干网络的结构是由11个卷积层构成，前7个卷积层、2个下采样层、2个上采样层构成多尺度卷积模块，用于生成多尺度特征。

5.如权利要求4所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，在多尺度卷积模块后设置2个卷积层将多尺度特征逐渐压缩至3个通道，采用跳跃连接层对特征进行加权校准。

6.如权利要求4所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，在多尺度卷积模块上引出另一条分支来获取麦克劳林展开公式的系数，所述分支包含2个卷积层和1个全局平均池化层，所述全局平局池化层在通道维度上校准图像特征。

7.如权利要求1所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法，其特征在于，所述在主干网络中引入动态调节因子，利用所述动态调节因为学习卷积权重校准图，并将学习到的权重校准图对主干网络的卷积权重进行校准的过程包括从一个动态调节因子中学习卷积权重校准图，并将学习到的权重校准图对主干网络的卷积权重进行校准，实现主干网络的权重动态可调，权重校准图的尺寸与主干网络的卷积核尺寸相同，将学习到的权重校准图对主干网络的卷积核进行校准，获得校准后的卷积核，再将校准后的卷积核对特征执行卷积运算，获得亮度分量。

8.基于嵌入麦克劳林与卷积的低曝光图像增强系统，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法。

10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的基于嵌入麦克劳林与卷积的低曝光图像增强方法。

技术总结
本公开提供了基于嵌入麦克劳林与卷积的低曝光图像增强方法及系统，涉及图像处理技术领域，获取待增强的低曝光图像，对所述低曝光图像进行处理分解；将所述低曝光图像输入至主干网络中提取多尺度特征，在主干网络中引入动态调节因子，利用所述动态调节因为学习卷积权重校准图，并将学习到的权重校准图对主干网络的卷积权重进行校准，利用校准后的卷积核对特征执行卷积运算，获得低曝光图像的亮度分量，利用亮度分量输出可随动态调节因子变化的长曝光增强图像。

技术研发人员：代成刚,陈成军,李东年,赵正旭,林明星
受保护的技术使用者：青岛理工大学
技术研发日：
技术公布日：2024/1/11