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！

龙图腾网获悉深圳职业技术大学申请的专利基于卷积神经网络的低照度图像增强方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119205537B 。

龙图腾网通过国家知识产权局官网在2025-08-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411348800.2，技术领域涉及：G06T5/60；该发明授权基于卷积神经网络的低照度图像增强方法是由毛海霞;田岩设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本基于卷积神经网络的低照度图像增强方法在说明书摘要公布了：本发明公开了基于卷积神经网络的低照度图像增强方法，涉及图像增强技术领域，包括以下步骤：S1、获取正常光照图像，利用图像重建模型人工合成低照度图像，将合成的低照度图像作为图像集，S2、将获取的图像集按照相应的比例划分为第一训练集和第一测试集，且通过第一训练集对图像检测模型进行训练，以获取训练完成的图像检测模型，且通过第一测试集对训练完成后的图像检测模型进行性能测试，图像检测模型的输入端为图像，且图像检测模型的输出端为检测为低照度的图像。本发明通过使用图像重建模型人工合成低照度图像，可以更好地控制光照条件和其他影响因素，以便针对特定的低照度情况进行研究和处理，可以更好地模拟不同场景下的低照度图像。

本发明授权基于卷积神经网络的低照度图像增强方法在权利要求书中公布了：1.基于卷积神经网络的低照度图像增强方法，其特征在于，包括以下步骤： S1、获取正常光照图像，利用图像重建模型人工合成低照度图像，将合成的低照度图像作为图像集； S2、将获取的图像集按照相应的比例划分为第一训练集和第一测试集，且通过第一训练集对图像检测模型进行训练，以获取训练完成的图像检测模型，且通过第一测试集对训练完成后的图像检测模型进行性能测试，图像检测模型的输入端为图像，且图像检测模型的输出端为检测为低照度的图像； S3、将检测为低照度的图像划分为第二训练集和第二测试集，且通过第二训练集对图像增强模型进行训练，以获取训练完成的图像增强模型，且通过第二测试集对训练完成后的图像增强模型进行性能测试，图像增强模型的输入端为低照度图像，且图像增强模型的输出端为增强图像； S4、图像增强模型包括图像分解模型、反射图细化模型和光照图增强模型，通过第二训练集对图像分解模型进行训练，以获取训练完成的图像分解模型，图像分解模型的输入端为低照度图像，且图像分解模型的输出端为反射率图和光照图； S5、通过反射率图训练反射图细化模型，以获取训练完成的反射图细化模型，反射图细化模型的输入端为反射率图，且反射图细化模型的输出端为细化后的反射率图； S6、通过光照图训练光照图增强模型，以获取训练完成的光照图增强模型，光照图增强模型的输入端为光照图，且光照图增强模型的输出端为经过增强处理的光照图； S7、通过细化后的反射率图和增强处理后的光照图的进行梯度加权，以获取增强图像； 所述图像检测模型采用卷积神经网络，所述图像检测模型包括卷积层、池化层和全连接层，所述卷积层、池化层和全连接层均有3层，所述图像检测模型第一层为卷积层，神经元数目为64，卷积核大小为7*7，步长为1，第二层为池化层，卷积核大小为2*2，步长为2，第三层为卷积层，神经元数目为128，卷积核大小为5*5，步长为1，第四层为池化层，卷积核大小为2*2，步长为2，第五层为卷积层，神经元数目为256，卷积核大小为3*3，步长为1，第六层为池化层，卷积核大小为2*2，步长为2，第七层和第八层为全连接层，神经元数目均为512，第九层为全连接层，神经元数目为2，所述第一层、第三层、第五层、第七层和第八层均设置有激活函数，且激活函数均为relu函数，所述图像检测模型的前6层用于提取图像特征，所述图像检测模型的后三层用于图像分类； 所述图像分解模型采用卷积神经网络，所述图像分解模型包括卷积层和合并层，所述图像分解模型第一层包括三种卷积层，三种卷积层的神经元数目分别为12、20和32，三种卷积层的卷积核大小分别为3*3、5*5和7*7，通过第一层提取出不同的图像特征，第二层为合并层，通过第二层将每个特征图按照通道维度拆开，并分别进行处理，并将处理后的特征图在通道维度上进行拼接，形成新的特征图，第三层和第四层均为为卷积层，神经元数目均为64，卷积核大小均为3*3，通过第三层和第四层对图像特征进行细化，第五层为卷积层，神经元数目均为4，卷积核大小均为3*3，通过第五层将图像特征分解为反射率图和光照图，并将反射率图和光照图输出，第五层最后设置Sigmoid激活函数，通过Sigmoid激活函数将输出的反射率图和光照图的像素值归一化到[0,1]； 所述反射图细化模型采用卷积神经网络，所述反射图细化模型包括卷积层，所述反射图细化模型的第一层为卷积层，神经元数目为64，卷积核为3*3，激活函数为PReLu函数，通过第一层对粗提取出的反射率图进行卷积，第二层为卷积层，神经元数目为64，卷积核为3*3，激活函数为PReLu函数，通过第二层对第一层卷积后的反射率图进行重建，第三层为卷积层，神经元数目为3，卷积核为3*3，激活函数为Sigmoid函数，通过第三层对第二层重建的反射率图进行细节恢复，通过Sigmoid激活函数将输出的反射率图的像素值归一化到[0,1]； 所述反射图细化模型的损失函数为： ； ； 其中，表示和的残差，表示其真实残差，表示反射率图，表示低光照图像的反射率图； 所述S7中，通过细化后的反射率图和增强处理后的光照图的进行梯度加权，以获取增强图像，包括以下步骤： S701、将细化后的反射率图和增强处理后的光照图作为输入； S702、对反射率图和光照图进行梯度计算，获取反射率图和光照图的梯度幅值和方向，使用梯度幅值乘以权重系数； S703、对两幅梯度图进行加权，根据梯度幅值的大小和方向来进行加权； S704、将加权后的梯度图与原始低照度图进行融合，使用加权叠加的方式进行融合，从而获取增强图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳职业技术大学，其通讯地址为：518000 广东省深圳市南山区西丽街道西丽湖镇西丽湖畔；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。