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：合肥君正科技有限公司

摘要：本发明提供一种用于低光照增强的强光抑制方法，包括：S1，采集图像作为构建的训练数据集，并对所述训练数据集进行合并与扩充；S2，根据所述训练数据集搭建图像增强CNN网络模型，所述CNN网络模型包括增强网络与融合网络；S3，对所述CNN网络模型进行迭代训练，更新所述CNN网络模型的各可学习参数使其达到一定的收敛条件并完成训练；S4，根据完成训练的所述CNN网络模型进行模型推断最终得到暗光图像增强网络模型，并通过此模型对输入图像进行图像增强，得到最终结果。本方法解决现有的图像增强方法得到的增强后的图像效果差，无法恢复过曝的技术问题。

主权项：1.一种用于低光照增强的强光抑制方法，其特征在于，所述方法包括以下步骤：S1，采集图像作为构建的训练数据集，并对所述训练数据集进行合并与扩充；所述采集的数据集同一场景下有两种，1、输入：短曝光，目标：长曝光；2、输入：短曝光、长曝光，目标：曝光融合图像；第二种的输入短曝光、长曝光能够作为第一种数据集的输入与目标，这里的合并是指两者的通用；S2，搭建CNN网络模型且此模型使用所述数据集训练，所述CNN网络模型包括增强网络与融合网络，所述增强网络包括下采样层、上采样层、跳跃连接层、残差层、自注意力机制层和输出层，所述融合网络包括跳跃连接层、残差层、融合层；其中，所述下采样与上采样分别采用space_to_depth与depth_to_space的方式实现，以避免出现由于池化操作造成的模糊与反卷积造成的棋盘格问题；其中，所述自注意机制层使用通道自注意力结构实现，所述通道自注意力结构，包括：GAP为全局平均池化、FC为全连接，RELU为relu激活函数，Sigmoid为Sigmoid激活函数，Feature为特征图；S3，对所述CNN网络模型进行迭代训练，更新所述CNN网络模型的各个可学习参数使模型效果达到最佳且稳定即无法继续优化时完成训练；S4，根据完成训练的所述CNN网络模型进行模型推断最终得到暗光图像增强网络模型，并通过此模型对输入图像进行图像增强，得到最终结果；其中，所述推断进一步包括：S4.1，需要获取目标场景的至少两张不同曝光图像，长曝光意在尽可能包含暗区的细节信息，短曝光意在尽可能获取图像内部过曝区域的细节信息，即长曝光图像不含欠曝或欠曝部分占比小于5％，短曝光图像不含过曝或过曝部分占比小于5％的信息，称短曝光图像为第一阶段待处理图像一，长曝光图像为第一阶段待处理图像二；S4.2，将所述第一阶段待处理图像二输入所述增强网络，得到第二阶段待处理图像三；S4.3，将所述第一阶段待处理图像一、第一阶段待处理图像二、第二阶段待处理图像三合并输入融合网络，融合网络输出为权重，所述合并使用concat连接操作完成；S4.4，得到权重，分别与第一阶段待处理图像一、第一阶段待处理图像二、第二阶段待处理图像三加权再相加：w1,w2,w3＝splitWOut＝F1*w1+F2*w2+F3*w3W为网络输出，拆分成三个权重w1，w2，w3，Out为最终输出，F1,F2,F3分别为第一阶段待处理图像一、第一阶段待处理图像二、第二阶段待处理图像三。

全文数据：

权利要求：

百度查询： 合肥君正科技有限公司 一种用于低光照增强的强光抑制方法