基于深度学习的红外指导低光图像增强技术研究

发布时间：2024-05-07 23:22

　　低质量图像中通常包含一定有价值的内容,但由于拍摄环境的局限性,图像的视觉效果较差,阻碍了对图像内容的理解,同时也抑制了图像处理和计算机视觉相关技术的应用。本文在前人研究的基础上,重点探索了低光图像的图像增强问题。考虑到现有部分拍照设备特别是监控设备带有红外模式且近红外图像不受低光环境影响的特点,本研究中引入红外信息并分两阶段构建深度神经网络模型修复低光图像。本文的主要内容包括:首先,梳理现有的相关研究,包括传统的和基于深度学习的低光图像增强,并随后介绍本文所涉及的基础知识和相关理论。其次,针对极度低光情况下,拍摄的图像存在部分缺失问题,提出一种融合红外信息的全卷积深度低光图像增强模型。该模型采用基于多尺度特征的编码解码器网络端到端建模低光图像到正常亮度图像的映射关系,并融合近红外图像中包含的场景结构性内容指导增强低光图像。通过在训练时约束生成图像与目标图像的像素级内容差异、结构性的深度特征差异以及解码端的辅助红外信息损失,提升了低光图像增强的效果,验证了利用红外信息实现图像亮度增强的有效性。最后,针对前一阶段全卷积网络输出可能存在局部区域颜色失真等问题,提出一种基于红外特征关注度的深度...

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图2.1所示，下方蓝色部分表示的是输入特征图，输入特征图阴影部分表示卷积核，虚线表示的填充部分，绿色部分表示输出特征图

安徽大学硕士学位论文13的目的是在卷积的时候使特征图在卷积后仍然等于输入尺寸，并且如果未填充则卷积后会消除某些边界，且特征的尺寸也会削减；输入和输出通道：卷积层输入特征图的通道，并计算输出特征通道。输出特征通道数与卷积核个数相同。图2.1展示单通道卷积过程。（一）单通道卷积输出特....

图2.2，将卷积核转换为稀疏矩阵，对应的特征图转化为一维矩阵，最终将卷积操作转换成矩阵相乘，以此加快计算速度

第二章深度学习低光图像增强技术相关理论与基础知识卷积核输入特征

图2.3所示，多通道卷积与单通道卷积相比，特征的通道数增加，相应的卷积核

安徽大学硕士学位论文15增加卷积核个数2.3如图2.3所示，多通道卷积与单通道卷积相比，特征的通道数增加，相应的卷积核的通道数同等增加，并且输出特征图的通道数与卷积核的通道数总是一致的。这是因为单个卷积核能和输入特征产生一个单通道输出特征，那么多个卷积核就可以与输入特征产生多个输....

图2.4左边输入2*2特征，经过在输入(a)转置卷积一

第二章深度学习低光图像增强技术相关理论与基础知识16周围填充周围加之间填充输出特征输出特征输入特征输入特征2.4图2.4左边输入2*2特征，经过在输入特征周围进行零填充，将实际的特征图“变大”，然后再进行卷积操作得到输出特征。同样的右边，还可以在输入特征的数据之间进行零填充，就可....

本文编号：3967144