条件生成对抗网络的低照度图像增强方法
目的 在日常的图像采集工作中,由于场景光照条件差或设备的补光能力不足,容易产生低照度图像.为了解决低照度图像视觉感受差、信噪比低和使用价值低(难以分辨图像内容)等问题,本文提出一种基于条件生成对抗网络的低照度图像增强方法.方法 本文设计一个具备编解码功能的卷积神经网络(CNN)模型作为生成模型,同时加入具备二分类功能的CNN作为判别模型,组成生成对抗网络.在模型训练的过程中,以真实的亮图像为条件,依靠判别模型监督生成模型以及结合判别模型与生成模型间的相互博弈,使得本文网络模型具备更好的低照度图像增强能力.在本文方法使用过程中,无需人工调节参数,图像输入模型后端到端处理并输出结果.结果 将本文方法与现有方法进行比较,利用本文方法增强的图像在亮度、清晰度以及颜色还原度等方面有了较大的提升.在峰值信噪比、直方图相似度和结构相似性等图像质量评价指标方面,本文方法比其他方法的最优值分别提高了0.7 dB、3.9%和8.2%.在处理时间上,本文方法处理图像的速度远远超过现有的传统方法,可达到实时增强的要求.结论 通过实验比较了本文方法与现有方法对于低照度图像的处理效果,表明本文方法具有更优的处理效果,同时具有更快的处理速度.
图像处理、低照度图像增强、卷积神经网络、条件生成对抗网络、深度学习
24
TP391(计算技术、计算机技术)
冬奥会公共安全综合风险评估技术项目2018YFF0301000
2020-03-18(万方平台首次上网日期,不代表论文的发表时间)
共10页
2149-2158