(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211260181.2 (22)申请日 2022.10.14 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 林峰　张华清　王健　袁彬　时贤　 张凯　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李琳 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) (54)发明名称 非均匀光照图像增强方法、 系统、 存储介质 及设备 (57)摘要 本发明涉及非均匀光照图像增强方法、 系 统、 存储介质及设备， 包括以下步骤： 获取原始图 像并预处理， 将明度分量V归一化到设定范围处 的像素表示为X(i,j)， 作为原始变量； 利用差分 神经网络， 以亮度图像Y(i,j)为目标变量， X(i, j)以及该图像增强后的图像Xen(i,j)与目标变 量的差值， 根据熵最大化原理和贝塞尔曲线增强 以及全变分去噪算法， 作为差分神经网络不同维 度的损失函数； 差分神经网络训练后形成的模 型， 将Y(i,j)与X(i,j)对应 的色调分量H和饱和 度分量S结合得到图像在HSV颜色 空间的像素值， 并转换回RGB颜色空间， 图像像素值经映射放大 后获得增强后的图像。 利用不同维度的损失函数 作为优化目标来控制图像细 节信息的增强程度， 从而保留图像细节信息 。 权利要求书2页 说明书7页 附图3页 CN 115526803 A 2022.12.27 CN 115526803 A 1.非均匀光照图像增强方法， 其特 征在于： 包括以下步骤： 步骤一： 获取原始图像并预处理， 将明度分量V归一化到设定范围处的像素表示为X(i, j)， 作为原 始变量； 步骤二： 利用差分神经网络， 以亮度图像Y(i,j)为目标变量， X(i,j)以及 该图像增强后 的图像Xen(i,j)与目标变量的差值， 根据 熵最大化原理和贝塞尔曲线增强以及 全变分去噪 算法， 作为差分神经网络不同维度的损失函数； 步骤三： 差分神经网络训练后形成的模型， 将Y(i,j)与X(i,j)对应的色调分量H和饱和 度分量S结合得到图像在HSV颜色空间的像素值， 并转换回RGB颜色空间， 图像像素值经映射 放大后获得增强后的图像。 2.如权利要求1所述的非均匀光照图像增强方法， 其特征在于： 所述步骤一中的预处理 过程， 具体为： 步骤1.1， 获取待处 理图像Xi nput， 将Xi nput从RGB颜色空间转换到 HSV颜色空间； 步骤1.2， 分离图像在HSV颜色空间的三个通道： 色调H， 饱和度S和明度V； 步骤1.3， 将图像的明度分量V归一 化到设定范围内， 设为X(i,j)。 3.如权利要求1所述的非均匀光照图像增强方法， 其特征在于： 所述步骤二中的差分神 经网络以BP神经网络为基础， 输入层， 隐藏层和输出层形成两路相减的神经元结构， 激活函 数采用对数函数和指数函数。 4.如权利要求1所述的非均匀光照图像增强方法， 其特征在于： 所述步骤二中， 根据熵 最大化原理框架构建的图像熵损失函数： 其中， H、 W分别表示图像的高和宽， Xen表示用熵最大化原理增强后的图像， Y＝Xd1， 其中 d1的值为： M为设定值， um为像素强度的概 率分布统计值。 5.如权利要求1所述的非均匀光照图像增强方法， 其特征在于： 所述步骤二中， 构造的 贝塞尔曲线损失函数为： 其中， H、 W分别表示 图像的高和宽， 使用暗区域和亮区域的强度值作为控制函数， 增 强 图像后生成XBz， 和生成的图像Y的差作为损失函数的变量。 6.如权利要求1所述的非均匀光照图像增强方法， 其特征在于： 所述步骤二中， 根据全 变分去噪算法构造的损失函数如下： 其中， H、 W分别表示图像的高和宽 。 7.如权利要求1所述的非均匀光照图像增强方法， 其特征在于： 所述步骤二中， 差分神 经网络的训练过程如下： 前向传播过程： 输入图像X(i,j)， 经过神经网络各层神经元的计算得到 网络输出， 即图权　利　要　求　书 1/2 页 2 CN 115526803 A 2像输出值： 反向传播过程： 分别得到目标函数对各层连接权值的导数， 采用梯度 下降法更新权值， 利用权值不断迭代训练网络， 直至达到最大迭代 次数， 停止训练， 输出结果， 所有输出结果 构成估计的亮度图像。 8.非均匀光照图像增强系统， 其特 征在于： 包括： 预处理模块， 被配置为： 获取原始图像并预处理， 将明度分量V归一化到设定范围处的 像素表示 为X(i,j)， 作为原 始变量； 图像增强模块， 被配置为： 利用差分神经网络， 以亮度图像Y(i,j)为目标变量， X(i,j) 以及该图像增强后的图像Xen(i,j)与目标变量的差值， 根据 熵最大化和贝塞尔曲线增强以 及全变分去噪算法， 作为差分神经网络不同维度的损失函数； 输出模块， 被配置为： 差分神经网络训练后形成的模型， 将Y(i,j)与X(i,j)对应的色调 分量H和饱和度分量S结合得到图像在HSV颜色空间的像素值， 并转换回RGB颜色空间， 图像 像素值经映射 放大后获得增强后的图像。 9.一种计算机可读存储介质， 其上存储有计算机程序， 该程序被处理器执行时实现如 上述权利要求1 ‑7任一项所述的非均匀光照图像增强方法中的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 所述处理器执行所述程序时实现如权利要求1 ‑7任一项所述的非均匀光照图像 增强方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115526803 A 3