需求发布 成果发布 科创案例库 揭榜挂帅
技术路演 会议展览 科创联合体 项目申报
前沿动态 科技政策 院士开讲 青托工程
科技服务团 学术资源
试点城市(园区) 双创活动周
协作站点 学会服务
问题库 项目库 开源库
English
您所在的位置: 成果库 基于深度学习的低照度图像增强

基于深度学习的低照度图像增强

发布时间: 2024-11-06

来源: 试点城市（园区）

基本信息

合作方式： 技术许可
成果类型： 发明专利,实用新型专利
行业领域：
信息传输、软件和信息技术服务业,软件和信息技术服务业
成果介绍
本技术提出一种基于U-Net的多尺度特征保持的低照度图像增强方法。在构建网络时，与单一的卷积神经网络的低照度图像增强方法需要大量的训练数据不同，该方法基于U-Net网络模型和多尺度特征提取技术，设计了一种新的低照度图像增强网络模型。该技术利用数据扩充的方法对输入的图像集进行左右翻转、旋转、缩放变换等操作，提高训练样本的利用率，丰富训练图像数据的分布，不需要大量的原始训练样本来获得更优的网络模型。利用多尺度特征提取技术来提高网络的特征提取能力，可以从低照度图像中获取更多的细节信息，从而使增强后的图像更加准确、清晰。
成果亮点
1.该方法受Retinex基本模型理论和U-Net网络结构的启发，结合多尺度提取技术，进一步提高网络的特征提取能力。2.通过保持全局特征相关性的空间一致性函数来解决低层特征和高层语义特征之间的不连续性问题。3.同时引入一种基于图像亮度、对比度和结构相似性等特征的多尺度结构计算方法，大大缓解了增强后光照不均匀和颜色偏差的现象，使增强的结果更符合人类的视觉感知。
团队介绍
安徽工程大学是一所以工为主的省属多科性高等院校和安徽省重点建设院校，学校办学始于1935年安徽私立内思高级职业学校，历经芜湖电机制造学校、芜湖机械学校、安徽机电学院、安徽工程科技学院等办学阶段，2010年更名为安徽工程大学。学校设有17个二级学院和继续教育学院，60余个本科招生专业。作为省级博士立项建设单位，学校有17个一级学科硕士学位授权点，11个硕士专业学位授权类别。
成果资料
产业化落地方案
点击查看