買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉深圳職業技術大學申請的專利基于卷積神經網絡的低照度圖像增強方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119205537B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411348800.2，技術領域涉及：G06T5/60；該發明授權基于卷積神經網絡的低照度圖像增強方法是由毛海霞;田巖設計研發完成，并于2024-09-26向國家知識產權局提交的專利申請。

本基于卷積神經網絡的低照度圖像增強方法在說明書摘要公布了：本發明公開了基于卷積神經網絡的低照度圖像增強方法，涉及圖像增強技術領域，包括以下步驟：S1、獲取正常光照圖像，利用圖像重建模型人工合成低照度圖像，將合成的低照度圖像作為圖像集，S2、將獲取的圖像集按照相應的比例劃分為第一訓練集和第一測試集，且通過第一訓練集對圖像檢測模型進行訓練，以獲取訓練完成的圖像檢測模型，且通過第一測試集對訓練完成后的圖像檢測模型進行性能測試，圖像檢測模型的輸入端為圖像，且圖像檢測模型的輸出端為檢測為低照度的圖像。本發明通過使用圖像重建模型人工合成低照度圖像，可以更好地控制光照條件和其他影響因素，以便針對特定的低照度情況進行研究和處理，可以更好地模擬不同場景下的低照度圖像。

本發明授權基于卷積神經網絡的低照度圖像增強方法在權利要求書中公布了：1.基于卷積神經網絡的低照度圖像增強方法，其特征在于，包括以下步驟： S1、獲取正常光照圖像，利用圖像重建模型人工合成低照度圖像，將合成的低照度圖像作為圖像集； S2、將獲取的圖像集按照相應的比例劃分為第一訓練集和第一測試集，且通過第一訓練集對圖像檢測模型進行訓練，以獲取訓練完成的圖像檢測模型，且通過第一測試集對訓練完成后的圖像檢測模型進行性能測試，圖像檢測模型的輸入端為圖像，且圖像檢測模型的輸出端為檢測為低照度的圖像； S3、將檢測為低照度的圖像劃分為第二訓練集和第二測試集，且通過第二訓練集對圖像增強模型進行訓練，以獲取訓練完成的圖像增強模型，且通過第二測試集對訓練完成后的圖像增強模型進行性能測試，圖像增強模型的輸入端為低照度圖像，且圖像增強模型的輸出端為增強圖像； S4、圖像增強模型包括圖像分解模型、反射圖細化模型和光照圖增強模型，通過第二訓練集對圖像分解模型進行訓練，以獲取訓練完成的圖像分解模型，圖像分解模型的輸入端為低照度圖像，且圖像分解模型的輸出端為反射率圖和光照圖； S5、通過反射率圖訓練反射圖細化模型，以獲取訓練完成的反射圖細化模型，反射圖細化模型的輸入端為反射率圖，且反射圖細化模型的輸出端為細化后的反射率圖； S6、通過光照圖訓練光照圖增強模型，以獲取訓練完成的光照圖增強模型，光照圖增強模型的輸入端為光照圖，且光照圖增強模型的輸出端為經過增強處理的光照圖； S7、通過細化后的反射率圖和增強處理后的光照圖的進行梯度加權，以獲取增強圖像； 所述圖像檢測模型采用卷積神經網絡，所述圖像檢測模型包括卷積層、池化層和全連接層，所述卷積層、池化層和全連接層均有3層，所述圖像檢測模型第一層為卷積層，神經元數目為64，卷積核大小為7*7，步長為1，第二層為池化層，卷積核大小為2*2，步長為2，第三層為卷積層，神經元數目為128，卷積核大小為5*5，步長為1，第四層為池化層，卷積核大小為2*2，步長為2，第五層為卷積層，神經元數目為256，卷積核大小為3*3，步長為1，第六層為池化層，卷積核大小為2*2，步長為2，第七層和第八層為全連接層，神經元數目均為512，第九層為全連接層，神經元數目為2，所述第一層、第三層、第五層、第七層和第八層均設置有激活函數，且激活函數均為relu函數，所述圖像檢測模型的前6層用于提取圖像特征，所述圖像檢測模型的后三層用于圖像分類； 所述圖像分解模型采用卷積神經網絡，所述圖像分解模型包括卷積層和合并層，所述圖像分解模型第一層包括三種卷積層，三種卷積層的神經元數目分別為12、20和32，三種卷積層的卷積核大小分別為3*3、5*5和7*7，通過第一層提取出不同的圖像特征，第二層為合并層，通過第二層將每個特征圖按照通道維度拆開，并分別進行處理，并將處理后的特征圖在通道維度上進行拼接，形成新的特征圖，第三層和第四層均為為卷積層，神經元數目均為64，卷積核大小均為3*3，通過第三層和第四層對圖像特征進行細化，第五層為卷積層，神經元數目均為4，卷積核大小均為3*3，通過第五層將圖像特征分解為反射率圖和光照圖，并將反射率圖和光照圖輸出，第五層最后設置Sigmoid激活函數，通過Sigmoid激活函數將輸出的反射率圖和光照圖的像素值歸一化到[0,1]； 所述反射圖細化模型采用卷積神經網絡，所述反射圖細化模型包括卷積層，所述反射圖細化模型的第一層為卷積層，神經元數目為64，卷積核為3*3，激活函數為PReLu函數，通過第一層對粗提取出的反射率圖進行卷積，第二層為卷積層，神經元數目為64，卷積核為3*3，激活函數為PReLu函數，通過第二層對第一層卷積后的反射率圖進行重建，第三層為卷積層，神經元數目為3，卷積核為3*3，激活函數為Sigmoid函數，通過第三層對第二層重建的反射率圖進行細節恢復，通過Sigmoid激活函數將輸出的反射率圖的像素值歸一化到[0,1]； 所述反射圖細化模型的損失函數為： ； ； 其中，表示和的殘差，表示其真實殘差，表示反射率圖，表示低光照圖像的反射率圖； 所述S7中，通過細化后的反射率圖和增強處理后的光照圖的進行梯度加權，以獲取增強圖像，包括以下步驟： S701、將細化后的反射率圖和增強處理后的光照圖作為輸入； S702、對反射率圖和光照圖進行梯度計算，獲取反射率圖和光照圖的梯度幅值和方向，使用梯度幅值乘以權重系數； S703、對兩幅梯度圖進行加權，根據梯度幅值的大小和方向來進行加權； S704、將加權后的梯度圖與原始低照度圖進行融合，使用加權疊加的方式進行融合，從而獲取增強圖像。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人深圳職業技術大學，其通訊地址為：518000 廣東省深圳市南山區西麗街道西麗湖鎮西麗湖畔；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。