买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利一种基于深度可分离卷积的低照度图像增强方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115861101B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211512888.8，技术领域涉及：G06T5/90；该发明授权一种基于深度可分离卷积的低照度图像增强方法是由陈国栋;黄梅玲设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本一种基于深度可分离卷积的低照度图像增强方法在说明书摘要公布了：本发明涉及一种基于深度可分离卷积的低照度图像增强方法。包括：步骤S1、采集日夜间隧道施工的的监控视频并分割成帧图像，以便对低照度图像进行增强；步骤S2、搭建基于深度可分离卷积的自校准低光照图像增强模型，确定模型参数，神经网络的损失函数，将模型性能优化至最佳；步骤S3、将训练好的低照度图像增强网络用于昏暗的日夜间帧图像进行图像亮度增强，得到光照增强后的图像。本发明方法估计的照明保持了良好的光滑性，且在图像质量和推理速度方面都获得了非常优越的性能，能够在隧道复杂环境中快速改善图像质量。

本发明授权一种基于深度可分离卷积的低照度图像增强方法在权利要求书中公布了：1.一种基于深度可分离卷积的低照度图像增强方法，其特征在于，包括如下步骤： S1、采集日夜间隧道施工的监控视频并分割成帧图像； S2、搭建基于深度可分离卷积的自校准低光照图像增强模型，确定模型参数、模型中采用的神经网络的损失函数，将模型性能训练优化至最佳；具体实现如下： S21、建立一个具有权值共享的级联自校准照明学习过程： 权值共享机制，即在每个阶段使用带有相同参数权值的相同的映射结构H来学习照明；其中，带有参数θ的映射学习光照和弱光观测之间的残差表示ut； 是通过神经网络实现的，其中，神经网络是由不同数量的基本块叠加而成，基本块设置不同的通道数，每个基本块包含一个深度可分离卷积层和一个ReLU激活函数层；每个深度可分离卷积层由一个深度卷积和一个点卷积组成，深度卷积的核大小为3×3和步长1，点卷积的核大小为1×1和步长1； 根据Retinex理论，期望恢复的图像z与捕获的原始低照度图像y之间存在如下关联： 其中x代表光照分量，表示按照元素乘法；光照分量是弱光图像增强中需要进行优化的核心成分； 从渐进的视角来建模学习照明的过程，学习照明的过程的基本单元被写为： 其中，带有参数θ的映射是学习照明的网络结构即映射结构H，在光照和弱光观测之间学习一个简单的残差表示；ut表示第t阶段的残差项，xt表示第t阶段光照分量，t范围在0到T-1之间，每个阶段使用相同的 构建自校准模块，每四个基本块构成一个自校准模块，自校准模块表示为： 其中，vt是每个阶段的转换输入；表示按照元素乘法；是引入的带有可学习的变量参数的参数化算子；zt表示第t阶段恢复的图像；st表示第t阶段中间变量； 在第tt≥1阶段的基本单元的改写为： 每个阶段的结果之间的tSNE分布，都收敛到相同的值； S22、无监督训练损失： 首先，为保证估计的照明与各阶段的输入之间的像素级一致性，定义保真度损失： 其中，T是总阶段数，利用重新定义的输入y+st-1来灵活约束输出照明xt，代替y； 同时，定义光照平滑度损失函数，即采用具有空间变量的L1范数的平滑项，目的在于把目标值与估计值的绝对差值的总和最小化，光照平滑度损失函数表示为： 其中，N表示像素总数，i表示第i个像素，表示i在其5×5窗口中的相邻像素； 分别表示第t阶段第i、j个像素的光照分量；表示权重，其公式形式为 其中，c表示在YUV颜色空间中的图像通道，σ＝0.1表示高斯核的标准差，yi,c、yj,c分别表示第i、j个像素的第c个通道的输入，分别表示第t-1阶段第i、j个像素的第c个通道的中间变量； 由此，得出无监督训练的总损失： 其中，α和β是两个正平衡参数； S3、将训练好的低照度图像增强模型用于昏暗的日夜间帧图像进行图像亮度增强，得到光照增强后的图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。