本发明属于图像数据处理，具体涉及一种高质量图像重建方法。
背景技术：
1、cis是“contact image sensor”(接触式图像传感器)的缩写，它是一种用于扫描文档和图像的传感器技术。cis与传统的平板扫描仪中使用的ccd(电荷耦合器件)或cmos(互补金属氧化物半导体)图像传感器不同。cis传感器通常更薄、更轻，并且能够以较低的功耗运行。但是在极弱光条件下，cis传感器输出的图像数据(raw数据)会存在亮度不足、模糊、对比度低、饱和度低、偏色等问题，为了获得高质量的视频图像，需要对图像数据继续拧高质量图像重建。例如，使用直方图均衡化或适应性直方图均衡化来提高图像的亮度，增强暗部细节；使用锐化滤波器，如laplacian或sobel算子，来增强边缘和细节；使用对比度增强算法，如线性拉伸或非线性拉伸，来扩展图像的动态范围；通过颜色空间转换(如从rgb到hsl/hsv)，单独调整饱和度分量。高质量图像重建需要结合多种算法来达到最佳的图像增强效果，这样使得构建的算法模型比较复杂，增加图像处理时间，对图像的实时性造成影响，所以目前的难点之一就是如何设计适合的算法来构建和优化得到高质量图像重建模型。此外，随着人工智能技术的发展，基于深度学习的方法在视频图像处理中有着广泛的应用，如何将深度学习方法应用于高质量图像重建也是研究重点之一。
技术实现思路
1、针对上述不足，本发明公开了一种高质量图像重建方法，通过大量的数据学习和算法优化构建深度神经网络模型，并将其用于夜视图像数据的高质量图像重建，可以有效解决cis图像数据存在的亮度不足、模糊、对比度低、饱和度低、偏色等问题。
2、本发明是采用如下技术方案实现的：
3、一种高质量图像重建方法，其包括以下步骤：
4、(1)构建卷积神经网络模型，所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层、输出层、亮度增强模块、饱和度调整模块、偏色校正模块；所述输入层用于接收图像数据并将其转换为ycbcr色彩空间得到亮度y、色度cb和色度cr三个分量；所述卷积层对于亮度y、色度cb和色度cr三个分量分别提取特征得到特征图，其包括若干个卷积核；
5、所述亮度增强模块用于提取亮度y中的亮度特征进行处理，得到增强后的亮度特征图，所述亮度增强模块采用对数变换对亮度特征进行处理，对数变换公式为：s＝c·log(1+r)，其中s是变换后y通道的像素值，r是原始y通道的像素值，c为常数；
6、所述饱和度调整模块用于提取色度cb和色度cr中的特征进行色调变换处理，得到饱和度调整后的饱和度调整特征图，所述色调变换的公式为：hue(x)＝x+δhue；
7、所述偏色校正模块用于提取色度cb和色度cr中的边缘、纹理和颜色分布三个特征进行处理，得到颜色校正特征图；所述偏色校正模块包括若干个卷积层、池化层和激活函数；
8、所述全连接层将得到的亮度特征图、饱和度调整特征图和颜色校正特征图与特征图进行融合后得到调整后的亮度y、色度cb和色度cr三个分量，然后经过输出层转换成rgb颜色空间得到处理后的图像数据；
9、(2)采集夜视图像数据并进行归一化和降噪处理后分成训练集和测试集，然后采用训练集对步骤(1)中所述卷积神经网络模型进行训练，采用均方误差(mse)作为损失函数；采用测试集对经过训练的卷积神经网络模型进行测试分析，其中采用psnr(峰值信噪比)和结构相似性(ssim)来评估恢复后的图像质量，从而得到最优的卷积神经网络模型；
10、(3)应用步骤(2)中得到的最优的卷积神经网络模型对cis图像数据进行高质量图像重建处理，其中先对cis图像数据按照步骤(2)中所述进行归一化和降噪处理，然后再使用卷积神经网络模型进行处理得到高质量图像，并传输给显示设备。
11、进一步的，步骤(1)中，所述卷积层采用relu激活函数；所述全连接层的激活函数采用softplus函数，其公式为f(x)＝log(1+ex)；所述输出层的激活函数采用softmax函数，其公式为fi(x)＝exi/∑jexj，其中i和j遍历每个输出单元。
12、进一步的，步骤(1)中所述池化层采用最大池化操作；
13、所述最大池化操作为：max_pool(i,k,s)＝{max(ii,j),max(ii+k/2,j),max(ii,j+k/2),max(ii+k/2,j+k/2)}，其中其中，i是输入特征图，k是池化窗口的大小且为3×3，s是步长且为1。
14、进一步的，步骤(2)中，所述训练集和测试集的比例为8:2。
15、进一步的，步骤(2)中，对步骤(1)中所述卷积神经网络模型进行训练过程中，采用梯度下降优化算法来更新网络权重，以最小化损失函数。
16、进一步的，步骤(2)中，所述归一化是采用批量归一化、实例归一化和组归一化中的任意一种。
17、进一步的，步骤(2)中，所述降噪处理是采用中值滤波、均值滤波和高斯滤波中的任意一种。
18、本技术方案与现有技术相比较具有以下有益效果：
19、1、本发明构建卷积神经网络模型对图像数据进行重建，解决cis图像数据存在的亮度不足、模糊、对比度低、饱和度低、偏色等问题，进而得到高质量图像。其中，本发明是将采集到的图像数据转换为ycbcr色彩空间得到亮度y、色度cb和色度cr三个分量，然后再使用卷积神经网络模型分别对三个分量中的特征进行提取，并且采用特定的亮度增强模块、饱和度调整模块、偏色校正模块分别对提取的特征进一步处理，如亮度增强模块用于提取亮度y中的亮度特征进行处理，得到增强后的亮度特征图，饱和度调整模块用于提取色度cb和色度cr中的特征进行色调变换处理，得到饱和度调整后的饱和度调整特征图，偏色校正模块用于提取色度cb和色度cr中的边缘、纹理和颜色分布三个特征进行处理，得到颜色校正特征图；然后将得到各个特征进行融合后得到调整后的亮度y、色度cb和色度cr三个分量，再转换成rgb颜色空间得到处理后的图像数据，通过各个模块针对性的处理图像数据，解决图像数据的亮度不足、模糊、对比度低、饱和度低、偏色等问题，而且能够提高模型的处理时间，解决图像的实时性不足的问题。
20、2、本发明还对图像数据进行归一化和降噪处理，使得使得图像更加清晰、细节更加丰富，并且图像数据更加干净和一致，这有助于提高重建结果的可解释性。同时由于图像重建算法可能会放大输入数据中的噪声和误差，导致输出图像中出现伪影，通过预先进行降噪处理，可以减少这些误差和伪影，提高重建的准确性。此外，归一化和降噪处理可以减少错误信号的干扰，从而加速算法的收敛速度，减少迭代次数和重建过程需要处理的数据量。
1.一种高质量图像重建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的高质量图像重建方法，其特征在于：步骤(1)中，所述卷积层采用relu激活函数；所述全连接层的激活函数采用softplus函数，其公式为f(x)＝log(1+ex)；所述输出层的激活函数采用softmax函数，其公式为fi(x)＝exi/∑jexj，其中i和j遍历每个输出单元。
3.根据权利要求1所述的高质量图像重建方法，其特征在于：步骤(1)中所述池化层采用最大池化操作；
4.根据权利要求1所述的高质量图像重建方法，其特征在于：步骤(2)中，所述训练集和测试集的比例为8:2。
5.根据权利要求1所述的高质量图像重建方法，其特征在于：步骤(2)中，对步骤(1)中所述卷积神经网络模型进行训练过程中，采用梯度下降优化算法来更新网络权重，以最小化损失函数。
6.根据权利要求1所述的高质量图像重建方法，其特征在于：步骤(2)中，所述归一化是采用批量归一化、实例归一化和组归一化中的任意一种。
7.根据权利要求1所述的高质量图像重建方法，其特征在于：步骤(2)中，所述降噪处理是采用中值滤波、均值滤波和高斯滤波中的任意一种。
