基于深度学习的低照度荧光渗透数字化图像恢复方法研究

荧光渗透检测图像通常在极低照度的暗室环境下采集,不可避免地会产生图像模糊、对比度低等问题。提出一种基于深度学习的图像恢复方法,首先构建荧光渗透检测图像数据集,分别拍摄不同短曝光时间下和长曝光时间下的Raw格式图像,共3400张图像,其中20%作为测试集,10%作为验证集;其次构建一个基于U-net的卷积神经网络,将原始的Raw格式数据进行插值处理并划分为RGGB四个通道;然后减去黑电平值并将输入数据亮度放大相应的倍数,作为网络输入;最后将网络输出通过亚像素层上采样得到RGB空间的输出图像。测试结果表明,选择SSIM与MAE为损失函数,使用Adam优化器进行模型训练,图像PSNR达到28.237 dB,SSIM达到0.783,均优于传统方法。能有效减少图像噪声和提升图像清晰度,获取低光图像更多缺失的细节。