基于注意力机制和多层次特征融合的低照度图像增强方法技术

本发明专利技术涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明专利技术充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。

Low Illumination Image Enhancement Method Based on Attention Mechanism and Multi-level Feature Fusion

【技术实现步骤摘要】
基于注意力机制和多层次特征融合的低照度图像增强方法
本专利技术属于计算机图像处理
，尤其是一种基于注意力机制和多层次特征融合的低照度图像增强方法。
技术介绍
在计算机图像处理领域中，低照度图像增强技术是指通过一定的方法处理低对比度和光照的图像，最终获得高亮度的清晰图像。经过处理后的输出图像可以被广泛应用于高层次视觉任务中去，例如目标检测、行人再识别和自动驾驶等。传统的低照度图像增强方法主要使用的是直方图均衡和基于Retinex的方法。近几年随着机器学习和大数据发展，基于深度神经网络的图像增强算法得到了很大的进展。低照度图像增强逐步成为计算机视觉任务中的研究热点之一。虽然低照度图像增强方法得到了很大的发展，但是，由于低照度图像自身困难性，仍然有很多问题亟待解决。低照度图像增强的难点主要体现在：(1)低照度图像自身的不确定性，由于拍摄环境的光照强度较低，以及一些非主观因素如拍摄抖动等，导致拍摄的低照度图像包含更多的噪声；(2)数据集数量较少，现实生活中拍摄低照度图像及其对应的对比图像较为困难，因此基于深度卷积神经网络的处理方法的数据量较少，很难获得一个较好的训练效果；(3)网络结构本文档来自技高网...

【技术保护点】
1.一种基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于包括以下步骤：步骤1、在输入端对低照度图像进行处理，输出四通道特征图；步骤2、使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；步骤3、将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；步骤4、输出映射将最终的特征图还原成RGB图片。

【技术特征摘要】
1.一种基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于包括以下步骤：步骤1、在输入端对低照度图像进行处理，输出四通道特征图；步骤2、使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；步骤3、将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；步骤4、输出映射将最终的特征图还原成RGB图片。2.根据权利要求1所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤1的具体实现方法包括以下步骤：⑴将一通道的低照度图像进行提取重新排列，形成按照RGBG顺序排列的四通道输入图像；⑵对四通道输入图像减掉黑电平，随后放大相应的倍数，获得四通道特征图并作为卷积模块输入。3.根据权利要求1或2所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述低照度图像为512×512大小的拜耳RAW格式图像。4.根据权利要求1所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤2的具体实现方法包括以下步骤：⑴将步骤1中得到的四通道特征图经过通道注意力模块处理，获得含有通道权重的特征图；⑵将含有通道权重的特征图输入到卷积神经网络架构中，图像经过一系列卷积层、ReLU和池化操作后，...

【专利技术属性】
技术研发人员：王蕾，解伟，王强，王东飞，王琳，姜竹青，门爱东，
申请(专利权)人：国家广播电视总局广播电视科学研究院，北京邮电大学，
类型：发明
国别省市：北京,11