一种基于注意力机制的低光图像增强方法及系统技术方案

本发明专利技术公开一种基于注意力机制的低光图像增强方法及系统，包括：对待增强的低光图像采用视网膜分解网络进行分解，得到光照分量和反射分量，所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层，且在每类卷积层后增设MSRF注意力机制操作；采用焦点损失函数训练预构建的融合增强网络，对光照分量和反射分量采用训练后的融合网络得到增强后的图片。提出用于分解的视网膜分解网络RDNet和用于融合的融合增强网络FENet，引入基于多尺度感受域MSRF的注意力机制，并设计将比例因子积分到焦点损失函数中的ω焦点损失函数，以消除样本不平衡问题，提高低光图像增强的效果。

【技术实现步骤摘要】
一种基于注意力机制的低光图像增强方法及系统
本专利技术涉及复杂背景下的目标检测
，特别是涉及一种基于注意力机制的低光图像增强方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。在弱光条件下拍摄的照片不仅会给用户带来不愉快的体验，而且还会降低其他计算机视觉任务的性能，如物体检测和人员再识别，因为这些任务的大多数解决方案都是针对曝光良好的图像设计的，因此，需要一种能有效提高微光图像质量的方法。传统的单一弱光图像增强方法包括基于直方图的方法、基于去雾的方法和基于视网膜的方法。基于直方图的方法将直方图重新分配到均匀分布，并调整Gamma曲线指数。基于去雾的方法利用反图像弱光增强和去雾之间的相似性。基于retina的方法通常将弱光图像分解为光照和反射率成分，可以重构出更好的增强结果。然而，大多数基于视网膜的方法假设在增强过程中反射率组分保持不变，不管颜色失真和丢失的细节；基于简单学习的弱光增强方法中W/O分解的增强结果有限；SID只能改进原始图像，不能作为普通sRGB图像的后处本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的低光图像增强方法，其特征在于，包括：/n对待增强的低光图像采用视网膜分解网络进行分解，得到光照分量和反射分量，所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层，且在每类卷积层后增设MSRF注意力机制操作；/n采用焦点损失函数训练预构建的融合增强网络，对光照分量和反射分量采用训练后的融合网络得到增强后的图片。/n

【技术特征摘要】
1.一种基于注意力机制的低光图像增强方法，其特征在于，包括：
对待增强的低光图像采用视网膜分解网络进行分解，得到光照分量和反射分量，所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层，且在每类卷积层后增设MSRF注意力机制操作；
采用焦点损失函数训练预构建的融合增强网络，对光照分量和反射分量采用训练后的融合网络得到增强后的图片。


2.如权利要求1所述的一种基于注意力机制的低光图像增强方法，其特征在于，对待增强的低光图像中RGB通道的每个像素点的最大值进行堆叠，得到包含4通道矩阵的一维张量，将一维张量与原低光图像进行连接后，得到四维张量的估计照度图；对估计照度图依次通过四层卷积层的卷积操作后经过sigmoid函数，将得到的前三通道作为反射分量，最后一通道作为光照分量，完成低光图像的分解。


3.如权利要求1所述的一种基于注意力机制的低光图像增强方法，其特征在于，所述四类不同卷积核大小的卷积层包括：32个卷积核、卷积核大小为3*3的第一卷积层，64个卷积核、卷积核大小为3*3的第二卷积层，128个卷积核、卷积核大小为3*3的第三卷积层，1个卷积核、卷积核大小为1*1的第四卷积层；且每个卷积层均包括PReLU激活函数。


4.如权利要求3所述的一种基于注意力机制的低光图像增强方法，其特征在于，所述分解包括：采用第一卷积层进行两次卷积操作，对第一卷积层的卷积结果进行一次MSRF注意力机制操作；
对第一卷积层的卷积结果和第一MSRF注意力机制操作结果采用第二卷积层进行两次卷积操作，对第二卷积层的卷积结果进行一次MSRF注意力机制操作；
对第二卷积层的卷积结果和第二MSRF注意力机制操作结果采用第三卷积层进行四次卷积操作，对第三卷积层的卷积结果进行一次MSRF注意力机制操作；
对第三卷积层的卷积结果和第三MSRF注意力机制操作结果采用第四卷积层进行一次卷积操作，将第四卷积层的卷积结果经过sigmoid函数完成分解。

【专利技术属性】
技术研发人员：吕晨，盛星，孟琛，庄云亮，康春萌，吕蕾，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37