【技术实现步骤摘要】
深度卷积注意力和多尺度特征融合的低光图像增强方法
[0001]本专利技术涉及图像处理
,尤其涉及一种深度卷积注意力和多尺度特征融合的低光图像增强方法。
技术介绍
[0002]高质量的图像可以提高模型对一些高级计算机视觉任务(如目标检测、图像分类、语义分割等)的准确性。为了获得尽可能高质量的图像,大量研究人员进行了许多不同的尝试。比如,在拍摄图像时增大光圈和延长曝光时间,然而,这不仅要求拍摄者具有专业的摄影技术,而且拍摄得到的图像也很难完全避免噪声的存在。
[0003]基于上述情况,一些研究者尝试使用算法去解决低光图像存在的问题。但这些方法依然存在一些问题。例如灰度变换方法:该方法是通过数学函数将图像的像素值直接转换为其他数值的方法,这种方法通过映射改变图像的像素值和范围,从而达到增强图像的目的。这种方法速度快,且实现简单。但是这种方法没有考虑到图像像素值的整体分布,所以这类方法的增强效果有限,在某些低光图像中表现较差。直方图均衡化方法:HE方法使用了cumulative distribution function来对低光图像的像素值进行调整,从而输出灰度级。这类方法可以方法图像中的细节,能提高图像的清晰度。并且随着发展,现有的大量算法融合了HE方法,这让基于HE方法的算法能较好的提高图像的对比度和细节。然而,这类算法会导致图像的保真度下降、产生大量噪声和导致图像失真。基于Retinex理论的方法:基于该理论,低光图像增强方法将低光图像分解成反射分量和照度分量,并常常把照度分量假设为低光增强的结果。这类方
【技术保护点】
【技术特征摘要】
1.一种深度卷积注意力和多尺度特征融合的低光图像增强方法,其特征在于:所述方法包括以下步骤:构建配对的数据集,所述数据集包括低光照图像和正常光照图像,每张低光照图像对应同一场景的正常光照图像;以正常光照图像为参考图像,通过Embedding模块,提取低光照图像的浅层特征;将所述浅层特征输入DAMFFN编码器中,所述DAMFFN编码器包括LLAB模块、下采样模块和MSFCB模块;所述LLAB模块包括LL
‑
MSAB模块和DBWEB模块;通过LL
‑
MSAB模块,提取低光照图像的语义信息,并均衡不同通道间的特征权重,以提升图像的能见度;通过DBWEB模块,提高低光照图像的对比度;通过MSFCB模块,修复图像质量,补偿丢失的细节信息;在DAMFFN解码器中,通过多尺度频域损失函数减小增强图像和参考图像在频域空间上的差异;输出最终增强的低光图像。2.根据权利要求1所述的一种深度卷积注意力和多尺度特征融合的低光图像增强方法,其特征在于:所述embedding模块使用一个卷积模块将低光照图像的通道数从3增加至48。3.根据权利要求1所述的一种深度卷积注意力和多尺度特征融合的低光图像增强方法,其特征在于,所述通过LL
‑
MSAB模块,提取低光照图像的语义信息,并均衡不同通道间的特征权重,以提升图像的能见度,包括:浅层特征X
input
被输入到3x3深度卷积层以提取图像语义信息,以隐式建模通道内像素之间的局部关系,得到X,将所述X直接赋值给X
Q
、X
K
和X
V
;将X
Q
、X
K
和X
V
分别重塑为三个一样的特征矩阵Q、K和V,表示如下:X
Q
=X
input
W
Q
,X
K
=X
input
W
K
,X
V
=X
input
W
V
W
Q
=W
K
=W
V
,X
Q
=XK=XV=XQ=Reshape(X
Q
),K=Reshape(X
K
),V=Reshape(X
V
)Q=K=VX
input
表示LL
‑
MSAB模块的输入特征矩阵,W
Q
、W
K
和W
V
表示3x3深度卷积层的权重矩阵,Reshape(
·
)表示重塑操作;将Q(Q=[Q1,...,Q
N
]),K(K=[K1,...,K
N
])和V(V=[V1,...,V<...
【专利技术属性】
技术研发人员:王勇,袁鑫林,李彦,陈瑜,李邑灵,崔修涛,
申请(专利权)人:重庆理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。