【技术实现步骤摘要】
本专利技术涉及一种能同时平衡不同区域细节和亮度的低光图像增强方法，属于图像处理。
技术介绍
1、在光线较暗的恶劣照明条件下拍摄的照片，可能会出现细节模糊、噪点增加、对比度降低等问题。这种低光照图像不仅影响了图像质量和视觉效果，还会影响到高级识别任务的执行，比如图像分类、目标检测等。低光场景普遍存在于日常生活中，比如夜间手机拍照、视频监控、自动驾驶等。低光图像增强技术旨在通过技术处理将低光场景下捕获的图像增强到正常光照图像，使得增强后的图像有正常的亮度和丰富的细节信息，从而正确表达图像的内容。因此，低光图像增强技术具有重要的价值和意义，它可以提升图像的视觉质量，扩展图像的应用范围(比如视觉监控、计算摄影、医学影像等)，并且可以提高图像的信息传输，从而使图像中的目标和场景更容易被识别和分析。
2、低光图像增强方法主要分为两种，一种是基于模型的低光图像增强方法，另一种是基于深度学习的方法。基于模型的低光图像增强方法主要包括直方图均衡化和retinex。前者是动态地调整图像的灰度分布；后者是将图像分解为光照分量和反射分量，通过调整两个分量的组合来产生增强后的图像。基于模型的低光增强技术需要设计先验知识，但是先验知识的设计往往是复杂且主观的，因此基于深度学习的方法，由于无需人为设定先验知识，展现了更好的发展潜力。基于深度学习的方法又分为两类，一类是基于学习的retinex方法，一类则是基于端到端学习的方法。前者是通过学习来分解光照分量和反射分量，再通过两个分量的组合生成增强后的图像；后者是输入低光照图像，网络通过学习直接输出对
3、虽然大多数现有的基于深度学习的低光照图像增强方法都力求更好的亮度增强，但它们往往忽略了恢复图像固有的复杂细节这一关键方面。图像不同区域的退化程度也是不均匀的，遗憾的是，大多数方法往往不能考虑到这种异质性，并对整个图像采用一种通用的策略。这可能导致某些区域的增强过度或增强不足，从而影响最终输出的质量。在低光图像增强任务中，如何进行亮度提升的同时恢复图像细节信息，以及如何处理图像中不同区域退化程度不均匀的问题，属于容易被忽视但必须予以重点解决的挑战。
技术实现思路
1、针对上述现有技术中存在的问题，本专利技术提供了一种能同时平衡不同区域细节和亮度的低光图像增强方法，该方法利用主干网络、梯度信息和亮度通道设计了三个分支网络，分别是增强主干网络、细节增强子网络和亮度增强子网络，增强主干网络负责提取图像的全局特征，细节增强子网络负责增强图像的局部细节，亮度增强子网络负责调整图像的整体亮度；结合自步学习根据样本的难易程度自适应调整网络的优势，设计了基于注意力机制的自步学习策略，对图像中退化程度较高的区域赋予更高权重的注意力，可以使得增强后的图像具有更丰富的色彩信息和更多的细节信息。
2、本专利技术采用的技术方案如下：
3、一种能同时平衡不同区域细节和亮度的低光图像增强方法，该方法构建增强主干网络、细节增强子网络和亮度增强子网络三个分支网络，在增强亮度的同时恢复好细节信息，采用基于注意力机制的自步学习策略，指导模型对不同退化程度的区域进行精细调整，具体包括以下步骤：
4、s1、获取图像数据集，即获得同一场景成对的低光照图像ilow和正常光照图像ihigh；
5、s2、构建低光图像增强网络，该网络由三个分支网络组成，分别是增强主干网络、细节增强子网络、亮度增强子网络，增强主干网络负责生成初步的增强后图像，细节增强子网络负责对图像的结构细节信息进行恢复和增强，亮度增强子网络负责对图像的亮度进行调整和优化，通过这三个分支网络的协同作用，实现更自然和真实的图像增强效果；
6、s3、在细节增强子网络和亮度增强子网络中，构建基于注意力机制的自步学习策略，它可以根据不同区域的退化程度动态地生成梯度注意力和亮度通道注意力，指导模型对图像的不同区域的细节和亮度进行精细和合理的调整，有效地解决不同区域细节和亮度分配不均匀的问题，提高增强后图像的质量和视觉效果；
7、s4、利用损失函数约束网络的训练过程，不断更新网络参数，生成最优模型；
8、s5、将测试集放入到最优模型，生成正常光照图像。
9、进一步地，步骤s2具体包括：
10、增强主干网络是一个由卷积层和三个串行的组合块构成的网络结构，卷积层对图像进行预处理，组合块由两个基础块和一个卷积层组成，基础块包括relu激活层、卷积层、通道注意模块和像素注意模块，其中通道注意模块由平均池化层、卷积层、relu激活层、卷积层和sigmoid激活层组成，像素注意模块则由卷积层、relu激活层、卷积层和sigmoid激活层组成；
11、细节增强子网络和亮度增强子网络均为由一个卷积层和三个串行的组合块构成的网络结构，卷积层对图像进行预处理，每个组合块由一个基础块和一个卷积层组成，细节增强子网络使用梯度信息对图像进行细节恢复，亮度增强子网络使用亮度通道信息对图像进行亮度恢复。
12、进一步地，步骤s3具体包括：
13、基于注意力机制的自步学习策略应用于细节增强子网络和亮度增强子网，梯度信息用来表示图像的细节信息，在细节增强子网络中，最终的梯度注意力定义为m：m＝μmg+(1-μ)mgd，其中mg是由细节增强子网络生成的预测的增强梯度图，mgd是由正常光照图像和输入图像的梯度差值生成的注意力，μ为超参数；为了自适应调整融合超参数μ的大小，根据细节增强子网络生成的预测的增强梯度图mg与正常光照图像的梯度图mgt计算重构损失μ根据进行分段设置：
14、
15、其中，max和min是经过实验后设置的最优常数值，max是最大值，min是最小值，在亮度增强子网络中的亮度通道注意力和细节增强子网络的梯度注意力采用相同的基于注意力机制的自步学习策略，最终的亮度通道注意力定义为m：m＝μmv+(1-μ)mgv，其中mv是由亮度增强子网络生成的预测的亮度通道图，mgv是由正常光照图像和输入图像的亮度通道差值生成的注意力，μ为超参数，这里的μ根据进行分段设置，其中是根据亮度增强子网络生成的预测的亮度通道图mv与正常光照图像的亮度通道图mvt计算的重构损失，将三个分支生成的特征经过融合模块进行特征增强，通过卷积操作输出最终的增强后图像；
16、进一步地，步骤s4具体包括：
17、利用像素级复原函数l1、对比损失lc、频域损失lf、梯度损失lg以及亮度损失lb的五种损失的共同约束整个网络的输出；其中梯度损失为是为了约束整个网络输出的预测增强图像ipred的梯度无限趋近于正常光照图像ihigh的梯度，是计算细节增强子网络输出的预测增强梯度图和正常光照图像ihigh梯度之间的重构损失；亮度损失为其中是计算整个网络输出的增强图像ipred的亮度通道图像与正常光照ihigh在的亮度通道图像重构损失，是计算细节增强子网络输出的预测增强亮度通道图和正常光照图像ihigh亮度通道之间的重构损失，其中α、β为超参数本文档来自技高网...
【技术保护点】
1.一种能同时平衡不同区域细节和亮度的低光图像增强方法，该方法构建增强主干网络、细节增强子网络和亮度增强子网络三个分支网络，在增强亮度的同时恢复好细节信息，采用基于注意力机制的自步学习策略，指导模型对不同退化程度的区域进行精细调整，具体包括以下步骤：
2.根据权利要求1所述的一种能同时平衡不同区域细节和亮度的低光图像增强方法，其特征在于：步骤S2具体包括：
3.根据权利要求1所述的一种能同时平衡不同区域细节和亮度的低光图像增强方法，其特征在于：步骤S3具体包括：
4.根据权利要求1所述的一种能同时平衡不同区域细节和亮度的低光图像增强方法，其特征在于：步骤S4具体包括：
【技术特征摘要】
1.一种能同时平衡不同区域细节和亮度的低光图像增强方法，该方法构建增强主干网络、细节增强子网络和亮度增强子网络三个分支网络，在增强亮度的同时恢复好细节信息，采用基于注意力机制的自步学习策略，指导模型对不同退化程度的区域进行精细调整，具体包括以下步骤：
2.根据权利要求1所述的一种能同时平衡不同...
【专利技术属性】
技术研发人员：孙建德，孙晓燕，李燕，程德，张鼎文，万文博，李静，王建，
申请(专利权)人：山东师范大学，
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。