【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种低光照图像增强方法。
技术介绍
1、低光照图像增强是算机视觉和图像处理领域的重要任务，其目标是改善在低光条件下拍摄的图像质量。该任务的挑战在于在低光条件下拍摄图像通常包含有限的可见信息，细节可能模糊或不可见。在增强图像时，需要解决信息损失的问题，以恢复图像的细节和内容。基于色彩一致性为理论基础的retinex分解算法，被广泛用于低光照图像增强。然而，retinex分解算法在进行增强图像时，经常会出现在估计照度分量的时候会产生图像失真的现象。此外retinex分解算法对噪声不敏感，去噪效果不好。文献“空间转换与自适应灰度校正的低照度图像增强[j].计算机工程,2023,49(06)：193-200+207.”公开了一种使用retinex分解算法的低照度图像增强算法。retinex分解算法的理论基础是三色理论和颜色恒常性，图像首先进行高斯滤波以平滑图像，接着进行对数与反对数映射。对数映射用于增强图像的细节，而反对数映射则用于抑制过曝和欠曝现象。最后，采用图像拉伸算法来扩展图像的亮度范围，以确保图像具有良好的对比度和可视性。文献所述方法是一种基于多尺度的retinex分解的低光照图像增强算法，其很好的解决了颜色的失真问题。然而，仍需要进一步改进来解决细节信息的恢复和噪声抑制方面的挑战。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于小波谱学习的低光照图像增强方法，首先输入低光照图像和标签图像，经过潜在编码器得到先验知识真值；然后使用
2、本专利技术解决其技术问题所采用的技术方案包括如下步骤：
3、步骤1：输入低光照图像ilow和标签图像igt，经过潜在编码器得到先验知识真值pgt；
4、输入低光照图像ilow和标签图像igt，将它们在通道维度进行合并，然后将合并后的图像输入到潜在编码器le，潜在编码器le由多个残差模块连接而成的卷积层组成；
5、通过对潜在编码器le提取的特征进行平均池化操作，得到一个知识向量；
6、通过多个全连接层，将该知识向量映射到先验知识真值过程如下：
7、pgt＝le(cat(ilow，igt)) (1)
8、式中，le表示潜在编码器，cat表示通道维度的合并操作；
9、步骤2：使用先验知识pgt训练扩散模型，在预测阶段，使用随机噪声得到先验知识p；
10、所述扩散模型是一种生成模型，包括两个过程，分别为前向过程和反向过程；其中前向过程又称为扩散过程，前向过程是加噪的过程；
11、扩散模型对先验知识pgt进行加噪生成噪声变体pt，过程如下：
12、
13、其中αt＝1-βt，βt∈(0，1)是一个控制添加噪声方差的场数超参数，对应于扩散步骤t；p0表示初始概率分布，αi表示扩散过程中的控制参数，用于混合先验知识和噪声；
14、反向过程是一个t步马尔可夫链，以相反的方式从pt回推到p0；具体来说，对于从pt回推到pt-1的反向步骤，采用了后验分布，如下所示：
15、
16、其中∈代表pt中的噪声；μt(pt，p0)表示反向过程中计算后验分布中的均值；
17、步骤3：使用先验知识p构建基于小波的transformer模块；
18、基于小波的transformer模块wtb由两个元素组成：频率感知自注意力fasa和小波频谱调制前馈网络wmfn；
19、输入为低光照图像x0，wtb的编码过程如下：
20、x′l＝xl-1+fasa(ln(xl-1)) (4)
21、xl＝x′l+wsmfn(ln(x′l)，p) (5)
22、式中ln表示归一化操作，xl和x′l分别代表fasa和wmfn的输出特征，p表示先验特征；
23、步骤4：利用基于小波的transformer模块，构建对称分层网络架构；
24、在对称分层网络架构左侧输入图像ilow，使用wtb模块和下采样模块交替执行得到四种尺度的特征；在模型右侧，使用上采样模块和wtb模块交替执行，其中左侧得到的特征与右侧生成的相同大小特征进行通道合并，经过1×1的卷积操作后再输入到wtb模块中；最终生成的特征与输入图像ilow相加，得到增强后的图像inormal；表示如下：
25、inormal＝f(ilow)+ilow (6)
26、式中f表示对称分层网络架构；
27、步骤5：使用输出图像与先验知识真值pgt优化网络模型；
28、通过优化器对损失函数进行最小化训练，损失函数由两部分构成，一是图像生成结果inormal与真实图像igt之间的差距，二是先验知识之间的差异；损失函数公式如下：
29、
30、式中||•||1表示l1范数；
31、训练过程旨在通过最小化损失函数，使得网络能够准确地生成与真实图像相似的结果。
32、优选地，所述fasa使用haar小波来将输入图像分为低频部分和高频部分，并分别应用通道自注意力机制，最后经过反向小波变化操作得到fasa的输出；所述wmfn网络同样先经过小波变化，并将先验知识p经过线性操作转化为成对的参数(η，γ)，使用这些参数对特征进行操作，然后通过反向小波变化和门控卷积得到最终的输出特征。
33、本专利技术的有益效果如下：
34、为了弥补当前基于深度学习的低光照图像增强方法的不足，本专利技术提出了一种创新的基于先验知识引导的低光照图像增强方法。该方法旨在通过引入基于小波的transformer模块，从而提取低光照分布的空间变化特征，以更全面地指导小波谱的学习，实现更有效的低光照图像增强。这种方法能够更好地保留图像的细节信息，并且在细节部分的恢复方面表现出色。整体而言，该方法通过对称分层网络结构，巧妙地融合了潜在编码、扩散模型、基于小波的transformer模块，以及上下采样模块，使得不同尺度的特征得到了有效的融合和补充。并且使用先验知识对模型训练方向进行引导，通过将先验知识与图像特征结合，网络能够更好地捕捉图像中的细节信息。最终，通过优化损失函数，网络能够生成质量更高、信息更丰富的增强图像。该方法的独特之处在于其对细节信息的保留能力，尤其在低光照条件下，成功解决了图像细节部分的恢复问题，为低光照图像增强提供了一种高效的解决方案。
本文档来自技高网...【技术保护点】
1.一种基于小波谱学习的低光照图像增强方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于小波谱学习的低光照图像增强方法，其特征在于，所述FASA使用Haar小波来将输入图像分为低频部分和高频部分，并分别应用通道自注意力机制，最后经过反向小波变化操作得到FASA的输出；所述WMFN网络同样先经过小波变化，并将先验知识P经过线性操作转化为成对的参数(η，γ)，使用这些参数对特征进行操作，然后通过反向小波变化和门控卷积得到最终的输出特征。
【技术特征摘要】
1.一种基于小波谱学习的低光照图像增强方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于小波谱学习的低光照图像增强方法，其特征在于，所述fasa使用haar小波来将输入图像分为低频部分和高频部分，并分别应...
【专利技术属性】
技术研发人员：闫庆森，张艳宁，王海深，胡涛，孙瑾秋，朱宇，
申请(专利权)人：西北工业大学，
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。