System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机视觉,具体涉及一种基于高频联合光照先验的单阶段低光照图像增强方法。
技术介绍
1、低光照图像增强是计算机视觉领域中一项重要且具有挑战性的任务。其目标是改善因低光条件而导致的图像低可见度和低对比度问题,同时修复由黑暗环境或点光源引入的损伤,例如噪声、伪影和颜色失真等。这些问题不仅对人类视觉感知构成挑战,而且对其他视觉任务,特别是夜间目标检测等,提出了严峻的挑战。
2、在过去的研究中,为解决低光照图像增强问题,涌现出了许多算法。然而,现有方法往往存在一些局限性。传统方法如直方图均衡化和伽马校正通常导致不期望的伪影,因为它们未充分考虑图像的全局上下文信息。此外,基于卷积神经网络(cnn)的方法在捕获长程依赖性和非局部自相似性方面也存在一定限制,这对于图像恢复至关重要。
3、retinex理论是基于色彩恒常的一种代表性计算理论,全称是视网膜皮层理论(retinal-cortex theory)。retinex理论认为人类知觉到的物体表色与物体表面的反射性质有着密切的关系。照度引起的色彩变化一般是平缓的,通常表现为平缓的照明梯度,而由表面反射性质引发的颜色变化效应则往往表现为突变形式。通过分辨这两种变化形式,人们就能将图像的照度变化作出区分,从而得知由照度变化引起的表色变化,使对表色的知觉保持横常。
4、基于retinex理论的低亮度图片增强算法,通常把图片分解为亮度分量和反射分量,通过增强分解得到的亮度部分,最后将增强的亮度分量与反射分量融合得到增强后的低亮度图片。
5
6、为了克服这一限制,一些研究者提出了cnn-transformer混合算法,例如snr-net。这些混合方法在u形cnn的最低空间分辨率下仅使用单个全局transformer层,以降低计算复杂度。虽然这样的策略在一定程度上降低了计算成本,但仍然保持了transformer在捕获全局信息方面的优势。
7、尽管已经取得了一些进展,但将transformer应用于低光照图像增强的潜力仍需进一步挖掘和开发。未来的研究可能集中在优化transformer结构,以降低计算成本并提高性能,从而更好地满足低光照条件下图像处理的需求。这些努力将有助于推动低光照图像增强技术迈向更加高效和可行的方向。
8、因此,有必要提供一种尽可能充分利用图像局部信息与全局信息,增强信息交互、增强模型鲁棒性的低光照图像增强方法。
技术实现思路
1、为解决上述技术问题,本专利技术提出一种基于高频联合光照先验的单阶段低光照图像增强方法,包括:构建低光照图像增强网络模型,并进行训练,通过训练完成后的低光照图像增强网络模型重建低光照图像对应的正常光照图像;
2、所述低光照图像增强网络模型包括三个卷积层构成的特征提取模块、空间特征调制模块(safm)、多头自注意力模块(ihg-msa)、由空间特征调制模块(safm)和高频联合光照引导的多头自注意力模块(ihg-msa)组成的高频光照联合引导的注意力模块(ihgab);
3、所述低光照图像增强网络模型训练过程,包括:
4、s1:获取低光照图像及其对应的正常光照图像,并通过低光照图像获取对应的光照先验图像和高频先验图像;
5、s2:将低光照图、光照先验图像和高频先验图在通道维度进行拼接后,输入特征提取模块进行特征提取,得到点亮特征和光照-高频特征;
6、s3:将低光照图像与点亮特征融合生成点亮图;
7、s4:将点亮图输入空间特征调制模块(safm),以增强低光照图像的局部特征;
8、s5:将点亮图和光照-高频特征输入多头自注意力模块(ihg-msa),以增强低光照图像的全局特征;
9、s6:通过高频光照联合引导的注意力模块(ihgab)融合空间特征调制模块(safm)和多头自注意力模块(ihg-msa)的输出特征对图像进行细化,得到图像增强后的图像;
10、s7:通过图像增强后的图像与低光照图像对应的正常光照图像构建模型的损失函数,当损失函数收敛,则完成模型的训练。
11、本专利技术的有益效果:
12、本专利技术通过一种新的自注意力机制ihg-msa,在其中引入一种高频先验,在不引入额外计算的情况下,提高了网络对细节的建模能力;同时,考虑到transformer更倾向于对于信息的全局建模,引入了一种基于卷积神经网络的信息调制模块safm,增强网络的局部建模能力。
本文档来自技高网...【技术保护点】
1.一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,包括:构建低光照图像增强网络模型,并进行训练,通过训练完成后的低光照图像增强网络模型重建低光照图像对应的正常光照图像;
2.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,通过低光照图像获取对应的光照先验图像和高频先验图像,包括:
3.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,将低光照图、光照先验图像和高频先验图在通道维度进行拼接后,输入特征提取模块进行特征提取,得到点亮特征和光照-高频特征,包括:
4.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,将低光照图像与点亮特征融合生成点亮图,包括:
5.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,采用空间特征调制模块(SAFM)增强低光照图像的局部特征,包括:
6.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,采用多头
7.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,通过高频光照联合引导的注意力模块(IHGAB)融合空间特征调制模块(SAFM)和多头自注意力模块(IHG-MSA)的输出特征对图像进行细化,得到图像增强后的图像,包括:
8.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,通过图像增强后的图像与低光照图像对应的正常光照图像构建模型的损失函数,包括:
...【技术特征摘要】
1.一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,包括:构建低光照图像增强网络模型,并进行训练,通过训练完成后的低光照图像增强网络模型重建低光照图像对应的正常光照图像;
2.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,通过低光照图像获取对应的光照先验图像和高频先验图像,包括:
3.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,将低光照图、光照先验图像和高频先验图在通道维度进行拼接后,输入特征提取模块进行特征提取,得到点亮特征和光照-高频特征,包括:
4.根据权利要求1所述的一种基于高频联合光照先验的单阶段低光照图像增强方法,其特征在于,将低光照图像与点亮特征融合生成点亮图,包括:
5.根据权利要求1所...
【专利技术属性】
技术研发人员:王诗言,张驰,王译苹,谢博,徐慧玲,
申请(专利权)人:重庆邮电大学,
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。