【技术实现步骤摘要】
本专利技术属于计算机数字图像处理，具体涉及双注意力机制的弱光图像增强方法。
技术介绍
1、目前，越来越多的照片在光照条件不足的情况下拍摄，导致获得的照片亮度较低，形成低照度图像。低光成像的应用范围逐渐扩大，涵盖夜晚的摄像监视和光照条件不足时的风景成像等多个领域。然而，低照度图像在视觉感知上存在较多挑战，其图像质量偏低，普遍存在大量噪声，图像细节模糊不清，以及人类感知的能见度较低等问题。如果直接将这样的图像用于相应的视觉任务处理，例如目标识别和目标分类等，将会受到明显的影响。为应对这些问题，对低光照图像进行增强成为一种常见的解决途径。在众多增强方法中，基于深度学习的增强方法通过从大量数据中学习弱光图像的特征表示，展现了其独特的优势。通过训练深度学习网络，使其能够理解低照度图像中的模式，从而实现更高级别的增强，并在此过程中减少噪声的影响。因此，基于深度学习的图像增强算法在安防监控、目标检测、视频监测等不同领域都发挥着不可替代的作用，成为当前重要的研究领域之一。
2、目前，现有的低光照图像增强方法主要分为四个大类，包括基于自编码器...
【技术保护点】
1.双注意力机制的弱光图像增强方法，其特征在于，采用EDAformer集成卷积自注意力模块和自注意力模块，使网络同时关注低光照图像的局部和全局信息，采用递归的方式实现网络架构，最终将网络输出特征融合为重建图像，通过动态调整损失函数的权重，以约束网络达到最优的融合结果，从弱光环境中的可见光图像出发得到最终增强图像。
2.根据权利要求1所述的双注意力机制的弱光图像增强方法，其特征在于，具体按照以下步骤实施：
3.根据权利要求2所述的双注意力机制的弱光图像增强方法，其特征在于，所述步骤1具体按照以下步骤实施：
4.根据权利要求3所述的双注...
【技术特征摘要】
1.双注意力机制的弱光图像增强方法，其特征在于，采用edaformer集成卷积自注意力模块和自注意力模块，使网络同时关注低光照图像的局部和全局信息，采用递归的方式实现网络架构，最终将网络输出特征融合为重建图像，通过动态调整损失函数的权重，以约束网络达到最优的融合结果，从弱光环境中的可见光图像出发得到最终增强图像。
2.根据权利要求1所述的双注意力机制的弱光图像增强方法，其特征在于，具体按照以下步骤实施：
3.根据权利要求2所述的双注意力机制的弱光图像增强方法，其特征在于，所述步骤1具体按照以下步骤实施：
4.根据权利要求3...
【专利技术属性】
技术研发人员：苏浩楠，张锦，金海燕，肖照林，
申请(专利权)人：西安理工大学，
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。