【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及基于多级收敛块和综合损失函数系统的极低光图像增强方法。
技术介绍
1、在极低的光照条件下，由于光通量受限，图像通常会出现低亮度、低对比度和大量噪声。这导致图像细节不清晰，并使人眼难以辨别有意义的信息。为了解决这个问题，极低光图像增强技术旨在提高图像清晰度，增强细节，减少噪声，同时提高亮度和对比度。这项技术在夜间射击、监视、军事侦察和医学成像等各个领域都有广泛的应用。
2、自2017年以来，以llnet为代表的基于深度学习的极低光图像增强方法越来越受欢迎。这些解决方案在raw格式或rgb格式的数据集上使用不同的学习策略，试图解决极低光图像增强的问题。如基于监督学习的mbllen、retinex-net、lpnet、dslr、基于强化学习的deepexposure、基于无监督学习的enlightengan、excnet、zero-dce和基于半监督学习的drbn等。
3、然而，这些模型是使用lol数据集训练的，并且它们的图像照明仍然与真实的暗光环境不同。此外，transformer...
【技术保护点】
1.基于多级收敛块和综合损失函数系统的极低光图像增强方法，其特征在于：
2.根据权利要求1所述的基于多级收敛块和综合损失函数系统的极低光图像增强方法，其特征在于：U-Net网络结构的前n层和输出层的特征图被送到所述选择块中，首先使用全局池化和多层感知机MLP在空间中计算通道权重以捕获包含信息的通道，然后通过在所述通道中使用全局池化来获得空间权重以寻找所述特征图中的边缘信息；通过三者相乘和卷积运算获得输出其中H、W、C分别表示高度、宽度和通道数；
3.根据权利要求2所述的基于多级收敛块和综合损失函数系统的极低光图像增强方法，其特征在于：将所述输入...
【技术特征摘要】
1.基于多级收敛块和综合损失函数系统的极低光图像增强方法，其特征在于：
2.根据权利要求1所述的基于多级收敛块和综合损失函数系统的极低光图像增强方法，其特征在于：u-net网络结构的前n层和输出层的特征图被送到所述选择块中，首先使用全局池化和多层感知机mlp在空间中计算通道权重以捕获包含信息的通道，然后通过在所述通道中使用全局池化来获得空间权重以寻找所述特征图中的边缘信息；通过三者相乘和卷积运算获得输出其中h、w、c分别表示高度、宽度和通道数；
3.根据权利要求2所述的基于多级收敛块和综合损失函数系统的极低光图像增强方法，其特征在于：将所述输入到所述去噪块中，计算所述特征图中所有特征的绝对值，经过全局平均池化后获得一...
【专利技术属性】
技术研发人员：王康康，刘宁，周红，陆昱翀，洪展鹏，许吉，
申请(专利权)人：南京邮电大学，
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。