基于RWKV的低光RAW图像增强方法技术

本发明专利技术属于计算机视觉和图像处理技术领域，提出了基于RWKV的低光RAW图像增强方法。该方法通过直接使用RAW图像数据进行低光图像增强，改善了传统方法在处理低光RAW图像时的性能不足的问题，大幅提升了低光照RAW图像的质量，本发明专利技术RawRWKV模型的结构基于U‑Net架构，并引入CRF模块，包含并行的卷积分支和RWKV分支，结合了局部注意力和全局注意力机制，使其能够有效捕获图像中结构关系，同时引入了RWKV注意力机制，降低复杂度至O，大大降低了计算开销，该技术在低光图像增强方面展现了显著的技术优势，其高效的计算能力、出色的图像质量提升以及广泛的适用性，使其在多个领域具有重要的应用潜力。

【技术实现步骤摘要】

本专利技术涉及计算机视觉和图像处理，具体地说，涉及基于rwkv的低光raw图像增强方法。

技术介绍

1、随着计算机视觉技术的飞速发展，数字图像处理系统已广泛融入日常生活的方方面面；然而，在低光照环境下，图像常出现亮度不足、颜色失真和噪声干扰等问题，直接影响目标检测、安防监控等下游任务性能。传统物理方法(如增大光圈、延长曝光)虽可提高进光量，但受限于设备尺寸、动态模糊和噪声放大等缺陷，难以广泛应用。因此，算法增强成为解决低光照问题的核心方向。

2、为了增强低光图像，传统图像处理方法主要依赖于手工设计的算法，如直方图均衡化、retinex理论等；这些方法虽然在一定程度上能够改善图像的对比度和亮度，但往往无法有效处理复杂的低光照图像，尤其是对于噪声和色彩失真的问题。此外，这些方法通常需要手动调整参数，缺乏自适应性。随着深度学习技术的发展，基于卷积神经网络(cnn)的方法逐渐成为低光照图像增强的主流。这些方法通过学习从低光照图像到高质量图像的映射关系，能够自动提取图像特征并进行增强。然而，现有的基于cnn的方法主要关注局部特征，难以捕捉图像中的长距离依本文档来自技高网...

【技术保护点】

1.基于RWKV的低光RAW图像增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于RWKV的低光RAW图像增强方法，其特征在于：S1中对图像采样的表达式如下：感知低光照RAW图像I，RAW图像I对应的尺寸H×W×1，H和W分别为RAW图像I的高度和宽度；设定O为输出通道图像，输出通道图像的尺寸为则计算公式为：其中i,j为输出图像坐标，k为输入通道索引；I2i+m,2j+n,0表示RAW图像I中，坐标为(2i+m,2j+n)，通道索引为0的像素值。

3.根据权利要求1所述的基于RWKV的低光RAW图像增强方法，其特征在于：S2中的卷积嵌入层通过3×3...

【技术特征摘要】

1.基于rwkv的低光raw图像增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于rwkv的低光raw图像增强方法，其特征在于：s1中对图像采样的表达式如下：感知低光照raw图像i，raw图像i对应的尺寸h×w×1，h和w分别为raw图像i的高度和宽度；设定o为输出通道图像，输出通道图像的尺寸为则计算公式为：其中i,j为输出图像坐标，k为输入通道索引；i2i+m,2j+n,0表示raw图像i中，坐标为(2i+m,2j+n)，通道索引为0的像素值。

3.根据权利要求1所述的基于rwkv的低光raw图像增强方法，其特征在于：s2中的卷积嵌入层通过3×3的卷积核conv3×3在通道图像上滑动，覆盖通道图像3×3的局部区域，而后将卷积核中的每个元素与对应位置的图像像素值相乘，再将乘积相加，得到数据，而后在通道图像的每个位置重复上述操作，得到局部特征。

4.根据权利要求3所述的基于rwkv的低光raw图像增强方法，其特征在于：所述s2中增加模型非线性的表达式为：

5.根据权利要求1所述的基于rwkv的低光raw图像增强方法，其特征在于：所述s3中的卷积分支用于获取图像的局部特征，对应的表达式为：o1＝leakyrelu(conv3×3(i))；rwkv分支结构包括sp...

【专利技术属性】
技术研发人员：陈翔飞，刘永洲，董兴波，金哲，
申请(专利权)人：安徽大学，
类型：发明
国别省市：