【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于分层光照引导的低光照图像增强方法。
技术介绍
1、图像作为视觉信息的重要载体，其质量直接影响着计算机视觉系统的性能表现。在实际应用场景中，由于成像设备的物理限制和环境光照的不足，低光照图像普遍存在视觉信息难以识别、局部对比度低和噪声干扰严重等问题。这些退化不仅降低了图像的视觉质量，还会显著影响目标检测、文字识别、自动驾驶等高层视觉任务的准确性。研究表明，在低光照条件下，现有的视觉算法性能普遍出现不同水平下降。因此，低光照图像增强作为计算机视觉领域的基础性问题，具有重要的研究价值。
2、近年来，低光照图像增强方法经历了从传统图像处理到深度学习的范式转变。传统方法主要包括基于直方图调整的技术和基于retinex理论的方法。其中，直方图均衡化(histogram equalization,he)通过重新分配像素灰度值来提升图像对比度，但往往会导致过度增强和细节失真。retinex理论通过将图像分解为光照和反射分量来实现增强，此后一系列工作探索了retinex理论在低光图像增强中的应用。然而这类方法在光照估计的准确性和鲁棒性方面仍存在明显不足，特别是在处理复杂光照场景时容易产生光晕伪影和色彩失真。此外，基于变分模型的方法虽然在保持图像结构和细节方面具有优势，但由于缺乏对光照先验的有效建模，难以实现自适应的局部增强。
3、随着深度学习的发展，基于神经网络的低光照图像增强方法取得了显著进展，llnet与lightennet等早期工作通过端到端的训练实现了图像增强与去噪的联合优化
技术实现思路
1、针对上述现有技术的不足，本专利技术提供了一种基于分层光照引导的低光照图像增强方法，通过结合多粒度的光照估计和小波多尺度分析，并对多域重构特征进行融合，基于残差学习，从而提升低光照图像增强效果的鲁棒性。
2、为了解决上述技术问题，本专利技术采用了如下技术方案：
3、一种基于分层光照引导的低光照图像增强方法，包括如下步骤：
4、s1、获取待处理的低光照图像；
5、s2、将所述待处理的低光照图像作为训练后的低光照图像增强模型的输入，输出得到对待处理的低光照图像的图像增强结果；所述低光照图像增强模型包括分层光照估计器模块、双重光照特征调制模块和自适应增强模块；
6、所述低光照图像增强模型的训练过程如下：
7、s201、所述分层光照估计器模块通过将作为低光照图像增强模型输入的作为训练样本的低光照图像作为分层光照估计器模块中浅层光照估计器单元的输入，通过多粒度的光照映射函数进行浅层提特征提取得到低层视觉特征图，并作为深层光照估计器单元的输入，输出得到高层语义特征图；
8、s202、所述双重光照特征调制模块对所述低层视觉特征图和高层语义特征图分别通过光照引导小波调制单元和光照引导特征调制单元进行调制，分别得到小波调制特征图和特征调制特征图；
9、s203、所述自适应增强模块对所述小波调制特征图和特征调制特征图进行拼接，对拼接后的特征进行特征自适应融合和图像级增强处理，最终输出增强后的光照增强结果图像；
10、s204、采用由像素级重建损失函数、结构相似性损失函数和感知损失函数组成的多目标损失函数，计算低光照图像增强模型的训练损失，并以最小化多目标损失函数为目标，对低光照图像增强模型的参数进行更新；
11、s205、重复步骤s201至s204，直至低光照图像增强模型收敛或达到预设训练次数，则完成训练。
12、作为优选方案，步骤s201中，所述分层光照估计器模块包括浅层光照估计器单元和深层光照估计器单元；其中，所述浅层光照估计器单元包括级联的色彩空间变换模块、卷积层、高斯滤波层、多粒度的光照映射函数模块和归一化层，所述深层光照估计器单元包括级联的第一卷积层、实例归一化层、relu激活函数层和第二卷积层；
13、在分层光照估计器模块中，对作为分层光照估计器模块输入的低光照图像，分别作为浅层光照估计器单元和深层光照估计器单元的输入，浅层光照估计器单元的输出得到低层视觉特征图，将所述浅层光照估计器单元的输出与作为输入的低光照图像，均作为深层光照估计器单元的输入，深层光照估计器输出得到高层语义特征图。
14、作为优选方案，所述浅层光照估计器单元的处理过程为：
15、
16、
17、iμ＝εshallow(ilow)＝μ(lnorm)；
18、式中，表示浅层光照估计器单元引入高斯滤波提取的亮度图，表示从rgb空间到hsv空间变换操作并截取最后一个通道v，gσ表示标准差为σ的高斯核，表示卷积操作，ilow表示输入的低光照图像，lnorm表示对高斯滤波后的亮度图进行归一化处理，lmin和lmax分别表示亮度图的最小值和最大值，∈表示数值稳定性常数，γ表示归一化系数，μd、μn、μb分别表示光照分布图的暗区、正常区、亮区，d、n、b分别代表dark、normal、bright，(a,b)表示光照区间的特征阈值，δ和β表示控制sigmoid函数的陡峭程度，表示浅层估计器的三通道光照映射，表示每个分量，iμ表示εshallow输出的低层视觉特征图，εshallow(·)表示浅层光照估计器单元。
19、所述深层光照估计器单元的处理过程为：
20、
21、式中，fμ表示εdeep输出的高层语义特征图，εdeep(·)表示高层光照估计器单元，[·,·]表示通道维度的特征拼接，relu表示relu激活函数，in表示实例归一化，和分别表示两个卷积层的权重，k表示卷积核大小。
22、作为优选方案，步骤s202中，所述双重光照特征调制模块包括光照引导小波调制单元和光照引导特征调制单元；其中，所述光照引导小波调制单元包括依次级联的小波系数处理器网络、光照调制网络和区域增强单元，所述光照引导特征调制单元包括并联的3个特征提取单元、连接层、特征融合层、通道注意力单元和空间注意力单元，并联的3个特征提取单元与连接层和特征融合层的级联结果与融到注意力单元和空间注意力单元的级联结果并联，其中，所述并联的3个特征提取单元分别为卷积核为1的特征提取单元、卷积核为2的特征提取单元和卷积核为3的特征提取单元；
23、在光照引导小波调制单元中，将作为低光照图像增强模型输入的低光照图像进行特征提取得到基本文档来自技高网...
【技术保护点】
1.一种基于分层光照引导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所述的基于分层光照引导的低光照图像增强方法，其特征在于，步骤S201中，所述分层光照估计器模块包括浅层光照估计器单元和深层光照估计器单元；其中，所述浅层光照估计器单元包括级联的色彩空间变换模块、卷积层、高斯滤波层、多粒度的光照映射函数模块和归一化层，所述深层光照估计器单元包括级联的第一卷积层、实例归一化层、Re-LU激活函数层和第二卷积层；
3.根据权利要求2所述的基于分层光照引导的低光照图像增强方法，其特征在于，所述浅层光照估计器单元的处理过程为：
4.根据权利要求1所述的基于分层光照引导的低光照图像增强方法，其特征在于，步骤S202中，所述双重光照特征调制模块包括光照引导小波调制单元和光照引导特征调制单元；其中，所述光照引导小波调制单元包括依次级联的小波系数处理器网络、光照调制网络和区域增强单元，所述光照引导特征调制单元包括并联的3个特征提取单元、连接层、特征融合层、通道注意力单元和空间注意力单元，并联的3个特征提取单元与连接层和特征融合层的级联结果
5.根据权利要求4所述的基于分层光照引导的低光照图像增强方法，其特征在于，所述光照引导小波调制单元中的所述小波系数处理器网络包括级联的归一化单元和卷积激活单元，所述归一化单元包括依次连接的卷积层、实例归一化层和RReLU激活函数层，所述卷积激活单元包括依次连接的卷积层和ReLU激活函数层；其中，将输入的特征作为归一化单元的输入，归一化单元的输出作为第一卷积激活单元的输入，第一卷积激活单元的输出作为第二卷积激活单元的输入，第二卷积激活单元的输出与归一化单元的输出进行相加操作后通过Sigmoid激活函数，得到小波系数处理器网络的输出；
6.根据权利要求5所述的基于分层光照引导的低光照图像增强方法，其特征在于，所述光照引导小波调制单元的处理过程为：
7.根据权利要求4所述的基于分层光照引导的低光照图像增强方法，其特征在于，所述光照引导特征调制单元的处理过程为：
8.根据权利要求2所述的基于分层光照引导的低光照图像增强方法，其特征在于，步骤S203中，所述自适应增强模块包括特征融合单元和图像级增强单元；
9.根据权利要求8所述的基于分层光照引导的低光照图像增强方法，其特征在于，所述特征融合单元的处理过程为：
10.根据权利要求2所述的基于分层光照引导的低光照图像增强方法，其特征在于，步骤S204中，所述像素级重建损失函数为：
...【技术特征摘要】
1.一种基于分层光照引导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所述的基于分层光照引导的低光照图像增强方法，其特征在于，步骤s201中，所述分层光照估计器模块包括浅层光照估计器单元和深层光照估计器单元；其中，所述浅层光照估计器单元包括级联的色彩空间变换模块、卷积层、高斯滤波层、多粒度的光照映射函数模块和归一化层，所述深层光照估计器单元包括级联的第一卷积层、实例归一化层、re-lu激活函数层和第二卷积层；
3.根据权利要求2所述的基于分层光照引导的低光照图像增强方法，其特征在于，所述浅层光照估计器单元的处理过程为：
4.根据权利要求1所述的基于分层光照引导的低光照图像增强方法，其特征在于，步骤s202中，所述双重光照特征调制模块包括光照引导小波调制单元和光照引导特征调制单元；其中，所述光照引导小波调制单元包括依次级联的小波系数处理器网络、光照调制网络和区域增强单元，所述光照引导特征调制单元包括并联的3个特征提取单元、连接层、特征融合层、通道注意力单元和空间注意力单元，并联的3个特征提取单元与连接层和特征融合层的级联结果与融到注意力单元和空间注意力单元的级联结果并联，其中，所述并联的3个特征提取单元分别为卷积核为1的特征提取单元、卷积核为2的特征提取单元和卷积核为3的特征提取单元；
5.根据权利...
【专利技术属性】
技术研发人员：齐颖，李秋实，黄昭源，李健，张强，
申请(专利权)人：西北师范大学，
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。