欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021113367610
申请人: 广州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种利用时频域层级处理的低光照图像增强方法,其特征在于,包括以下步骤:S1、构建低光照图像数据集,包括低光照图像数据集的采集和标注,合理划分训练数据集和测试数据集;

S2、建立低光照图像增强网络框架,使用深度学习中的卷积神经网络搭建整个网络框架,针对低光照图像存在的问题设计相应的模块,构建一个基于深度学习的低光照图像增强网络;

S3、进行模型训练,利用步骤S1划分好的训练数据集对步骤S2构建的低光照图像增强网络框架进行迭代训练;

S4、进行模型测试,利用步骤S3训练后保存的模型对步骤S1划分好的测试数据集进行检测;

步骤S2中低光照图像增强网络框架,包括:

时域亮度增强模块,用于提升暗光图像的亮度水平;

频域噪声抑制模块,用于滤除图像的噪声;

时域细节重构模块,用于恢复图像的细节部分,包含图像的结构和纹理;

各个模块均由动态增强单元DEU作为基本的元素,利用多种构建方法组成,并使用L1正则化损失、总变分差TV损失和拉普拉斯损失组合为一组约束条件用作网络的总损失函数;

步骤S212中动态增强单元DEU分别采用核为3×3和5×5的卷积构成两条处理通路对特征进行增强,利用这两条处理通路提取特征信息;再利用特征相加操作融合两条通路的输出特征,将融合后的特征以并行的方式分别输入到由卷积层构成的网络通路中,增强学习到的特征以及通过级联方式融合其信息,再增加一组核为1×1和3×3的卷积平衡融合后的特征,整个过程定量可表示为:f=Rconv3(X

其中,X

动态注意力机制模块DAM由并行的三分支组成,按从上到下的顺序依次是通道注意力分支、筛选分支、像素注意力分支;其中,通道注意力分支由全局平均池化、1×1卷积、ReLU激活函数、1×1卷积以及Sigmoid激活操作顺序组成;筛选分支,通过利用线性层和Softmax操作构成分类处理系统,该分支的输出结果为一组分类得分数值(x,y);像素注意力分支由1×1卷积、ReLU激活函数、1×1卷积以及Sigmoid激活操作顺序组成;动态注意力机制模块DAM的工作过程可表示为:其中,X

2.根据权利要求1所述的一种利用时频域层级处理的低光照图像增强方法,其特征在于,步骤S1中构建低光照图像数据集的具体步骤如下:S11、进行图像收集,通过两种途径获取暗光图像,包括从各个摄影学网站收集的低光照图像和利用现有的单反摄像设备、多种品牌的手机,在现实的白天及夜晚场景中人工采集图像;在白天场景中,通过调节摄像设备光圈分别采集同一场景的两种类型图像,分别是正常光照图像以及低光照图像;在夜晚及暗光环境中,将摄像设备光圈置于正常范围,对物体进行拍摄,采集低光图像;

S12、进行数据集标注,对所获得的图像进行分类,利用人工对从网站上收集的以及夜晚条件下拍摄的图像进行人工标注,将同一场景的低光图像和与其对应的正常光照图像称为一组图像对,并将图像对的文件名按照自然数顺序重命名;

S13、进行数据集划分标注,将收集的所有图像按照7:3的比例随机划分为训练数据集和测试数据集。

3.根据权利要求1所述的一种利用时频域层级处理的低光照图像增强方法,其特征在于,时域亮度增强模块的具体实现过程如下:S211、将输入图像经过一层核3x3的卷积操作获得一组特征;

S212、将该特征输入类人眼机制工作的动态增强单元DEU增强特征,使其更能表征图像的亮度水平并利用统计特性增强亮度;

S213、利用一层核3x3的卷积与Tanh激活操作将图像编码后输出,完成初步的亮度提升;

频域噪声抑制模块的具体实现过程如下:

S221、将时域亮度增强模块得到的图像利用小波变换DWT将图像特征变换到频域;

S222、利用动态增强单元DEU以及基本的卷积对特征进行处理;

S223、通过对处理后的图像逐渐小波逆变换IDWT使其变换回时域图像,再进入时域细节重构模块的处理;

时域细节重构模块的具体实现过程如下:

S231、将时域亮度增强模块和频域噪声抑制模块的输出结果图级联,并输入到时域细节重构模块;

S232、对该输入图像经过数层卷积层以及多个动态增强单元DEU,进行图像边缘增强,颜色恢复以及细节信息重构;

S233、输出最终整个网络的增强图像。

4.根据权利要求3所述的一种利用时频域层级处理的低光照图像增强方法,其特征在于,步骤S211的具体过程为:将图像大小为H×W,通道数为3的输入图像S∈R

5.根据权利要求3所述的一种利用时频域层级处理的低光照图像增强方法,其特征在于,步骤S213初步的亮度提升过程可表示为:S

其中,S表示输入图像;F

6.根据权利要求3所述的一种利用时频域层级处理的低光照图像增强方法,其特征在于,特征进入时域细节重构模块后,按顺序经过1×1卷积,3×3卷积,三个动态增强单元DEU以及3×3卷积操作,并利用损失函数驱动;其中,损失函数采用如下定义:L

l

l

l

其中,L

7.根据权利要求1所述的一种利用时频域层级处理的低光照图像增强方法,其特征在于,步骤S3的具体过程如下:S31、进行模型训练时将输入图像尺寸调整为256×256,使用自适应矩估计优化器以运行平均值系数为(0.9,0.999)和0.000008的权重衰减训练网络,训练的迭代次数为150,批量化大小为8,初始学习率为0.0002,采用学习计划策略,在迭代次数到达60后学习率下降10%;

S32、每迭代训练10次保存一次模型。