CN115223004B 基于改进的多尺度融合生成对抗网络图像增强方法 （长安大学）

基于改进的多尺度融合生成对抗网络图像本发明公开了一种基于改进的多尺度融合本发明在生成器中引入通道注意力机制和残差2步骤2：建立改进的生成对抗网络图像增强模型步骤23：将步骤22获得的图像信息送入深度特征提取步骤26，将步骤25得到的输出特征图与训练集其对应的原始图像共同连接Concat层，步骤3：将待处理的真实的低照度图像输入步骤2得到的2.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在3.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在34.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在5.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在步骤231：位于通道注意力模块之前的残差稠密块输出的特征图分别进入通道注意力步骤232：第一个支路使用全局平均池化将残差稠密块得到的特征图信息转化为通道描述符，将CxHxW的特征图像转换为Cx1x1的特征图；步骤233：第二个支路使用全局最大池化将残差稠密块得到的特征图信息每个通道中步骤234：将步骤232和步骤233获得的特征图分别通过两个卷积层放大缩小相同倍数6.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在7.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在其中，是指生成器生成样本的分布与真实图片分布之间的Wasserstein距离，pg表示图片取自生成器网络输出的生成图片集，~pr表示图片取自训练集中的正常照度图像集，~p表示图片取自生成样本与真实样本之间区域，G(x)表示生成器根据原始输入图像x生成的图像，D(x)表示判别器对原始输入图像x的判别8.如权利要求1所述的基于改进的多尺度融合生成对抗网络图像增强方法，其特征在45然度保真和细节增强上取得一定平衡但Retinex未考虑到实际情况往往不能满足光照图像[0004]本发明的目的在于提供一种基于改进的多尺度融合生成6所述改进的生成对抗网络图像增强模型包括生成[0009]所述生成器对输入其中的低照度图像数据集中每个图像的处理过程包括如下子3。7[0029]步骤231：位于通道注意力模块之前的残差稠密块输出的特征图分别进入通道注[0030]步骤232：第一个支路使用全局平均池化将残差稠密块得到的特征图信息转化为[0031]步骤233：第二个支路使用全局最大池化将残差稠密块得到的特征图信息每个通[0032]步骤234：将步骤232和步骤233获得的特征图分别通过两个卷积层放大缩小相同个实例归一化层和一个relu激活函数，用来防止梯度消失；在最后1个卷积层后设有一个8[0047](2)本发明改进的生成对抗网络模型生成器中引入通道注意力机制，改善增强后[0048](3)本发明改进的生成对抗网络模型生成器中引入残差稠密块，利用多层网络多[0049](4)本发明改进的生成对抗网络模型，判别器中采用基于马尔可夫判别器网络包[0050](5)本发明改进的生成对抗网络模型对损失函数进行优化，在判别器损失函数中9[0083]生成对抗网络：是LanGoodfellow等人在2014年提出一由生成网络(GenerativeNetwork)和判别网络(DiscriminativeNetwork)两部分共同组[0109]步骤231：位于通道注意力模块之前的残差稠密块输出的特征图分别进入通道注[0110]步骤232：第一个支路使用全局平均池化将残差稠密块得到的特征图信息转化为[0111]步骤233：第二个支路使用全局最大池化将残差稠密块得到的特征图信息每个通[0112]步骤234：将步骤232和步骤233获得的特征图分别通过两个卷积层放大缩小相同以防止提取的特征数据在传输过程中发散，布之间的Wasserstein距离，pg表示图片取自生成器网络输出的生成图片集，~pr表[0126]条件损失目标是最大化判别器将生成图像判断为真实图像的概率，其损失函数知损失是计算将真实的清晰图像和生成器所得的生成图像输入到VGG_19网络中的conv3_3[0131]pi,j表示图像经过到VGG_19网络第j个最大池化层之前在第i个卷积层后获取的[0133]为了验证本发明的方法的可行性和有效性，给出了步骤3中利用测试集进行测试[0134]使用数据集中同样的训练集在DC_Gan，Cycle_Gan两种深度学习算法模型上分别好的DC_Gan网络和Cycle_Gan网络上进行对比实验，证明本发明的方法对图像增强效果提种不同光照的低照度图片增强效果，以模拟夜晚复杂光源带来的成像后图片亮度不同现[0141]本发明的改进的多尺度融合生成对抗网络图像增强络图像增强算法的PSNR提升17.12％,SSIM提升了17.56为图片的后续使用奠定了良好