CN118781001B 一种基于深度可分离卷积的低光照图像快速清晰化方法 （北京航空航天大学）

一种基于深度可分离卷积的低光照图像快本发明公开了一种基于深度可分离卷积的照图像清晰化网络模型，构建训练用的损失函清晰化网络模型的参数，得到训练好的处理模2包括一个基础的3*3的卷积和若干个步长为2的3*3卷积，每个步长为2的3*3卷积的输多尺度模块中，先经过批处理归一化模块，再分别卷积降维到原始通道数，最后经过ReLU激活函数后与原始输入进行元素相加得到输出结特征提取模块包括若干个类注意力卷积模块，类注意力卷积包括若干个上采样块，上采样块包括一个放大倍数为两倍的可微分的双线性插值层，2.根据权利要求1所述的一种基于深度可分离卷积的低光照图像快速清晰化方法，其对上述二阶调整曲线进行迭代处理，用上一级二阶调整曲线的输出作3.根据权利要求2所述的一种基于深度可分离卷积的低光照图像快速清晰化方法，其34.根据权利要求3所述的一种基于深度可分离卷积的低光照图像快速清晰化方法，其4[0003]目前常用的低光照图像增强方法主要包含基于传统方法的图像增强算法和基于[0004]基于传统方法的图像增强算法主要基于Retinex理论，将图像分解为照度图和反[0005]基于深度学习的图像增强算法主要使用卷积神经网络(CNN)分解照度图和反射则使用图像转换的方法，不使用额外的物理模型。深度学习的算法主要包括RetinexNet，5[0014]包括一个基础的3*3的卷积和若干个步长为2的3*3卷积，每个步长为2的3*3卷积6分别表示对曲线参数图水平方向和垂直方向求解梯度操作，和分别表示曲[0045]因此，本发明采用上述的一种基于深度可分离卷积的低光照图像快速清晰化方[0047](2)在本发明中，在原Zero_DCE算法的基础上更换为了类似U_Net的特征提取网[0050]图1为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法的总体流程7[0051]图2为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法中低光照图[0052]图3为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法中多尺度特[0053]图4为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法中类注意力[0054]图5为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法中输出调整[0055]图6为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法中采集的夜[0056]图7为本发明一种基于深度可分离卷积的低光照图像快速清晰化方法中处理结果[0059]如图1_图5所示，本发明提供一种基于深度可分离卷积的低光照图像快速清晰化个步长为2的3*3卷积的输出端均连接有8不同尺度的特征信息，不同的特征在通道维度进行拼接后，再使用一个PW(Pointwise个像素的加权平均值并整合到同一特征图当中，从而实现对图像像素级别的注意力增强，9[0087]为了保证图像增强后颜色不会发生较大的偏移，设置颜色恒定性损失的公式如分辨率为400*600。LSRW数据集是一个大规模的真实世界低光照和正常光照图像配对数据[0103]最后应说明的是：以上实施例仅用以说明本发明的