CN116363011B 一种基于频域分频的多分支低照度图像增强方法 （福州大学）

一种基于频域分频的多分支低照度图像增本发明涉及一种基于频域分频的多分支低含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分度图像输入训练好的基于频域分频的多分支低2步骤D、使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图步骤E、将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型设计基于频域分频的多分支低照度图像增强网络，由基准分支、高I'1三个步骤B2中设计的基于多尺度特征协同注意力模块的UNet结构后，得到特征图3×3卷积后，与输入低照度图像I相加，分别得到基准分支、高频分支和低频分支的输出图像I,I,f3o是基于频域分频的多分支低照度图像增强网络的输出2.根据权利要求1所述的一种基于频域分频的多分支低照度图像增强方法，其特征在步骤A2、在每张尺寸为H×W×3的低照度图像中随机选择p×p×3的裁切区域进行裁3.根据权利要求1所述的一种基于频域分频的多分支低照度图像增强方法，其特征在设计浅层图像增强模块，输入为低照度图像IeRHXWX3,在通道维度上进行三次平相乘，得到每个位置的权重后，再与低照度图像I逐像素相加，得到输出图像具体公式表示如下：4.根据权利要求1所述的一种基于频域分频的多分支低照度图像增强方法，其特征在4到特征图再进入步骤B21中的多尺度特征协同注意力模块，得到特征图rieR:步骤B21中的多尺度特征协同注意力模块，得到特征图特征图F'2化后经过编码器E3，得到特征图F3E再进入步骤B21中的多尺度特征协同注意特征图F'4反卷积后与特征图F2相加，然后经过解码器D2，得到特征图特征图F'5反卷积后与特征图F1相加，然后经过解码器D3，得到特征图再进入步骤B21中的多尺度特征协同注意力模块，得到输出特征图具体公式如下：D132,3…6是不同阶段多尺度特征协同注意力模5.根据权利要求4所述的一种基于频域分频的多分支低照度图像增强方法，其特征在5Sigmoid激活函数，然后将得到的尺寸为1x1x3Cf的向量沿通道维度分为3个尺寸为1x1'12F'11"111213相加得到多尺度特征协同注意力模块的输出特征6.根据权利要求1所述的一种基于频域分频的多分支低照度图像增强方法，其特征在特征的操作；分别是基准分支、高频分支和低频分支输出的初始增强图67.根据权利要求1所述的一种基于频域分频的多分支低照度图像增强方法，其特征在分支和低频分支输出的初始增强图像高频信息增强图像低频信息增强图像出的初始增强图像高频信息增强图像低频信息增强图像和最终增强图像Io8.根据权利要求1所述的一种基于频域分频的多分支低照度图像增强方法，其特征在将待测低照度图像输入训练好的基于频域分频的多分支低照度图像得到基准分支、高频分支和低频分支输出的初始增强图像lAur高频信息增强图像低7[0003]早期的直方图均衡化方法通过将图像的灰度值分布调整为均匀分布来提高图像的对比度和亮度，基于模型的方法通过建立图像的物理模型或者统计模型来进行图像增学习的方法被提出。基于全局/局部自注意力机制学习图像中的局部和全局信息，分开增8[0010]步骤D、使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照[0011]步骤E、将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强[0021]设计浅层图像增强模块，输入为低照度图像IeRXIVX3,在通道维度上进行三I'eRa;具体公式表示如下：[0023]其中，I9是浅层图像增强模块的输出图像，I是输入的低照度图像，Sigmoid是道维度拼接的操作，AvgPool是通道维D19进入步骤B21中的多尺度特征协同注意力模块，得到特征图特征图F,2最大池化后经过编码器E3，得到特征图F3E再进入步骤B21中特征图F,4反卷积后与特征图F2相加，然后经过解码器D2，得到特征图特征图F,5反卷积后与特征图F1相加，然后经过解码器D3，得到特征图再进入步骤B21中的多尺度特征协同注意力模块，得到输出特征图具体公式如下：D13=1,2,3…6是不同阶段多尺度特征协同注意力模块的输出特征图。；[0042]步骤B212、设计空间协同注意力子模块，输入为步骤B221中得到的三个特征图F′3个尺F″I′3×3卷积后，与输入低照度图像I相加，分别得到基准分支、高频分支和低频分支的输出图像′′低照度图像I输入步骤B中的基于频域分频的多分支低照度图像增强网络，得到基准分支、高频分支和低频分支输出的初始增强图像Iur、高频信息增强图像低频信息增强图像输出的初始增强图像lAr、高频信息增强图像低频信息增强图像和最终增强图像[0075]将待测低照度图像输入训练好的基于频域分频的多分支预测得到基准分支、高频分支和低频分支输出的初始增强图像lhur高频信息增强图像低频信息增强图像和最终增强图像Io，取最终增强图像Io为生成的正常照度图[0078]图2是本发明优选实施例中基于频域分频的多分支低照度图像增强网络的结构[0079]图3是本发明优选实施例中基于多尺度特征协同注意力模块的UNet结构的结构[0088]步骤D、使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照[0089]步骤E、将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强I'e具体公式表示如下：[0100]I'=I+18sig[0101]其中，I9是浅层图像增强模块的输出图像，I是输入的低照度图像，Sigmoid是道维度拼接的操作，AvgPool是通道维D1进入步骤B21中的多尺度特征协同注意力模块，得到特征图特征图F,2最大池化后经过编码器E3，得到特征图Fae再进入步骤B21中的多尺度特征协同注意力模块，得到特征图特征图F,3经过解码器D1后，得到特征图入步骤B21中的多尺度特征协同注意力模块，得到输出特征图具体公式如下：D13=1,2,3…6是不同阶段多尺度特征协同注意力模块的输出特征图。[0120]步骤B212、设计空间协同注意力子模块，输入为步骤B221中得到的三个特征图F,F,11,F″I,1,×3卷积后，得到特征图fzeRC、fzeR心c,特征图f1、f2、后，与输入低照度图像I相加，分别得到基准分支、高频分支和低频分支的输出图像,′低频分支输出的初始增强图像Iur、