CN118941483B 基于动态特征聚合和色彩校正的零样本低光图像增强方法 （武汉工程大学）

基于动态特征聚合和色彩校正的零样本低本发明公开了一种基于动态特征聚合和色通过跳跃连接和注意力机制自适应选择和学习2S2、对修正后的增强曲线的参数矩阵和初步的增强曲线进行修正，对测试图像通过修正后其对应的增强曲线迭代k次，得到最终的增强图2.根据权利要求1所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，3.根据权利要求2所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，S2b、根据总损失函数值通过反向传播方法对增强曲线估计网络进行预设的训练轮数4.根据权利要求3所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，3y(i,j)=YR(i,j)BYC(i,j)田yp(i,j)5.根据权利要求4所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，将缩放后的训练图像及其色彩校正因子拼接后输入对于缩放后的训练图像及其色彩校正因子拼接后的输入，首先使用一个个3×3卷积层和Sigmoid以及ReLU激活函数，得到特征图中所有像素的权重PA,进行一次4R=conv3(Far)BF,n={1,2}将两个动态特征提取模块提取到的不同深度的特征通agg将F通过两个3×3的后处理卷积层，预测得到尺寸为3k×n×n的增强曲线的参数矩agg阵对应于低光图像每个颜色通道中每个像素6.根据权利要求5所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，依据预设曲线表达式得到相应的增强曲线，对缩放后的训练图像Y=yi-1+py⃞i-1(1-yi-1),i={1,2,…,k每一次迭代增强都以前一次迭代增强的输出作为输入，经过k次迭代后输出初步的增7.根据权利要求6所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，计算初步的增强结果和缩放后的训练图像之间的邻对初步的增强结果分别计算全局色彩损失Lrgb以及亮度损失Lbr；其中，全局色彩损失5m和Yn分别表示m和n颜色通道的平均亮度；8.根据权利要求3所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，在得到总损失函数值后，使用ADAM优化器以1e_4的学习率根据总损失函数值通过反向9.根据权利要求1所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，10.根据权利要求1所述的基于动态特征聚合和色彩校正的零样本低光图像增强方法，6式能够有效解决训练样本获取困难和模型泛化能力受7值的最大值和最小值计算得到其对应的色彩[0016]S2b、根据总损失函数值通过反向传播方法对增强曲线估计网络进行预设的训练[0022]y(i,j)=YR(i,j)BYC(i,j)BYP(i,j)8征提取模块以第一个动态特征提取模块的输出作为输入，在第一个动态特征提取模块中，通过两个3×3卷积层和Sigmoid以及ReLU激活函数，得到特征图中所有像素的权重PA,进[0041]将两个动态特征提取模块提取到的不同深度的特征通过注意力运算进行动态聚agg[0043]将F通过两个3×3的后处理agg9数矩阵予,对应于低光图像每个颜色通道中每个像素的k次迭代过程的增强曲线。[0049]yi=yi-1+PIyi-1(1-yi-1),i={1,2,…,k}[0051]每一次迭代增强都以前一次迭代增强的输出作为输入，经过k次迭代后输出初步[0069]在得到总损失函数值后，使用ADAM优化器以1e_4的学习率根习的方式能够有效解决训练样本获取困难和模型泛化能力受训练数据[0076]图3为本发明实施例中动态特征提取模块、通道注意块及像素注意块的结构示意[0084]其中MAX和MIN分别表示标准化后的像素值范围，φ和分别[0085]Y(i,j)=yn(i,j)BYC(ij)BYP(i,)[0099]接下来将两个动态特征提取模块提取到的不同深度的特征通过额外的注意力运曲线的参数矩阵对应于低光图像每个颜色通道中每个像素的八次迭代过程的增强曲[0106]yi=yi-1+PIyi-1(1-yi-1),i={1,2,…,8损失Lrgb以及亮度损失Lbr。邻域对比度损失通过分别计算增强前后相邻区域间亮度大小关[0111]其中A是图像中划分出的大小为4×4的局部区域个数，N4(i