CN119477733A 一种基于自适应亮度提升与高保真色彩校正的低照度图像增强方法 （福州大学）

一种基于自适应亮度提升与高保真色彩校本发明提出一种基于自适应亮度提升与高建训练数据集，对成对的低照度/正常照度图像计基于自适应亮度提升与高保真色彩校正的低应增强图像亮度，并将图像色彩进行高保真校21.一种基于自适应亮度提升与高保真色彩校正的低照度图像增强方法，其特征在于，步骤S2、设计基于自适应亮度提升与高保真色彩步骤S4、使用步骤S1得到的训练数据集训练步骤S2中步骤S5、将待测低照度图像输入到训练好的基于自2.根据权利要求1所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增3.根据权利要求1所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增4.根据权利要求3所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增步骤S211、设计亮度先验提取模块，所述亮度先验提取模块个ParametricReLU激活函数；对于输入的RGB图像IneR3,首先将其转换至YUV色彩空间后得到Y、U和V通道的图像，其中Y通道的图像即为原始RGB图像的原始亮度分量随后利用所设计的亮度先验提取模块对原始亮度分量进行特征提取，步骤S212、设计多阶段双重注意力残差模块，所述多3＝ParameticReLU(Conv3(DARB(DAR一个ParametricReLU激活函数以及逐元素除法操作；首先将步骤S212中得到的高级亮度prior先验L'输入3×3卷积层与ParametricReLU激活函数得到充分提取后的最终亮度先验prior随后将原始图像的亮度分量Loriginal除以最终亮度先验得到自适应V通道图像与增强后的Y通道图像拼接到一起并转换回RGB色彩空间，即得到自适应增强后5.根据权利要求4所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增在经过一个由3×3卷积和ParametricReLU激活函数堆叠2次构成的卷积步骤S2122、设计通道注意力块，通道注意力块输入特征r"通过通道层级的全局平均池化操作与全局最大池化操作得到两个通道注意力权重和分别用于捕捉特征在通道层级的全局信息与局部信息；接着由1×1卷积与Parametric×1卷积层将通道数恢复至C；将得到的两个通道注意力权重进行逐元素相加后经过一个1×1卷积与Sigmoid激活函数得到最终的通道注意力权重将通道注意力权重与初始特征进行逐元素相乘即得到通道注意力块的输出特征具体4池化与全局最大池化得到两个空间注意力权重和分别用接后经过一个1×1卷积与Sigmoid激活函数得到最终的通道注意力权重将通道注意力权重与初始特征进行逐元素相乘得到空间注意力块的输出特征具体公式表示如下：进行拼接后经过一个3×3卷积与ParametricReLU激活函数，再将双重注意力残差块的输具体公式表示如下：6.根据权利要求3所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增步骤S221、设计色彩特征提取模块，所述色彩特征提取模骤S212中的多阶段双重注意力残差模块；对于步骤S21中的得到的自适应提亮后的图像步骤S222、设计渐进式多尺度特征融合模块，所述渐进步骤S223、设计高保真色彩图像输出模块，其核心包括一个3×3卷积层、一个输出图像色彩特征经过3×3卷积层和一个ParametricReLU激活函数后，将步骤S21中得到的自适应提亮后的图像Ilightened进行残差连接并经过一个Sigmoid激活函数得到最终色彩校正后的输出图像即亮度合适且色彩准确的高质量图像；具体公式57.根据权利要求6所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增步骤S2221、在第1个阶段中，设计下采样模块，所述下采样模块由3×3卷积和ParametricReLU激活函数堆叠2次构成；利用所设计的下采样模块将初始色彩特征总共得到5个不同尺度的特征，分别表示为和eco,步骤S2222、在第2阶段中，设计上采样模块，所述上采样模块由3×3转置卷积、到3个初步融合的多尺度特征和Fs3s2＝Fs3s1+Upsampl积和7×7卷积提取出3个不同感受野的特征和将它们相加后利用全局平均池化进行融合得到全局通道权重随后利用3个1×1卷积与Sigmoid激活函数的组合分别提取出针对3种感受野的特征权重和接着将这3个特征权重分别与原始的3个不同感受野特征相乘，以实现特征的自适应表征，得到3个自适应选择后的不同感受野特征和最后将3个自适应选择后的不同感受野特征相加得到自适应多感受野特征提取模块的输出随后，将其上采样至第4尺度并与第1阶段的第4尺度特征Fs4s1进行相加融合，得到多感受野下的全局特征具体公式表示如下：6和具体公式如下所示：段的特征进行多尺度融合，得到2个充分融合后的多尺度特征和具体公式如下所示：8.根据权利要求1所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增7转换到YUV色彩空间后的U和V通道图像，和分别表示将输出图像和参考图像转换到表示计算L1范2·)表示使用在ImageNet数据集上预训练的VGG_16分类步骤S33、步骤S2中的基于自适应亮度提升与高保真色彩校正的低照度图像增强网络的总目标损失函数ltotal即为自适应亮度提升子网络的目标损失函数lL与高保真色彩校正9.根据权利要求1所述的一种基于自适应亮度提升与高保真色彩校正的低照度图像增步骤S41、将步骤S1得到的用于训练的图像数据集进行随的低照度图像增强网络后得到自适应增强后的亮度分量Len以及最终输出图像Iout，使用步8方图均衡化利用图像的累积分布函数重新分配图像的灰度值，以增强图像的对比度。Retinex理论旨在解释人类视觉系统如何在不同的光照条件下感知色彩和亮度，认为原始图像可以分解为反射图与照度图两个部分，其中反射图表示物体表面的固有色彩和纹理，分解公式并不适用于自发光物体，因而基于Retinex理论的方法难以处理真实场景中的各9高保真色彩校正的低照度图像增强方法可以有效地避免增强过程中过曝和色彩失真的出[0008]本发明的目的在于提出一种基于自适应亮度提升与高保真色彩校正的低照度图和一个ParametricReLU激活函数；对于输入的RGB图像IneR3,首先将其转换至YUV色彩空间后得到Y、U和V通道的图像，其中Y通道的图像即为原始RGB图像的原始亮度分量随后利用所设计的亮度先验提取模块对原始亮度分量进行特征提取，prior[0024]L＝ParametricReLU(Convpriorprior亮度先验L'输入3×3卷积层与ParametricReLU激活函数得到充分提取后的最终亮度prior先验随后将原始图像的亮度分量Loriginal除以最终亮度先验得到自在经过一个由3×3卷积和ParametricReLU激活函数堆叠2次构成的卷积r"eRC和空间注意力分别由一个1×1卷积层将通道数恢复至C；将得到的两个通道注意力权重进行逐元素相加后经过一个1×1卷积与Sigmoid激活函数得到最终的通道注意力权重将通道注意力权重与初始特征进行逐元素相乘即得到通道注意力块的输出特征具体公式表示如下：平均池化与全局最大池化得到两个空间注意力权重和分别将通道注意力权重与初始特征进行逐元素相乘得到空间注意力块的进行拼接后经过一个3×3卷积与ParametricReLU激活函数，再将双重注意力残差块的输入特征作为残差与其进行逐元素相加，得到双重注意力残差块的输出特征具体公式表示如下：与步骤S212中的多阶段双重注意力残差模块；对于步骤S21中的得到的自适应提亮后的图通过5个阶段以及5种尺度下对色彩特征的提取与融合，得到输出图像色彩特征[0043]步骤S223、设计高保真色彩图像输出模块，其核心包括一个3×3卷积层、一个输出图像色彩特征经过3×3卷积层和一个ParametricReLU激活函数后，将步骤S21中得到的自适应提亮后的图像Ilightened进行残差连接并经过一个Sigmoid激活函数得到最终色彩校正后的输出图像即亮度合适且色彩准确的高质量图像；具体公式[0047]步骤S2221、在第1个阶段中，设计下采样模块，所述下采样模块由3×3卷积和ParametricReLU激活函数堆叠2次构成；利用所设计的下采样模块将初始色彩特征ror总共得到5个不同尺度的特征，分别表示为[0048]步骤S2222、在第2阶段中，设计上采样模块，所述上采样模块由3×3转置卷积、到3个初步融合的多尺度特征和和将它们相加后利用全局平均池化进行融合得到全局通道权重随后利用3个1×1卷积和接着将这3个特征权后的不同感受野特征和最后将3个自适应选择后的不同感受野特征相加得到自适应多感受野特征提取模块的输出用长跳跃连接融合了第1阶段的同级尺度特征，得到进一步融合的3个多尺度特征和具体公式如下所示：个阶段的特征进行多尺度融合，得到2个充分融合后的多尺度特征和具体公式如下所示：Len尽可能地接近参考图像的亮度分量Lgt，自适应亮度提升子网络的目标损失函数li表示表示计算·)表示使用在ImageNet数据集上[0078]步骤S33、步骤S2中的基于自适应亮度提升与高保真色彩校正的低照度图像增强网络的总目标损失函数ltotal即为自适应亮度提升子网络的目标损失函数li与高保真色彩校正的低照度图像增强网络后得到自适应增强后的亮度分量Len以及最终输出图像Iout，使免了因仅在RGB色彩空间进行约束而导致的色彩失真问题，通过不同色彩空间中对色彩信[0088]图2是本发明实施例中基于自适应亮度提升与高保真色彩校正的低照度图像增强[0092]本发明提出一种基于自适应亮度提升与高保真色彩校正和一个ParametricReLU激活函数；对于输入的RGB图像首先将其转换色彩空间后得到Y、U和V通道的图像，其中Y通道的图像即为原始RGB图像的原始亮度分量随后利用所设计的亮度先验提取模块对原始亮度分量进行特征提取，prior[0107]L＝ParametricReLU(Convpriorprior亮度先验L'输入3×3卷积层与ParametricReLU激活函数得到充分提取后的最终亮度prior先验随后将原始图像的亮度分量Loriginal除以最终亮度先验得到自LemeR,即增强后的Y通道图像，表示如下：强后的最终结果图lugtmuuEt:在经过一个由3×3卷积和ParametricReLU激活函数堆叠2次构成的卷积块输入特征RC:分别由一个1×1卷积层将通道数恢复至C；将得到的两个通道注意力权重进行逐元素相加后经过一个1×1卷积与Sigmoid激活函数得到最终的通道注意力权重将通道注意力权重与初始特征进行逐元素相乘即得到通道注意力块的输出特征具体公式表示如下：平均池化与全局最大池化得到两个空间注意力权重和分将通道注意力权重与初始特征进行逐元素相乘得到空间注意力块进行拼接后经过一个3×3卷积与ParametricReLU激活函数，再将双重注意力残差块的输入特征作为残差与其进行逐元素相加，得到双重注意力残差块的输出特征具体公式表示如下：与步骤S212中的多阶段双重注意力残差模块；对于步骤S21中的得到的自适应提亮后的图通过5个阶段以及5种尺度下对色彩特征的提取与融合，得到输出图像色彩特征[0126]步骤S223、设计高保真色彩图像输出模块，其核心包括一个3×3卷积层、一个输出图像色彩特征经过3×3卷积层和一个ParametricReLU激活函数后，将步骤S21中得到的自适应提亮后的图像Ilightened进行残差连接并经过一个Sigmoid激活函数得到最终色彩校正后的输出图像即亮度合适且色彩准确的高质量图像；具体公式[0130]步骤S2221、在第1个阶段中，设计下采样模块，所述下采样模块由3×3卷积和ParametricReLU激活函数堆叠2次构成；利用所设计的下采样模块将初始色彩特征ror总共得到5个不同尺度的特征，分别表示为和rsetc,[0131]步骤S2222、在第2阶段中，设计上采样模块，所述上采样模块由3×3转置卷积、到3个初步融合的多尺度特征和卷积和7×7卷积提取出3个不同感受野的特征和将它们相加后利用全局平均池化进行融合得到全局通道权重随后利用3个1×1卷积与Sigmoid激活函数的组合分别提取出针对3种感受野的特征权重和接着将这3个特征权重分别与原始的3