CN119494792A 一种基于小波变换的两阶段低照度图像增强方法 （大连民族大学）

一种基于小波变换的两阶段低照度图像增本发明公开一种基于小波变换的两阶段低照度图像增强方法。本发明利用两阶段的U型低动态门控空间注意力和轻量融合曲线注意力来的图像；轻量边缘损失函数专注于高频纹理结2进行图像特征的深层次提取以及多尺度信息的整合；所述两阶段的U型低照度图像增强网步骤二，将所述图像特征输入小波域特征融合与增强模步骤三，构建融合感知函数和轻量边缘损失函数，所述融合感像Xout，另一部分用于生成辅助特征图Xf，这两部分特征被输入到精细增强阶段的融合模第一浅层特征模块用于捕获经过第一梯度去噪模块初步去模糊和去噪处理后的低照解码器的处理流程与编码器相似，其在进行小波域特征融合之前先执行上采样操作，3有监督注意力模块将输入的解码输出特征与初步去噪处理后的特征图像Xin进行结合：强特征表示Xf；另一部分经过卷积操作后与空间注意力增强特征表示Xf相加得到初步处理步骤一中，精细增强阶段将保留了图像的细节纹理信息的特征Xf与经过第二梯度去噪模包含图像完整低频信息的分离融合特征Fident空间注意力的特征图FGP；残差连接应用门控空间注意力的特征图FGP和原始输入特征图F，4采用标准的3x3拉普拉斯卷积核。5照度图像对比度的同时兼顾去噪效果。基于Retinex算法的低照度图像增强网络Retinex_[0005]此外，鉴于U_Net和小波变换各自的优点，一些研究也探索了将二者相结合的方6图像进行图像特征的深层次提取以及多尺度信息的整合；所述两阶段的U型低照度图像增[0014]第一浅层特征模块用于捕获经过第一梯度去噪模块初步去模糊和去噪处理后的7[0017]有监督注意力模块将输入的解码输出特征与初步去噪处理后的特征图像Xin进行意力增强特征表示Xf；另一部分经过卷积操作后与空间注意力增强特征表示Xf相加得到初着输入通道划分为包含图像完整低频信息的分离融合特征Fidentity和输入进离散小波变换中提取空间特征，然后，将最大池化和平均池化的两种池化结果沿通道维度拼经过动态调整的阶梯型曲线调整的特征信息Fa；将经过梯度放大模块处理后的特征信息Fa8的纹理和结构信息；采用Charbonnier损失函数和VGG感知损失函数加权和作为总损失函9图像进行图像特征的深层次提取以及多尺度信息的整合；所述两阶段的U型低照度图像增[0044]针对现有技术在增强低照度图像时可能出现的图像细节丢失、模糊以及噪点问题，本发明提出了一个双阶段的U型低照度图像增强网络，即TSUNet(Two_StageWavelet例参数(Self_learningparamete程的目的是利用残差信息减少得到的噪声纹理信息ij中的误差，从而逐步提高图像质量。块的目的是为了捕获经过GDM模块初步去模糊和去噪处理后的低照度图像中的空间细节信两层卷积层(Conv)和一层ReLU激活函数，确保特征的精确提取。接着，通道注意力层成了一个增强小波域特征融合模块(EnhancedWavelet_DomainFeatureFusionModule，到特征信息图，作为膨胀卷积层(DilatedConv)的输入。随后引入膨胀卷积层(Dilated[0050]编解码器的结构如图4所示。该编解码器架构集成了增强小波域特征融合模块[0051]解码器的处理流程与编码器相似，其在进行小波域特征融合之前先执行上采样融合了多尺度信息的解码特征。这些特征随后被输入到有监督注意力模块(SA)进一步处Xf相加得到初步处理后的特征图Xout。这两个输出(Xf和Xout)都将传入后续的精细增强阶段出的特征图与图像的细节纹理信息特征信息进行融合，最终重建增强的高质量输出图像。增强阶段的主要功能是将保留了图像的细节纹理信息的特征Xf与再次经过GDM和SF处理的过另一个卷积层(Conv)进一步转换融合后的特征图，使其与原始输入图像的尺寸相匹配。[0053]增强小波域特征融合模块：增强小波域特征融合模块(EnhancedWavelet_Domain充分挖掘了图像在小波域的潜力，还通过双重注意力机制更细致的处理图像的高频信息，深度可分离卷积(DepthwiseSeparableConvolution,DSC)和参数化修正线性单元权特征Finwt，与恒等域中包含图像完整低频信息的分离融合特征(Fidentity)进行结合拼接，利用分离融合特征中保留的原有低频信息来补充缺失的低频信息，补充了缺失的低频信门控空间注意力(DynamicGatedSpatialAttention,DGSA)和轻量融合曲线注意力机制[0056]动态门控空间注意力机制(DGSA)的设计主要通过动态调整学得的权重来关注图的权重来优化图像的色彩表现和对比度。该机制通过设计轻量化的网络来减少计算负担，力权重计算(AttentionWeightCalcul_ation,AWC)，即通过一个2D的5×5卷积层(Conv5重计算(GateWeightcalculation,曲度参数计算(CurveParameterCalculation，CPC)、梯度放大模块(Gradient[0075]其中S表示多尺度特征融合中S×S大小的卷积核；Fs表示使用S×S大小的卷积核i[0076]融合特征信息XFe通过曲线参数计算(CPC)估计逐像素的曲Li线参数相乘，并引入非线性变换(1_Fa)。这种非线性变换有助于在特征值接近1时抑制增[0093]为了使生成的图像更加符合人眼视觉，本发明使用预训练的VGG模型来提取低照[0096]在本研究中，提出的融合感知损失函数通过结合VGG感知损失和Charbonnier损[0105]实验细节：本发明使用NVIDIAGeForceRTX4090GPU，基于PyTorch深度学习框EnlightenGAN和SCI；零样本学习方法：ZeroDCE++；监督学习方法：IATLLFormer、CF_[0109]实验中采用峰值信噪比(PeakSignaltoNoiseRatio,PSNR)、结构相似性(StructuralSimilarityIndex,SSIM)以及学习感知图像相似度(LearnedPerceptual[0110]表1展示了本发明方法与现有先进方法在LOLv1和LSRW数据集上的对比实验结果，详细分析。得益于本发明设计的增强小波域特征融合模块和两阶段网络中的初步恢复阶段，在PSNR和SSIM两个失真评价指标上，本发明方法在LOLv1、LSRW、LOLv2_real、LOL_型中设计的融合感知损失函数和两阶段网络中的精在真实场景的LOLv2_real数据集上还是合成场景的LOLv2_synthetic数据集上，所提出的持图像结构和感知质量方面具有显著的优势，同时在不同场景和条件中具有良好的鲁棒表现较好，座椅细节较为清晰，但同样存在大量噪声和点状模糊。相比之下，HWMNet和[0126]图10展示了不同方法在储物柜图像上的增强结果。图10(a)为低照度图像，图10(b)为ZeroDCE，图10(c)为EnlightenGAN，图10(d)为SCI，图10(e)为MIRNET，图为纸盒边缘消失，盒子花纹也完全不可见；同时，Enlighten_GAN存在严重的偏色问题。些结果进一步证明了本发明方法在细节保护和色彩真实性方面机地从数据集LOLv2_synthetic选取了3张图像，从LIME和MEF数据集中各选取了1张图像，[0129]图12(a)为低照度图像，图12(b)为Enl[0130]图13(a)为低照度图像，图13(b)为明提出的TSUNet网络具有良好的低照[0134]通过与参考图像的对比分析，可以发现ZeroDCE++和SCI方法虽然提高了图像亮注意力单元(DGSA+LFCA)以及其中的动态门控空间注意力(DGSA)和轻量融合曲线注意力[0139]其次，表4的结果还揭示了双重注意力单元(DGSA+LFCA)在模型性能方面的影动态门控空间注意力(DGSA)和轻量融合曲线注意力(LFCA)的组合为模型提供了更为精细模型性能的影响，即：融合感知损失函数(包含VGG感知损失VGGLoss和Charbonnier损失这说明EdgeLoss在保持图像恢复的清晰度方面发挥了重要作用，特别是在低照度条件下，移除精细增强阶段时，模型的性能也出现了明显下降，PSNR值降至23.46，SSIM值降至SA模块的轻微性能下降表明其对关键区域的聚