[发明专利]一种基于注意力机制跨尺度上下文低照度图像增强方法

权利要求书

1.一种基于注意力机制跨尺度上下文低照度图像增强方法，其特征在于，按照以下步骤具体实施：

步骤1、构建特征提取模块，该特征提取模块的输入为原始微光图像，该特征提取模块的输出是32通道的特征图，

特征提取模块的结构依次为：原始微光图像Input_image作为输入→第一个卷积层Conv1→第二个卷积层Conv2→第三个卷积层Conv3→第四个卷积层Conv4→第五个卷积层Deconv5→第六个卷积层Deconv6→第七个卷积层Deconv7→输出特征Output_feature，

其中，第一个卷积层Conv1为通道注意力模块，其特征映射总数为32个；所述的通道注意力模块的结构是，对于输入的图像，首先在空间维度上进行平均卷积操作，得出每个通道的代表值；然后使用两个全连接层和激活函数学习通道之间的关系，第一个全连接层之后设置有ReLu激活函数，第二个全连接之后设置有Sigmoid激活函数；

第二个卷积层Conv2、第三个卷积层Conv3和第四个卷积层Conv4为混合注意力模块，其特征映射图的总数分别为64、128和256个；所述的混合注意力模块包括空间注意力模块和通道注意力模块；首先，利用空间注意力模块获取不同位置的权重，将图像的空间信息通过空间转换模型变换到另一个空间中并保留关键信息，为每个位置生成权重掩码并加权输出，从而增强感兴趣的特定目标区域同时弱化不相关的背景区域；所述的空间注意力模块的结构是，先对输入进行全局平均池化操作，来增大感受野，以便于获取更多的信息，再通过卷积操作来获取三个代表不同信息的特征图，将其中两个特征图进行融合并经过Softmax激活函数，再和第一个特征图进行融合得到最后的空间信息权重；然后，再利用通道注意力模块，进行颜色特征的提取；最后，将包含图像空间和颜色信息的特征通过卷积操作筛选有用特征，去除冗余特征信息；

第五个卷积层Deconv5、第六个卷积层Deconv6和第七个卷积层Deconv7的特征映射图的总数分别为128、64、32个，Deconv层包含了反卷积操作和混合注意力模块；特征提取模块最后一层的输出尺寸为H×W×32，其中H和W代表输入图像的高度和宽度；

步骤2、构建跨尺度上下文模块，该跨尺度上下文模块的输入数据是步骤1的输出特征，该跨尺度上下文模块的输出是经过跨尺度跳跃连接之后的图像特征；

所述的跨尺度上下文模块是用于提取更多的图像特征，将不同尺度下的特征图利用反卷积设置不同的步长，将他们上采样至H×W大小；

所述的跨尺度上下文模块，分别将Conv1、Conv2、Conv3和Conv4四个不同尺度的编码层特征上采样至H×W大小，将这些特征与步骤1的输出连接到一起作为跨尺度上下文模块的输出；

步骤3、构建融合模块，该融合模块的输入数据是步骤2的输出特征，该融合模块的输出是增强后高质量无噪声的彩色图像，

所述的融合模块是，跨尺度上下文模块提取了大量的全局特征和局部特征，这些特征不能作为网络的最终输出，融合模块就是为了更好的整合跨尺度上下文模块提取的有用信息；

融合模块包含三步操作，前两步是将步骤2的输出经过混合注意力模块再次提取重要的图像特征，第三步利用二维卷积以及ReLu激活函数，进行通道压缩，最后输出增强后高质量无噪声的彩色图像，即成。