[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

说明书

本发明公开了一种基于注意力机制跨尺度上下文低照度图像增强方法，步骤包括：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，输出是32通道的特征图；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，输出是经过跨尺度跳跃连接之后的图像特征；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，输出是增强后高质量无噪声的彩色图像。本发明方法，解决了现有技术中存在的微光图像低可见度、低对比度、噪声污染和颜色扭曲的问题，能够有效的将微光图像恢复到正常光照条件下获取的图像，并保持图像的纹理细节以及颜色信息等。

技术领域

本发明属于图像处理技术领域，具体属于RGB真彩色图像恢复技术，涉及一种基于注意力机制跨尺度上下文低照度图像增强方法。

背景技术

在弱光环境中获取的图像往往可视性差、细节不清楚、颜色信息丢失以及噪声大，导致图像质量严重下降，此时就需要利用图像增强方法来提高图像质量，以便于后续的图像处理。图像增强是指针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰，或强调某些感兴趣的特征而抑制不感兴趣的特征，扩大图像中不同物体特征之间的差别，改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析和处理的需要。

传统的微光图像增强方法主要有直方图均衡化方法和基于视网膜理论方法。其中，直方图均衡化方法调整了图像的像素强度的动态范围，专注于增强图像对比度，而却忽略了不同区域的光照水平和噪声。而基于视网膜理论方法试图通过将输入图像分解为反射分量和照明分量来照亮图像，反射分量是场景的固有属性，而照明分量受环境照度的影响；基于视网膜理论方法通常增强微光图像的照明分量，以近似对应的正常光图像。然而，这些方法没有充分考虑弱光条件下不可忽略的噪声。

深度学习在过去十年中受到了越来越多的关注，在低视觉任务中取得了突出的性能，包括微光图像增强和图像去噪。但是大多数基于深度学习的方法严重依赖于数据集的质量，并且假设在暗光区域没有噪声，或者不考虑噪声在不同照明区域的分布，因此不能有效地抑制真实图像中的噪声，并且会产生不令人满意的视觉效果。

微光图像通常有两个主要问题。一是图像可见度低，二是图像中噪声的干扰。真实微光图像的空间分布特征是非常复杂，光照条件随空间的变化而变化。然而，许多深度学习方法不能调整图像的整体可视性，也不能明显恢复曝光不足的区域。因此，在不同的曝光区域自适应调整光照强度仍然是一个挑战。另一方面，在图像采集过程中，由于多种因素会引入各种噪声。然而，简单地级联降噪和增强过程不能达到很好的效果。在增强前进行去噪会使图像细节难以恢复，因为低像素无法提供足够的信息，而去噪作为后处理会导致图像模糊。因此，如何有效地抑制噪声，恢复隐藏在黑暗中的信息，是当前方法中一个重要但常被忽视的问题。

发明内容

本发明的目的是提供一种基于注意力机制跨尺度上下文低照度图像增强方法，解决了现有技术中存在的微光图像低可见度、低对比度、噪声污染和颜色扭曲的问题。

本发明所采用的技术方案是，一种基于注意力机制跨尺度上下文低照度图像增强方法，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；

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；

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，

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。