[发明专利]一种基于噪声注意力图指导的微光图像增强方法

说明书

本发明公开了一种基于噪声注意力图指导的微光图像增强方法，步骤包括：步骤1、构建噪声估计模块，该噪声估计模块的输入为原始微光图像，大小为H*W*3；该噪声估计模块的输出是大小为H*W*1的特征图；步骤2、构建增强网络模块，该增强网络模块的输入数据是步骤1的输出特征与原始微光图像，大小为H*W*4；该增强网络模块的输出是增强后的图像，大小为H*W*3；增强网络模块包含了编码器、ResidualBlock以及解码器。本发明的方法，可以有效对单张微光图像进行增强，在噪声注意力图指导下拥有良好的去噪性能，且不会出现颜色失真以及能保留原图纹理细节，在不同数据集上具有很好的泛化能力。

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，涉及一种基于噪声注意力图指导的微光图像增强方法。

背景技术

当今，图像可以提供大量的动态信息，通过图像传递信息在人们生活中扮演越来越重要的角色。在微光条件下获取的图像具有低对比度，低亮度以及低信噪比的“三低特性”，严重限制了图像内容的识别和判读；同时也会影响后续的图像处理任务，如图像分割、目标识别和视频监控等。尽管通过延长摄像机的曝光时间可以在一定程度上提高图像亮度，但在此期间易产生大量的图像噪声，因此，如何提高在微光环境下获取到的图像的质量，是计算机视觉领域近年来一个研究热点。

早期微光图像增强方法主要基于直方图均衡化(HE)和Retinex理论。HE图像增强是以累计分布函数为基础的直方图修改方法，将图像直方图调整为均衡分布以拉伸图像动态范围，从而提高图像对比度；该类方法操作简单、效率高，但生成的图像易受伪影影响、真实感不强。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。模型中的参数需人工设定，无法自适应处理图像的多样性，并且针对较高噪声的图像处理效果较差，存在局部细节曝光不足或曝光过度等情况。伴随着人工智能理论的快速发展，近年来基于深度学习的微光图像增强算法陆续提出。尽管，基于深度学习的方法一定程度上弥补了传统方法的不足，对某一类图像集取得较好的增强效果，但是大多数深度学习微光增强方法严重依赖于数据集质量，且多假定暗光区域没有噪声，或者不考虑噪声在不同照明区域的分布。

实际上，以上先验知识与真实图像存在偏差，且完备的现实图像数据集获取难度大，这些都导致现有深度学习模型不能有效地抑制真实图像噪声，难以产生令人满意的视觉质量。

发明内容

本发明的目的是提供一种基于噪声注意力图指导的微光图像增强方法，解决了现有技术中存在的微光图像低可见度、噪声污染严重的问题。

本发明所采用的技术方案是，一种基于噪声注意力图指导的微光图像增强方法，按照以下步骤具体实施：

步骤1、构建噪声估计模块，该噪声估计模块的输入为原始微光图像，大小为H*W*3；该噪声估计模块的输出是大小为H*W*1的特征图；

步骤2、构建增强网络模块，该增强网络模块的输入数据是步骤1的输出特征与原始微光图像，大小为H*W*4；该增强网络模块的输出是增强后的图像，大小为H*W*3；

增强网络模块包含了编码器、Residual Block以及解码器，编码器在噪声注意力图指导下提取图像的浅层特征；Residual Block在编码器的基础上继续提取图像深层特征，为图像恢复提供有效的高级语义信息；解码器是在语义信息中恢复高分辨率图像，并进行通道压缩，输出增强结果。

本发明的有益效果是，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，并有效去除图像中的噪声。本发明能够有效对单张微光图像进行增强，在噪声注意力图指导下拥有良好的去噪性能，且不会出现颜色失真以及能保留原图纹理细节，在不同数据集上具有很好的泛化能力。

附图说明

图1是本发明方法的流程框图；