[发明专利]一种低照明度图像增强方法及系统

权利要求书

1.一种低照明度图像增强方法，其特征在于，所述低照明度图像增强方法，包括：

将低照度图像输入卷积神经网络；

基于多个卷积核对低照度图像进行多尺度特征提取，并对多尺度特征进行拼接处理，得到多尺寸特征图；

利用空间注意力机制对特征图进行特征筛选，得到空间注意力特征图；

基于串联三个残差块对空间注意力特征图进行映射，得到高维特征；

对高维特征进行权重处理，得到通道注意力特征图；

对通道注意力特征进行降通处理及取对数运算，得到输入图像环境光照分量估计；

根据Retinex理论结合输入图像环境光照分量估计对图像处理，得到增强图像。

2.根据权利要求1所述的低照明度图像增强方法，其特征在于，所述根据Retinex理论结合输入图像环境光照分量估计对图像处理，之后包括：

根据误差损失函数和SSIM对增强图像进行增强图像误差计算，判断增强图像是否达标。

3.根据权利要求2所述的低照明度图像增强方法，其特征在于，所述根据误差损失函数和SSIM对增强图像进行增强图像误差计算，包括：

输入正常照明图像，通过误差损失函数和SSIM计算增强图像误差；

所述平均绝对误差的损失函数为：

上式中，Y表示网络输出的增强图像，S表示正常光照图像；

所述SSIM的损失函数为：

上式中，μ_S表示图像S的像素平均值，μ_Y分别与图像Y的像素平均值，对应于图像S的方差，对应于图像Y的方差，σ_SY为两幅图像的协方差，C₁、C₂是两个用于维持函数稳定的常数；

所述增强图像误差的损失函数为：

Loss＝L^MAE+SSIM。

4.根据权利要求1所述的低照明度图像增强方法，其特征在于，所述基于多个卷积核对低照度图像进行多尺度特征提取，并对多尺度特征进行拼接处理，包括：

将多个不同尺寸和形状的卷积核对输入的低照度图像进行多尺度特征提取，采用1×1、3×3、5×5三种不同尺度卷积核的卷积层对输入的低照度图像进行非线性映射处理，得到多尺度特征图，多尺度卷积层将多尺度特征图通过最大池化转变成相同大小的同一特征图，在通道维度上对统一特征图进行拼接，得到多尺寸特征图。

5.根据权利要求1所述的低照明度图像增强方法，其特征在于，所述利用空间注意力机制对特征图进行特征筛选，包括：

将特征图基于平均池化转换成平均特征图，将平均特征图和统一特征图在通道维度上进行串联，采用1×1的卷积层将通道减半，利用Sigmoid激活函数将结果映射到(0，1)，得到与多尺度特征图尺寸相同的权重图，将得到的权重图与多尺度特征图逐元素相乘，得到空间注意力特征图。

6.根据权利要求1所述的低照明度图像增强方法，其特征在于，所述三个残差块中的每个残差块由卷积核大小为1×1、3×3、1×1的卷积层组成，每个卷积层之后连接归一化层和Relu层。

7.根据权利要求1所述的低照明度图像增强方法，其特征在于，所述对高维特征进行权重处理，包括：

基于平均池化对高维特征图进行空间压缩，得到1×1×C的特征向量，采用两个卷积核为1×1的卷积层对特征向量进行权重学习，采用Sigmoid激活函数将结果映射到(0,1)得到权重向量，将得到的基于通道的权重向量与高维特征图的各个通道层进行相乘，得到通道注意力特征图。

8.根据权利要求1所述的低照明度图像增强方法，其特征在于，所述对通道注意力特征进行降通处理及取对数运算，包括：

用1×1卷积层将特征通道降为三通道，通道注意力特征图通过三通道得到三通道特征图，三通道特征图进行取对数运算，得到输入图像环境光照分量估计。