买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨师范大学

摘要：本发明涉及图像增强领域，一种基于Retinex理论的双分支低照度图像增强方法，包括如下步骤，步骤S1，基于Retinex理论使用分解网络获得光照分量和反射分量，并通过增强网络对反射分量去噪和光照增强；步骤S2，通过并联不同扩张率的空洞卷积对输入的低照度图像进行初始化特征提取，并通过迭代学习模块中的增强单元与U‑Net网络对初始化的图像进行更深层次的特征提取；步骤S3，通过融合单元获取校正后的照明图，并在三次迭代学习后将得出的照明图与反射分量进行融合，得到最终的增强图像，本发明提出的方法有效提高了图像的亮度并较好的恢复了图像细节和色彩信息，在峰值信噪比和结构相似度等图像质量客观评价指标方面也具有显著的优势。

主权项：1.一种基于Retinex理论的双分支低照度图像增强方法，其特征在于，包括如下步骤：步骤S1，基于Retinex理论使用分解网络获得光照分量和反射分量，并通过增强网络对反射分量去噪和光照增强；步骤S2，通过并联不同扩张率的空洞卷积对输入的低照度图像进行初始化特征提取，并通过迭代学习模块中的增强单元与U-Net网络对初始化的图像进行更深层次的特征提取；步骤S3，通过融合单元获取校正后的照明图，并在三次迭代学习后将得出的照明图与反射分量进行融合，得到最终的增强图像；所述步骤S1分解网络获得光照分量和反射分量过程是用3×3的卷积对低照度图像进行特征提取，使用CA注意力对特征图中的特征信息按照坐标分配不同权重，进行两次通道上的去噪操作，通过使用两个3×3卷积和两个ReLU对上一阶段的浅层特征进行更深层次的特征提取，并使用SE注意力对特征图的通道进行权重分配来估测每个通道中的噪声水平，使用残差结构对调整过的特征进行多次融合，使用一个残差块和一个3×3卷积分解出反射分量和照明分量，所述步骤S1反射分量去噪和光照增强过程为首先经过3×3的卷积进行初步特征提取，通过SE注意力对各个通道中存在的噪声再次进行评估并分配相对应的权重，其次，经过3次由2个Conv+ReLU层和1个SE注意力组成的迭代学习机制对得到的特征图进行更深层次的特征提取，随后经过1个Conv+ReLU层和一个3×3的卷积输出最终降噪后的图像，所述步骤S2和S3迭代学习模块包括特征增强单元和特征校正单元，具体过程为：将通过多尺度空洞卷积模块的特征图D0输入到特征增强单元，得到增强后的特征图D1与输入图像D0进行哈达玛积运算，其结果Dt作为下一阶段特征融合单元的输入，特征融合单元的输入由特征增强单元输出的结果Dt与U-Net特征提取模块的结果Ut组成，它们在维度上进行拼接并通过SE注意力发送到校正单元，特征融合单元的输出记为St，将输入图像D0与St相加得到的结果作为下一阶段增强单元的输入，并参与整个循环，两个单元在整个训练过程是共享参数的，最终得到一个清晰收敛的增强图像，所述特征融合单元的输入由U-Net特征提取模块与特征增强单元共同组成，且特征融合模块包括初始层Conv+ReLU+SE、两层Conv+BatchNorm+ReLU、由3个Conv+BatchNorm+ReLU堆叠组成的网络结构以及Conv+Sigmoid使输出在0-1的范围内，具体过程为将Dt、Ut通过卷积层进行特征提取，并在通道维度上进行拼接得到融合的结果Xt，随后通过SE注意力对其通道进行权重分配并将处理后的结果输入到纠正单元，通过两层Conv+BatchNorm+ReLU对Xt进行规范化操作，之后通过3次迭代学习对Xt进行自适应修正，将修正后的结果St通过Sigmoid激活函数归一化到0-1区间，作为下一阶段特征增强单元的输入，其计算过程如下所示：Xc＝ρ[Conv3×3Ut；Conv3×3Dt]X1＝BNConv3×3BNConv3×3XcX2＝X1+BNConv3×3BNConv3×3XcX3＝X2+BNConv3×3BNConv3×3X2X4＝X3+BNConv3×3BNConv3×3X3St＝σConv3×3X4其中，BN、σ与ρ分别代表BatchNormal、Sigmoid激活函数和SE注意力。

全文数据：

权利要求：

百度查询： 哈尔滨师范大学 一种基于Retinex理论的双分支低照度图像增强方法