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:西南科技大学
摘要:本发明给出一种基于HSV与注意力机制的低照度图像增强方法。该方法基于人类视觉系统特性模型,首先,针对亮度不足问题,提出Retinex理论变式,这种方式更能够对亮度进行处理,有效地捕获图像的亮度特征,能够在保持色相的同时提升亮度。其次,针对亮度骤变引起的饱和度人眼视觉效果降低的问题,设计了自适应的分块饱和度增强函数,通过输入的饱和度特征进行自适应的像素分块,将像素较低的部分进行线性增强。最后,针对初步增强图像存在色彩不均、曝光及噪声问题,设计引导注意力机制和融合模块,将两种特征进行融合,实现更符合人眼视觉的图像增强。本发明以较少的参数量实现优异的性能,网络具有较好的鲁棒性。
主权项:1.一种基于HSV与注意力机制的低照度图像增强方法,其特征在于,采用HSV通道处理与Retinex理论结合进行图像低照度增强,采用引导注意力与互补注意力结合,包括数据集预处理、对低照度图像进行亮度及饱和度增强及浅层特征提取、对增强后的图像进行亮度注意力引导、对经过浅层特征提取后的特征进行饱和度注意力引导、迭代操作、图像融合操作、网络模型的训练与测试七个部分:第一部分包括两个步骤:步骤1:下载低照度图像公开数据集,选取拥有低照度图像对的数据,其特点包括室内室外场景,作为训练数据和测试数据;步骤2:将低照度图像与正常光照图像按照160×160的采样大小裁剪成一一对应大小的图像块,对采样后的数据进行数据增强操作扩充数据样本,形成最终的训练集样本;第二部分包括五个步骤;步骤3:将步骤2中的训练样本图像输入网络,通过变换通道变换从RGB空间转变成HSV空间的特征分离出三个通道,即色相通道特征H1、饱和度通道特征S1以及明度通道特征V1;步骤4:将步骤3中分离出的饱和度通道特征S1通过自适应分块饱和度增强方式BSE,即对低饱和度进行线性增强,对高饱和度不进行处理避免过饱和情况,得到增强后的饱和度特征S2,具体实施如下:1线性增强函数首先对输入图像的饱和度通道进行均值处理,随后将整个特征均分成四等份,提取输入图像中四个部分所含像素,得出相应的比率μ1、μ2、μ3和μ4;2通过一定参数设置得出每张图像饱和度需要进行的相应增强函数,具体公式为:α=-0.40μ1-0.12μ2+0.19μ3+0.83μ4Sen=3.354-4.427α·S其中,μ1、μ2、μ3和μ4分别为输入图像特征的四个分块比值,S为输入图像的低饱和度部分的饱和度张量;步骤5:步骤3中的色相通道特征H1和明度通道特征V1、饱和度特征S1进行图像融合得出的HSV图像特征L1,将其与步骤3中的明度通道特征V1进行融合得到L2,且进行浅层特征提取操作,得到亮度特征V2,将亮度特征V2通过一次卷积操作得到亮度特征图V3;步骤6:基于Retinex理论的变式,将步骤5中得到的亮度特征V3与HSV低照度图像特征L2进行变式操作,得到初步的正常光照图像G1,具体公式为: 其中,R为反射分量,L为理想情况下的光照分量,为实际情况下的不同光照分量,αi是影响因子,n为噪声;步骤7:步骤5中得到的HSV图像特征L1,将其与步骤4中的增强饱和度特征S2进行融合且进行浅层特征提取操作,得到饱和度特征S3,将饱和度特征S3通过一次卷积操作得到饱和度特征图S4;第三部分包括两个步骤:步骤8:将步骤6中得到的初步正常光照图像G1经过一次卷积处理得出与步骤5中亮度特征V2的BatchSize、Channels、Height、Weight相同的正常光照图像浅层特征G2;步骤9:将步骤8中的正常光照图像浅层特征G2作为输入,用U型结构网络,经过亮度引导注意力模块IGAB处理,得到正常光照图像亮度深层特征G3.1;1IGAB为亮度特征引导的GAB模块,其中Guided_feature采用步骤5中的亮度特征V2作为引导;将步骤8中的特征G2经过归一化操作LN和G_MSA得到重点关注亮度特征的高频信息与步骤8中的特征G2进行融合操作得到M1;2将特征M1经过归一化操作LN和前馈神经模块FFN,再与特征M1进行融合得到输出特征;第四部分包括两个步骤:步骤10:步骤7中得到的特征S4经过一次卷积处理得出与步骤7中饱和度特征S3的BatchSize、Channels、Height、Weight相同的浅层特征S5;步骤11:将步骤10中的图像浅层特征S5作为输入,用U型结构网络,经过饱和度引导注意力SGAB处理,得到正常光照图像饱和度深层特征S6.1,采用双支路连接,与步骤9操作相同,不同在于SGAB为饱和度特征引导的GAB模块,其中Guided_feature采用步骤7中的饱和度特征S3作为引导;第五部分包括两个步骤:步骤12:编码器由三个组合块构成,将步骤9中的输出作为步骤9的输入,三个组合块为IGAB分次迭代2次、2次、1次;解码器由两个组合块构成,将编码器中第二个组合块和第三个组合块进行融合操作作为解码器中第一个组合块的输入,将编码器中第一个组合块与解码器第一个组合块的输出进行融合操作作为解码器中第二个组合块的输入,两个组合块为IGAB分别迭代2次、2次;得到步骤9输出的中间特征G3.n,其中n=2,3,4,5,6,7,8,9;步骤13:编码器由三个组合块构成,将步骤11中的输出作为步骤11的输入,三个组合块为SGAB分次迭代2次、2次、1次;解码器由两个组合块构成,将编码器中第二个组合块和第三个组合块进行融合操作作为解码器中第一个组合块的输入,将编码器中第一个组合块与解码器第一个组合块的输出进行融合操作作为解码器中第二个组合块的输入,两个组合块为SGAB分别迭代2次、2次;得到步骤9输出的中间特征S6.n,其中n=2,3,4,5,6,7,8,9;第六部分包括一个步骤:步骤14:将步骤12中最终得到的G3.9和经过步骤13中最终得到的S6.9作为输入放入互补注意力PAM中,并将得到的特征与步骤12中最终得到的G3.9和经过步骤13中最终得到的S6.9进行融合,得到输出图像;第七部分包括两个步骤:步骤15:将步骤2中的训练集样本输入从步骤3到步骤12的网络中,设置网络超参数:学习率为2e-4,batchsize为8,优化器为Adam,损失函数为L1Loss,训练网络得到最终的低照度图像增强预训练模型;步骤16:将公共测试集的低照度图像输入步骤13得到的预训练模型中,网络可恢复出正常光照图像。
全文数据:
权利要求:
百度查询: 西南科技大学 一种基于HSV与注意力机制的低照度图像增强方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。