[发明专利]Transformers与CNN结合的低照度图像增强方法

权利要求书

1.一种Transformers与CNN结合的低照度图像增强方法，其特征在于，按照以下步骤具体实施：

步骤1、构建预处理模块，该预处理模块的输入为原始低照度图像，大小为H*W*3；该预处理模块的输出是特征图I1，大小为H/4*W/4*96；

步骤2、构建Windown Transformers Block模块，该Windown Transformers Block模块的输入数据是步骤1输出的特征图I1，大小为H/4*W/4*96；该Windown Transformers Block模块的输出是提取后的特征图I2，大小为H/4*W/4*96；

步骤3、构建特征融合模块，该特征融合模块的输入数据是步骤2输出的特征图I2，大小为H/4*W/4*96；该特征融合模块的输出为融合后的特征图像I3，大小为H/4*W/4*96；

步骤4、构建恢复模块，该恢复模块的输入数据是步骤3输出的特征图I3，大小为H/4*W/4*96；该恢复模块的输出是增强后高质量无噪声的输出图像，大小为H*W*3，即成。

2.根据权利要求1所述的Transformers与CNN结合的低照度图像增强方法，其特征在于：所述的预处理模块的作用就是对原始低照度图像进行数据预处理，

预处理模块的流程结构依次为：原始低照度图像作为输入图像→Patch Partition层→Linear Embedding层→输出特征图I1，其中，Patch Partition层为卷积运算，卷积核大小为4*4，卷积步长为4，特征映射总数为48个；Linear Embedding层为线性运算进行特征映射，卷积核大小为H/4*W/4，特征映射总数为96个。

3.根据权利要求1所述的Transformers与CNN结合的低照度图像增强方法，其特征在于：所述的Windown Transformers Block模块的作用是提取图像特征，建立特征间长期依赖关系；

Windown Transformers Block模块的流程结构依次为：其中，LN正则化层主要作用是进行LN正则化处理，对输入数据进行归一化处理，将其归到0到1之间；前馈网络包括两层结构，第一层前馈网络先把输入向量从d_model维度映射到4*d_model维度，激活函数为ReLU函数，第二层前馈网络再从4*d_model维度映射回d_model维度，不使用激活函数，

前馈网络的表达式如式(1)所示：

FFN(x)＝max(0,xW₁+b₁)W₂+b₂ (1)

其中，x代表前馈网络的输入，W₁代表第一层前馈网络的映射矩阵，W₂代表第二层前馈网络的映射矩阵，b₁代表第一层前馈网络的偏置矩阵，b₂代表第二层前馈网络的偏置矩阵。