[发明专利]Transformers与CNN结合的低照度图像增强方法

说明书

本发明公开了一种Transformers与CNN结合的低照度图像增强方法，步骤包括：步骤1、构建预处理模块，输入为原始低照度图像，输出是特征图I1；步骤2、构建Windown Transformers Block模块，输入数据是步骤1输出的特征图I1，输出是提取后的特征图I2；步骤3、构建特征融合模块，输入数据是步骤2输出的特征图I2，输出为融合后的特征图像I3；步骤4、构建恢复模块，输入数据是步骤3输出的特征图I3，输出是增强后高质量无噪声的输出图像，即成。本发明的方法，针对低照度图像能够有效的提升了图像亮度，抑制图像噪声效果明显并较好的保持了纹理细节和颜色信息。

技术领域

本发明属于图像处理技术领域，属于RGB真彩色图像恢复技术，具体涉及一种Transformers与CNN结合的低照度图像增强方法。

背景技术

在低照度条件下获取图像，多存在低对比度、噪声大、颜色失真等图像缺陷，导致获取图像的视觉感受质量较差，同时也会降低图像分割、目标识别及视频监控等后续图像处理任务的精度。

当前低照度图像提升方法主要分为三类，即基于底层图像处理方法、基于视网膜(Retinex)理论算法和深度学习类的图像提升算法。基于底层图像处理方法主要是以利用直方图均衡化(Histogram Equalization，HE)为代表，直方图均衡化方法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。基于Retinex理论的低照度图像增强方法，通过模拟人视觉中的Retinex理论，将低照度图像分解为照明分量和反射分量，通过调整照明分量提升图像亮度和对比度；但是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。基于深度学习的低照度图像增强方法，关键是利用大规模训练数据集对最佳网络模型进行学习，建立低照度图像和正常光照图像之间的复杂映射关系；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，因此，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Transformers与CNN结合的低照度图像增强方法，解决了现有技术中存在的低照度图像亮度提升不明显、噪声抑制不够以及保持纹理颜色一致性不足的问题。

本发明所采用的技术方案是，一种Transformers与CNN结合的低照度图像增强方法，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WindownTransformersBlock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。

本发明的有益效果是，针对低照度图像能够有效的提升了图像亮度，抑制图像噪声效果明显并较好的保持了纹理细节和颜色信息。

附图说明