[发明专利]自适应频率分解的低光照图像增强方法与相关设备

权利要求书

1.一种自适应频率分解的低光照图像增强方法，其特征在于，所述方法包括以下步骤：

S101、获取包含多张不同亮度图像的LOL数据集，对LOL数据集进行预处理，得到训练数据集和测试数据集；

S102、构建包含拉普拉斯金字塔层、特征提取层、以及自适应频率分解层的自适应频率分解网络，所述特征提取层包括编码分支和解码分支；以所述自适应频率分解网络作为生成对抗网络结构的生成网络，并构建对应所述自适应频率分解网络的判别器网络，所述判别器网络包括全局判别器和局部判别器；

S103、引入生成器损失函数和判别器损失函数，并以所述训练数据集为所述自适应频率分解网络和所述判别器网络整体的输入进行训练，直到训练完成输出得到低光照增强模型，之后，以所述测试数据集为所述低光照增强模型的输入，对图像进行低照度增强，并计算定量指标。

2.如权利要求1所述的自适应频率分解的低光照图像增强方法，其特征在于，步骤S101中对所述LOL数据集进行预处理的方法包括归一化、随机裁剪和随机水平翻转中的其中至少一种。

3.如权利要求1所述的自适应频率分解的低光照图像增强方法，其特征在于，所述自适应频率分解网络中，输入的图像经过所述拉普拉斯金字塔层处理得到拉普拉斯残差图，所述拉普拉斯残差图具有浅层特征和深层特征，所述浅层特征和所述深层特征分别满足如下表达式(1)、(2)：

I_k+1＝f↓(I_k) (1)

L_k＝I_k-f↑(L_k+1) (2)

其中，k∈{1,2,3}，f↓()代表双线性差值的下采样，f↑()代表双线性差值的上采样。

4.如权利要求3所述的自适应频率分解的低光照图像增强方法，其特征在于，所述自适应频率分解层包括低频特征分支和高频特征分支，所述编码分支对所述拉普拉斯残差图进行特征提取得到编码特征，定义所述编码特征为x_en，所述低频特征分支和所述高频特征分支分别对所述编码特征进行感知特征提取，得到不同感受野的两组特征，并进一步结合不同感受野的特征得到两组感知特征图C_a，所述感知特征图C_a满足如下关系式(3)：

其中，i取值1、2，使用f_d1()和f_d2()分别计算不同感受野的两组特征，当i取值为1时，f¹_d1和f¹_d2均表示卷积核大小为3×3、膨胀率为1和6的卷积操作，当i取值2时，f²_d1和f²_d2均表示卷积核大小为3×3、膨胀率为1和12的卷积操作，σ表示线性激活函数Leakyrelu；

将不同的所述感知特征图与所述编码特征在通道维度上进行拼接，得到高频特征和低频特征，所述高频特征和所述低频特征分别满足如下关系式(4)、(5)：

5.如权利要求4所述的自适应频率分解的低光照图像增强方法，其特征在于，所述自适应频率分解层得到所述高频特征和所述低频特征后，将所述高频特征和所述低频特征输入一个SE注意力机制中，得到一个全局向量。