[发明专利]一种自适应区域低光增强的方法及相关设备

说明书

本发明公开了一种自适应区域低光增强的方法及相关设备，所述方法包括：获取低照度图像，将所述低照度图像输入至感知引导图模块，得到引导图像信息；基于所述引导图像信息得到引导图，将所述引导图输入至多尺度扩张卷积注意力机制模块，得到细节修复后的第一图像；对所述第一图像进行全局平均池化操作得到增强后的第二图像，并将所述第二图像进行处理得到低光增强图像。本发明的目的在于可改善低光照条件下的视觉效果，通过提出一种自适应学习指导图，使得神经网络以区域依赖的方式自适应地增强低光图像，并通过多尺度的感受野模块进一步同化自适应引导图的感知信息，从而使模型学习到更加丰富和更真实的纹理细节。

技术领域

本发明涉及图像增强技术领域，尤其涉及一种自适应区域低光增强的方法、系统、终端及计算机可读存储介质。

背景技术

在智慧城市推进建设过程中，图像识别，视频监控，交通管理系统等获得广泛的应用。然而，在夜间低照度场景下，所采集的图像及视频会因为外界周围环境或者采集设备噪声等导致捕获的视觉质量下降或者对比度降低，例如，感兴趣区域难以识别，平滑区域含有大量噪声或细节缺失等。低照度增强任务旨在不足的光照条件下从相应的低质量图像中恢复出来正常的光照图像，提高整体图像的质量，该技术在民用视频监控系统或军事侦察系统中都有重要的应用场景。

在现有方法中，目前采用更多的基于调整的图像增强，Retinex方法增强等。基于调整的低光图像增强方案可以分类为全局直方图均衡和局部直方图均衡方法。直方图均衡是拉伸低光图像的动态范围，全局直方图均衡化基于输入的整张图片来调整图像的亮度而忽略了局部的上下文一致性，甚至会引入过曝和放大噪声的现象。相反，局部直方图均衡化需要划分子块来进行局部调整，因此计算量大，无法保证实时性。基于Retinex理论的图像增强算法，其本质是将输入的图像分解为照明层和反射层，准确的估计成为这一方法的关键。此外，基于Retinex理论的图像增强算法没有考虑图像的梯度信息，因此在增强的过程中会导致图像模糊现象。因此，现有的低照度增强算法缺乏从低光照图像中不同区域增强的能力，从而不能有效地对不同背景的图像进行自适应增强。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于提供一种自适应区域低光增强的方法及相关设备，旨在解决现有技术中的低照度增强算法无法从低光照图像中不同区域增强的能力，从而不能有效地对不同背景的图像进行自适应增强的问题。

为实现上述目的，本发明提供一种自适应区域低光增强的方法及相关设备，所述自适应区域低光增强的方法包括如下步骤：

获取低照度图像，将所述低照度图像输入至感知引导图模块，得到引导图像信息；

基于所述引导图像信息得到引导图，将所述引导图输入至多尺度扩张卷积注意力机制模块，得到细节修复后的第一图像；

对所述第一图像进行全局平均池化操作得到增强后的第二图像，并将所述第二图像进行处理得到低光增强图像。

可选地，所述的自适应区域低光增强的方法，其中，所述感知引导图模块由五个残差块、一个长短期记忆单元和一个卷积层组成。

可选地，所述的自适应区域低光增强的方法，其中，所述基于所述引导图像信息得到引导图，将所述引导图输入至多尺度扩张卷积注意力机制模块，得到细节修复后的第一图像，具体包括：

获取不同的输入场景，基于所述引导图像信息生成所述输入场景对应的引导图；

将所述引导图输入至所述多尺度扩张卷积注意力机制模块，所述多尺度扩张注意力机制模块通过不同粒度的特征信息对所述引导图的不同区域的图像细节进行修复，得到细节修复后的第一图像。

可选地，所述的自适应区域低光增强的方法，其中，所述获取不同的输入场景，基于所述引导图像信息生成所述输入场景对应的引导图，之后还包括：