[发明专利]一种融合高低频特征信息的低光图像增强方法及装置

说明书

本发明公开了一种融合高低频特征信息的低光图像增强方法及装置，属于计算机视觉领域和图像处理领域。本发明方法包括：S1、采集RGB格式的正常光‑低光图像对；S2、对采集到的低光图像分解为光照分量Isubgt;low/subgt;和反射分量Rsubgt;low/subgt;；S3、对得到的光照分量和反射分量分解为三级拉普拉斯金字塔；S4、分别对光照分量和反射分量的三级拉普拉斯金字塔图像依次输入到三个分支网络中得到增强后的光照分量和反射分量；S5、对和进行逐通道逐像素相乘操作得到低光增强后的正常光图像；其推理步骤包括上述步骤S2‑S5。本发明利用双通道注意力下的拉普拉斯多尺度特征提取块LRMSDA，实现能有效抑制噪声和增强纹理细节的高质量低光图像增强。

技术领域

本发明涉及一种融合高低频特征信息的低光图像增强方法及装置，属于计算机视觉领域和图像处理领域。

背景技术

低光图像是由成像设备在昏暗的光照条件下拍摄得到的，照明不足导致图像存在可见度差、对比度低、意外噪声等问题，进一步损害许多为正常光图像设计的计算机视觉系统的性能。因此，作为低级视觉任务，将低光图像转换为正常曝光的高质量图像尤其重要。

传统方法在处理暗光图像时主要分为两类，第一类建立在直方图均衡（HE）技术的基础上，第二类基于Retinex理论，将图像建模分解为两个组成部分，即照明分量和反射分量。虽然传统方法在某些情况下可能得到不错的结果，但是仍然受到反射和照明分解模型限制，即很难设计出能够应用于各种场景的图像分解的约束模型。

近年来，由于基于深度神经网络(DNN)的生成模型的丰富可能性，微光图像增强问题被重新表述为图像到图像的转换问题，即增强结果可以在不需要任何物理假设的情况下恢复。尽管基于DNN的各种模型极大地提高了恢复结果的视觉质量，但它们在高频纹理特征的处理上依旧存在不足。

发明内容

针对上述现有技术缺陷，本发明提出一种融合高低频特征信息的低光图像增强方法及装置，本发明使用多尺度深度堆叠拉普拉斯分离低频照度特征和高频纹理特征，在UNet上使用基于双通道注意力下的拉普拉斯多尺度特征提取块LRMSDA（基于双通道注意力下的拉普拉斯多尺度特征提取块，Laplacian Residual Multi-Scale featureextraction block based on Dual channel Attention，简称LRMSDA），更进一步增强网络对低频照度特征和高频纹理信息的感知与融合，在低光图像增强中能有效抑制噪声和增强纹理细节。

本发明采用的技术方案如下：

一种融合高低频特征信息的低光图像增强方法，其特征在于，包括如下步骤：

S1：采集RGB格式的正常光-低光图像对，图像信息分别记为、；

S2：对采集到的低光图像分解为光照分量I_low和反射分量R_low；

S3：对分解得到的光照分量I和反射分量R进一步分解为三级拉普拉斯金字塔，分别记为、；

S4：分别将光照分量I和反射分量R的三级拉普拉斯金字塔、输入到带有LRMSDA模块的三个U-Net分支网络N1、N2、N3中，得到增强后的光照分量和反射分量；

S5：对增强后的光照分量和反射分量进行逐通道逐像素相乘操作得到低光增强后的正常光图像。

在一种实施方式中，所述S2是使用经典Retinex-Net分解。经典Retinex-Net分解网络是一个以Sigmoid层结束的两分支全卷积神经网络，这两个分支分别用于估计正常光照图与低光图像的光照分量I和反射分量R。