买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南大学

摘要：本发明涉及一种图像增强方法，特别是指一种基于多尺度和上下文学习网络的低照度图像增强方法。构建基于多尺度和上下文编码的网络，通过提高模型的多尺度特征表示能力和学习全局视野，充分学习丰富的局部和全局信息，从而实现自适应的低光照图像增强，该网络的输入为低光照图像，输出为其对应的增强图像；有益效果在于，该模型能够提高多尺度特征表示能力和学习全局视野，充分学习丰富的局部和全局信息，从而实现自适应的低光照图像增强，在保证上色结果图像质量的同时提高了颜色的饱和度和多样性，增强低光照图像的细节信息，使低光照图像增强效果更自然、更清晰。

主权项：1.一种基于多尺度和上下文学习网络的低照度图像增强方法，其特征在于：构建基于多尺度和上下文编码的网络，即MultiscaleandContextLearningNetwork，简称MCL-Net，通过提高模型的多尺度特征表示能力和学习全局视野，充分学习丰富的局部和全局信息，从而实现自适应的低光照图像增强，该网络的输入为低光照图像，输出为其对应的增强图像；为了提取多尺度特征，通过四个多尺度特征提取模块和三个双线性插值操作，融合跳跃连联、上下文编码和最大池化，构建了多尺度特征学习子网络；为了获取全局视野以引导局部的照度增强，构建由转换器实现的上下文编码子网络；为了生成增强结果，构建由三组“上采样+特征拼接+多尺度特征学习子网络”和一个1×1卷积堆叠而成的上采样子网络；包括以下步骤：步骤1，构建基于多尺度和上下文编码的网络，网络框架具体由多尺度特征学习子网络、上下文编码子网络和上采样子网络组成；MCL-Net表示为：Fimg＝HconHmsIllIen＝HupFimg其中，Hms·，Hcon·和Hup·分别表示多尺度特征学习子网络、上下文编码子网络和上采样子网络模块；Ill和Ien表示低光照图像和照度增强后的图像；Fimg表示多尺度特征学习子网络的输出特征；步骤2，构建核心多尺度学习模块，结合不同步长的最大池化操作和注意力机制来构建该模块，使其能够增强网络对多尺度信息的表示能力，从而有效地学习照度分布信息；多尺度学习模块利用不同步长的最大池化操作获得多尺度特征，然后特征送入空间注意力和3×3卷积以过滤噪声信息；多尺度特征融合时引入通道注意力加权不同的尺度特征，而非简单的同等对待各个尺度的信息，使得网络学习到更有价值的多尺度信息；该模块可以表示为：Fi＝MSixMF＝FuF1，F2其中，MS·表示最大池化、空间注意力、3×3卷积和上采样操作，Fu·为多尺度特征融合操作，包括基于通道的特征拼接、1×1卷积、通道注意力和逐像素相加操作；此外，该模块还引入了1×1卷积和自校准卷积；1×1卷积用来缩放输入、输出特征的通道，从而减少计算量；自校准卷积用于捕获包含局部长距离依赖关系；步骤3，为了使MCL-Net获取全局视野以引导局部的照度增强，设计由Transformer实现的上下文编码子网络；转换器用于捕获长距离依赖关系，主要由1个图像块嵌入、2个编辑器和1个上采样操作组成；输入特征首先经过图像块嵌入序列化处理，然后与位置嵌入融合后送入第一个编辑器，第二个编辑器的输入由第一个编辑器输出和位置嵌入组成，最后将序列化的向量经变形操作转成二维特征图，并送入上采样操作得到最终的输出；s3.1，PatchEmbedding：用于将输入特征切分成若干个p*p的块，并转换成序列化的向量；首先将输入特征C×H×W送入卷积核和步长均为p的卷积操作Hconv得到的特征，然后经过变形操作HResh和归一化操作HNorm获得序列化的向量FFE可表示为： s3.2，编辑器Encoder：编辑器Encoder是转换器的核心模块，用于像素间的捕获长距离依赖关系，每个编辑器Encoder由两个转换器编辑器TransformerEncoder组成；转换器编辑器TransformerEncoder的输入首先经过归一化处理，然后分别做线性变换w1,w2,w3得到关键向量Key、查询向量Query和值向量Value，并将其送入HMHSA，将输入与HMHSA的输出逐像素相加后送入前馈网络中HNorm与HMLP，再将输入与前馈网络HFF的输出相加得到转换器编辑器TransformerEncoder最终的输出；转换器编辑器TransformerEncoder可表示为： 其中，x,xpe为输入特征和位置编码信息，H,W为特征图的高、宽，i,j为特征图的元素下标，为逐像素相加；步骤4，上下文编码子网络的输出和多尺度子网络的中间输出作为上采样子网络的输入；最后采用1×1卷积将通道数映射到输出通道，得到增强图像。

全文数据：

权利要求：

百度查询： 湖南大学 一种基于多尺度和上下文学习网络的低照度图像增强方法