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：太原理工大学

摘要：本发明公开了一种基于渐进式特征感知循环深度网络的低照度图像增强方法。低照度图像增强任务中同时增强光照和颜色信息容易引起二者混淆，导致增强结果出现颜色失真、曝光过度和曝光不足。为此，我们提出了一种具有协调注意力机制的渐进特征感知语义低照度增强循环网络，逐步地恢复图像的光照和颜色信息。具体地，通过像素级注意力循环子网络自适应地增强光照。在光照信息的引导下，颜色增强子网络使用通道注意力机制平衡HSV色彩空间通道的增强。最后，通过双重注意力循环精细化子网络进一步增强初步复原图像。这种渐进式学习模式使每个子网络可以专注于特定特征语义的学习，整个网络实现了多语义累积学习。

主权项：1.一种基于渐进式特征感知循环深度网络的低照度图像增强方法，其特征在于，包括以下步骤：步骤1，基于Retinex理论建立低照度图像分解模型，将低照度图像分解为正常光照图像和残差光照图像的乘积，即：Ilx,y＝Inx,y*Lrx,y其中，Ilx,y表示低照度图像，Inx,y表示正常光照图像，Lrx,y代表导致残差光照图像；步骤2，将低照度图像输入光照补偿子网络，提取图像的光照信息特征，得到光照正常的图像；步骤3，将低照度图像与步骤2得到的光照正常的图像串联，输入色彩补偿子网络，进而获得光照和色彩正常的初步复原图像；步骤4，将步骤3得到的初步复原图像输入精细化复原子网络，对初步复原图像进行进一步增强；步骤5，设定光照补偿子网络、色彩补偿子网络和精细化复原子网络的损失函数，在损失函数约束下，通过真实数据集上学习网络模型参数对各子网络进行迭代训练，直至网络收敛；所述步骤2中光照补偿子网络为：串联的两个前端卷积层、第一阶段LSTM循环卷积模块、两个后端卷积层，所述第一阶段LSTM循环卷积模块由三组串联的LSTM卷积层和像素注意力层组成；所述步骤3中色彩补偿子网络为：串联的一个前端卷积层、第二阶段LSTM循环卷积模块、两个后端卷积层，所述第二阶段LSTM循环卷积模块由三组串联的LSTM卷积层和通道注意力层组成；所述步骤4中精细化复原子网络为：串联的一个前端卷积层、第三阶段LSTM循环卷积模块、两个后端卷积层，所述第三阶段LSTM循环卷积模块由三组串联的LSTM卷积层和双重注意力层组成；所述步骤5中光照损失函数为： 其中，N表示训练数据的总数，Iv和分别表示正常光照图像真实的光照值和预测的光照值，和分别代表光照通道平衡绝对损失和SSIM损失的权重；所述色彩损失函数为： 其中，Ihsv和分别表示图像在HSV空间的真实值和预测值，和分别代表HSV空间平衡绝对损失和SSIM损失的权重；所述精细化复原子网络的损失函数为： 其中，I和分别表示RGB空间真实正常光照图像值和预测的正常光照图像值，γal和γssim分别代表RGB空间平衡绝对损失和SSIM损失的权重。

全文数据：

权利要求：

百度查询： 太原理工大学 基于渐进式特征感知循环深度网络的低照度图像增强方法