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！

摘要：本发明公开了一种基于HFRC‑Diff的低照度叠加雾图像增强方法，该方法能够增强并恢复光照条件差且有雾气产生时的场景图像，使其还原为正常照度且表面干净的高质量图像。包括如下步骤：1加工现有数据集；2训练IP‑NetInitialpredictionNetwork初始预测模块；3训练以空间域和频率域引导的条件扩散模型Frequency‑domainandSpatial‑domainGuidedforDiffusion；4训练并行注意力特征融合模块。5对整个低照度叠加雾图像增强网络的测试。这种方法能弥补低照度图像和正常照度图像之间像素级和语义级的差距，同时达到良好的去雾效果，在复杂场景下生成更高质量的图像。

主权项：1.一种基于HFRC-Diff的低照度叠加雾图像增强方法，其特征包括以下方法步骤：1加工现有公开数据集：1LOL-V1数据集包含500个低光正常光图像对，随机挑选80％作为训练集，20％作为测试集；LOL-V2数据集包括LOL-v2-real和LOL-v2-synthetic两个子集，其中LOL-v2-real包含689个低光正常光图像对，LOL-v2-synthetic包含1000个低光正常光图像对，对这两个子集都随机选取其中的80％作为训练集，20％作为测试集。利用现有的自然雾合成算法对数据集的低照度图像都融合进随机大小范围的雾气。2SID数据集包含5094张低照度图像及其对应的正常照度图像。随机挑选70％作为训练集，30％作为测试集。利用现有的自然雾合成算法对数据集的低照度图像都融合进随机大小范围的雾气。2训练IP-NetInitialpredictionNetwork初始预测模块，见图2，包括下述步骤：1对1中的训练数据集进行预处理，所有低照度叠加雾图像的宽度和高度统一缩放至256*256像素，然后通过直方图均衡化提升图像亮度和对比度，得到初步增强的低照度叠加雾图像。2将1中得到初步增强的低照度叠加雾图像送入混合频域信息提取模块Frequency-domainInformationExtracter中，见图3，同时引入两个额外的损失函数，分别是快速傅里叶变换损失和二维离散小波变换损失，见图4，在获得主要低频信息的同时进一步恢复高频信息，以此得到低频和高频信息混合的预测图。3将2得到的混合频域信息预测图送入频域信息分离模块Frequency-domainInformationSplitter中，见图2，也即利用逆快速傅里叶变换将混合频域信息预测图分别输入自适应高斯高通滤波器和自适应高斯低通滤波器，得到只含高频信息和只含低频信息的两个初始预测图。3训练以空间域和频率域引导的条件扩散模型，包括下述步骤：1对2-1中预处理后数据对应的正常照度图像执行前向添加高斯噪声过程。2构建以高频信息引导的通道注意力模块HF-guidedCA，见图7，在Unet每一层下采样层和对应的上采样层都嵌入HF-guidedCA，也即将Unet的下采样层的输出作为通道注意力模块的输入内容，对输入特征图的所有通道都分别应用注意力机制进行加权操作，可以灵活地捕捉通道间的依赖关系，以捕获对色彩具有突出作用的信息，从而对齐语义信息。3在逆向去噪过程中使用MFS-UnetMixFrequency-domainandSpatial-domainConditionforUnet网络估计噪声，见图6，即引入了以高频信息引导的通道注意力模块的Unet网络，将得到的2-2中的混合频域信息预测图和分离得到的高频分量和低频分量三个图像作为MFS-Unet网络的一个输入，另一个输入是时间步t得到的噪声图像，添加的高频信息引导的通道注意力模块可以使得MFS-Unet网络提升提取高频特征的能力，帮助恢复更精细的高频细节，从而达到更准确地估计噪声的目的。4将3步骤中得到的纯噪声图像与当前时间步t得到的添加了高斯噪声的图像执行相减操作，得到一个去噪过程的高频残差图像。以此类推，在预设定的时间步长完成后得到最终的去噪高频残差图像。4训练并行注意力特征融合模块，包括下述步骤：1首先对2-3中输出的低频分量特征图与3-4输出的去噪高频残差特征图分别进行逐通道串联操作和逐元素加法操作，这两个分支分别得到一个初始的特征融合图。2对4-1中经过逐通道串联操作的输出结果应用通道注意力机制，对经过逐元素加法操作的输出结果应用像素注意力机制，两个操作并行进行。3对4-2得到的两个注意力图进行逐元素加法操作，完成最后的特征融合，输出低照度叠加雾图像的增强结果。5对整个低照度叠加雾图像增强网络的测试，包括下述步骤：1将LOL-V1，LOL-V2和SID测试集中低照度叠加雾图像首先进行图像均衡化提升亮度和对比度，然后送入具有预训练权重的IP-Net初始预测模块中得到初步混合高频和低频信息的预测图以及分解出来的高频分量和低频分量，见图2。2将1得到三个图像进行逐通道拼接后作为条件图像，同时生成随机高斯噪声一起送入训练好的条件扩散模型中进行去噪增强。3将增强后的结果与1中得到的低频分量图像送入并行注意力特征融合模块。4对3中得到的特征融合结果进行PSNR和SSIM图像质量评估。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于HFRC-Diff的低照度叠加雾图像增强方法