[发明专利]基于Retinex和注意力机制的暗光图像增强方法

说明书

一种基于Retinex和注意力机制的暗光图像增强方法，首先设计一个主体结构为U‑Net的分解网络，它由两个支路组成，将暗光图像和正常光照图像分别输入两个支路中。其中暗光图像分解支路输出暗光图像的反射分量和光照分量。再将反射分量进行BM3D去噪操作，得到去噪后的反射图。将光照分量和光照调节参数输入到加有注意力机制的光照调节网络中，输出为增强后的光照分量。最后将经过BM3D去噪操作后的反射分量与光照调节网络输出的光照分量进行重构操作，得到暗光图像增强网络增强后的图像。本发明对暗光图像的增强具有较好的效果。

技术领域

本发明涉及图像增强技术，特别涉及一种基于Retinex理论和注意力机制的暗光图像增强方法。

背景技术

随着近年来深度学习的不断发展，计算机视觉也得到了进一步的发展。目前，数字图像广泛应用于航空航天，智慧医疗，军事侦察等各个方面。在医疗诊断方面，良好的图像质量对诊断的效果也至关重要。暗光图像增强逐步成为计算机视觉任务中的研究热点之一。

目前由于技术原因，昏暗环境下拍摄的图片中存在暗区，部分掩藏在暗区的信息难以被发现，且图片存在大量噪声，细节损失比较严重，给图片的进一步处理如目标检测，图像识别等带来困难。因此，暗光图像增强具有重要的理论意义和实际应用价值。

发明内容

为了克服现有的技术在暗光图像增强中会引入噪声，细节丢失，色彩失真等不足，消除图片中的暗区，使暗区中存在的图像细节能较为清晰地显示出来。本发明提出一种基于注意力机制和Retinex的光照可调节的低光照图像增强的方法，可以实现暗光图像的增强，并能够消除噪声干扰，使色彩更为自然，并且能够根据用户实际需求灵活地调整光照亮度。

为了解决上述技术问题提出的技术方案如下：

一种基于注意力机制和Retinex的暗光图像增强方法，包括以下步骤：

步骤1：设计一个网络主体结构为U-Net的多尺度融合的分解网络，它由两个支路组成，将低光照图像s_low和正常光图像S_normal分别输入到分解网络的不同支路中，得到两者的反射分量R和光照分量L；

步骤2：对步骤1得到的低光照图像的反射分量R_low采用BM3D方法进行去噪操作；

步骤3：改进了一个基于注意力机制的光照调节网络；因为网络使用的卷积是依靠堆叠多个特征图而形成感受野的粗糙特征的提取，对空间特征捕捉差，易产生边界扭曲，基于此，引入一种能提取空间信息的机制，改善网络结构，增强图像视觉感知质量；将暗光图像的光照分量L_low和光照调节率α作为输入，输入到加入注意力机制的光照增强网络，其中参数α被扩展为一个特征图，参与到光照调节网络的训练中；用户可通过调节参数α来灵活调整光线等级；

步骤4：将处理后的低照度图像的光照分量L′_low与反射分量R′_low进行点乘操作重构，得到暗光增强网络的最终增强结果S′_low。

进一步，所述步骤1中，所述分解网络的一个分支主体结构为U-Net，后面串接一个卷积层，其次是一个Sigmoid层，将输入的若干通道的特征图进行Sigmoid函数计算，作用是将输入的值转换到0-1之间，从而符合反射图和光照图的取值范围。

再进一步，所述步骤3的过程如下：

3.1光照调节网络主体结构为encoder-decoder,引入了多尺度连接，使网络能够捕获大范围内关于光照分布的上下文信息；

3.2在光照调节网络的上采样部分加入注意力模块，将暗光图像的光照分量L_low和光照调节率α作为输入，卷积操作之后的特征图先经过通道注意模块，再经过空间注意模块，通过注意力机制模块，网络可以充分利用特征图中不同信道、不同位置的信息，使网络结构更加灵活；