[发明专利]一种结合注意力机制和Retinex模型的低光图像增强方法

说明书

本发明公开了一种结合注意力机制和Retinex模型的低光图像增强方法，涉及低光图像技术领域。本发明提出信息提取网络，它可以学习获取图像的反射率、照度和注意力图。首先，我们使用Attention‑Net获取图像的注意力图，然后通过Decomposition‑Net将原始空间解耦成两个更小的子空间。其次，采用注意力图以区域自适应的方式引导反射率恢复，本发明出了一种结合注意力机制和Retinex模型的技术CAR Net来增强低光图像，在注意力信息的指导下，CAR Net可以成功处理噪声、颜色失真和多种类型的退化；本发明制定了一个注意力图来以区域自适应的方式引导反射率恢复，以便在增强过程中更加关注曝光不足的区域，并避免过度增强正常曝光区域。

技术领域

本发明属于低光图像技术领域，特别是涉及一种结合注意力机制和Retinex模型的低光图像增强方法。

背景技术

低光图像增强一直是学术界研究的热门课题，因为这些图像不仅能见度低，无法满足人们理想的视觉效果和需求，而且对图像分割、目标检测和跟踪等传统计算机视觉任务也带来了很大的挑战。早期的研究采用频域方法来增强图像，通过对小波系数的增强，可以有效地突出图像细节，但同时也会放大隐藏在图像中的噪声，且该类算法需要大量计算，变换参数的选取无法做到自动选择；图像融合方法通过图像处理和计算机视觉技术，在不需要物理模型的情况下，从采集到的同一目标的不同图像中提取有用信息，合成高质量图像，它们的增强效果良好，但当面临实时监控需求场景时，很难在短时间内实现增强；去雾模型具有良好的性能，也能在一定程度上增强图像的可见度，但它们缺乏基本模型的物理解释，且需要一些额外的降噪处理来消除噪声，这将不可避免导致细节模糊；基于传统Retinex模型的方法不仅在提高图像的对比度和亮度方面取得了良好的效果，而且在彩色图像增强方面也有明显的优势，但这类算法仅在手工约束的条件下构建，不足以适应各种自然图像的复杂信号特征。

近年来，深度学习在底层图像处理领域取得了巨大的成功，为底层图像处理任务带来巨大变化的同时，也为低光图像增强的性能带来了显著的提升。Lore等人创建了一个深度自动编码器来增强低光图像，以实现自适应亮度调整和去噪；Chen等人引入了Raw格式的短曝光低光图像数据集SID，并提出一种基于完全卷积网络的方法来处理这些图像；Wei等人构建了一个包含低光图像和正常光图像的成对数据集，并提出了一个名为Retinex-Net的深度网络；Zhang等人建立了一个简单而有效的点燃黑暗(KinD)的网络，该网络由层分解、反射率恢复和光照调节三个子网组成，并利用成对的数据集进行测试；Lv等人提出了一种新的基于多分支卷积神经网络的端到端注意力引导方法，该方法同时学习两个注意力图来分别指导亮度增强和去噪任务，可以同时实现低光增强和去噪；Xu等人提出了一种基于频率的分解和增强模型，该模型首先利用注意力上下文编码模块来恢复低频层图像内容并去噪，然后利用恢复的图像增强高频细节；Fan等人整合了Retinex分解和语义信息感知的思想，将语义信息引入Retinex模型中，指导两个组件的增强；Jiang等人应用非配对学习来测试低光增强模型，该模型摆脱了成对数据集的构造，解决了测试数据集与实际测试应用之间的域转移问题，但是在使用时容易导致图像的部分区域产生曝光不足和失真。

发明内容

本发明的目的在于提供一种结合注意力机制和Retinex模型的低光图像增强方法，以解决了现有的问题：现有的图像增强技术在进行使用时容易导致图像的部分区域产生曝光不足和失真。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种结合注意力机制和Retinex模型的低光图像增强方法，包括以下步骤：

建立信息提取网络、反射率恢复网络和光照调节网络；

建立三个子网分别对f_decom(·)，f_restore(·)和f_adjust(·)进行建模；