[发明专利]多支路融合注意力机制的图像增强模型、方法、设备及存储介质

权利要求书

1.一种多支路融合注意力机制的图像增强模型，其特征在于，包括：特征提取阶段，增强阶段和融合阶段；

所述特征提取阶段负责识别低光图像的不同区域，并提取出边缘、纹理等有效信息；

所述增强阶段将提取出来的特征通过结合注意力机制自适应设置不同权重，来增强图像并实现去噪；

所述融合阶段利用多分支融合网络将输出的结果进一步融合增强，最终输出增强图像。

2.根据权利要求1所述的一种多支路融合注意力机制的图像增强模型，其特征在于，所述特征提取阶段由3组深度可分离卷积层组成；

所述每组深度可分离卷积层的结构为Depthwise+BN+ReLu，其卷积核大小为3×3，通道数为32；

所述每组深度可分离卷积层负责提取不同区域的亮度并送到后续的操作；

所述深度可分离卷积层在降低运算量的同时，有助于提取低光照图像的边缘、纹理等有效的特征信息。

3.根据权利要求1所述的一种多支路融合注意力机制的图像增强模型，其特征在于，所述增强阶段由3个EM增强模块构成；

所述EM增强模块首先使用1个3×3的卷积层提取输入图像的有效特征，然后再经过CBAM模块来对不同区域识别和增强；

所述EM增强模块根据下采样输出的特征图的宽和高来设计下采样块的数量，共用到3个下采样块，在一系列对称的上采样块之后，输出增强特征图；

所述下采样块由步长为2的卷积层和ReLU组成；

所述下采样块将最大池化层替换为CBAM注意力模块；首先将输入特征分别进行通道池化，再分别经过卷积网络并将输出的结果进行元素拼接，得到权重系数Mc，最后与输入的特征相乘得到通道注意力模块的输出；再将通道注意力模块的输出作为空间注意力模块的输入，再经过3×3卷积层，得到权重系数Ms，最后再与最开始的输入特征相乘得到最后的结果；该模块的所有层采用3×3卷积层，通道数分别为16，32，64，128；

所述EM增强模块利用跳跃连接将从下采样的特征引入到其相对应的上采样模块中，来补偿丢失的细节信息，增强清晰度；

所述增强阶段分别对3个EM增强模块的输出EM₁o、EM₂o、EM₃o进行1×1卷积后，进行融合，即可得到对低光照图像增强的结果。

4.根据权利要求1所述的一种多支路融合注意力机制的图像增强模型，其特征在于，所述融合阶段负责融合增强阶段的输出结果；

所述融合阶段采用四尺度融合结构，用四条平行支路的多尺度卷积结构对增强模块的输出EMo进一步合并增强；

所述融合阶段输出的增强图像在颜色通道维度中连接来自EM₁o、EM₂o、EM₃o三个模块的所有输出；

所述融合阶段可以完全保留增强模块的信息并对其进行增强。

5.一种多支路融合注意力机制的图像增强方法，其特征在于，按以下步骤进行图像增强：

步骤S1、将低光图像输入到多支路融合注意力机制的图像增强模型中；

步骤S2、多支路融合注意力机制的图像增强模型，利用特征提取模块识别低光图像的不同区域，并提取出边缘、纹理等有效信息；

步骤S3、多支路融合注意力机制的图像增强模型，利用增强模块通过设置不同权重，增强步骤S2中提取的边缘、纹理等特征，并完成去噪，得到增强特征图；

步骤S4、多支路融合注意力机制的图像增强模型，利用融合模块对步骤S3输出的增强特征图进一步合并增强，得到最终的增强图像。