[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

说明书

本发明公开了一种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，图像增强模型由特征提取阶段，增强阶段和融合阶段构成。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；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；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。本发明能够自适应的提升图像亮度的同时降低图像的噪声和去除伪影，能解决低光照图像对比度低、细节信息丢失、颜色失真以及噪声伪影等引起的过度曝光问题。

技术领域

本发明属于图像处理技术领域，涉及多支路融合注意力机制的低光照图像增强模型、方法、设备及存储介质。

背景技术

计算机视觉领域高速发展的今天，高质量图像不仅记录日常生活而且还为科研提供了便利。在日常生活中由于受到天气晴雨、光照强度或拍摄方式等影响，使得得到的图像对比度低、噪声严重以及出现伪影和信息丢失等问题。从而影响后续的操作如目标识别、图像分类以及检测等。因此，低光照图像增强技术应运而生。

对于低照度图像增强，人们近年来提出了各种不同的算法，主要分为三类：基于传统算法、基于物理模型先验算法、基于深度学习算法。

针对传统算法如直方图均衡化、伽马校正等灰度增强方法，其通过对亮区域进行灰度拉伸，以达到对暗区域增强的目的。LIME[详见“Guo X,Li Y,Ling H.LIME:Low-lightimage enhancement via illumination map estimation[J].IEEE Transactions onimage processing,2016,26(2):982-993.”]通过优化低光图像的亮通道图得到光照图像，然后再经过伽马变换得到增强后图像；这些方法能够有效的提升全局和局部对比度，但对数据处理不够敏感，易使局部仍存在一些不好的视觉效果。

针对物理模型先验算法，如Retinex模型是模仿人类视觉系统构建出的算法。MSR[详见“Jobson D J,Rahman Z,Woodell G A.A multiscale retinex for bridging thegap between color images and the human observation of scenes[J].IEEETransactions on Image processing,1997,6(7):965-976.”]和SRIE[详见“Fu X,Zeng D,Huang Y,et al.A weighted variational model for simultaneous reflectance andillumination estimation[C]//Proceedings of the IEEE conference on computervision andpattern recognition.2016:2782-2790.”]等，能够在一定程度上对低光图像质量有所提高，但在求解构建出的复杂先验正则项，往往需要进行多次的迭代，耗时长。