[发明专利]一种基于RAW图像的低弱光图像增强方法与装置

权利要求书

1.一种基于RAW图像的低弱光图像增强方法，其特征在于，包括以下步骤：

步骤1：分析低弱光RAW图像的数据特性，设计绿色通道引导卷积分支；

步骤2：基于RAW图像通道特性和残差密集结构，设计通道注意力引导残差密集模块；

结合注意力机制，优化现有残差密集结构，实现模块化设计；

步骤3：使用绿色通道引导卷积分支和通道注意力引导残差密集模块，构建多尺度并行特征提取主干网络；

从RAW图像利用的角度，通过设计多尺度并行特征提取架构，结合通道注意力引导残差密集模块，将输入的拜耳模式RAW图像降采样到不同尺度，同时进行特征提取与学习；

步骤4：建立真实图像过曝光增强的训练目标函数，对卷积神经网络的参数进行训练，得到低弱光RAW图像和参考图像之间的映射关系；

步骤5：输入需要测试的低弱光RAW图像和步骤4得到的低弱光RAW图像与参考图像间的映射关系；

通过构建低弱光RAW图像与正常光参考图像间的映射关系，将低弱光RAW图像映射成正常光照所需格式的图像。

2.如权利要求1所述的一种基于RAW图像的低弱光图像增强方法，其特征在于，步骤1中，在拜耳模式的RAW图像的每2×2块中，提取属于相应位置的两个绿色通道的像素，获得绿色通道，将其一同送至绿色通道引导卷积分支；

通道引导卷积分支通过空间自适应归一化方式实现，对于照明信息和通道隐藏特征的提取，使用3×3卷积对输入的两个绿色通道进行处理，然后通过两个单独的3×3卷积，生成元素级参数γ和β；

最后，通过相乘和加和操作，添加到批归一化后的激活元素中。

3.如权利要求1所述的一种基于RAW图像的低弱光图像增强方法，其特征在于，步骤3中，整体网络首先将输入的拜耳模式RAW图像分解转换为四通道图像，然后对其进行降采样，用于三个不同分支的多尺度特征学习，并提取相应的特征映射；

最后，对不同尺度下获取的特征映射上采样后进行拼接融合，实现跨不同图像尺度的协同特征提取和上下文特征信息聚合。

4.如权利要求1所述的一种基于RAW图像的低弱光图像增强方法，其特征在于，步骤4中，过曝光校正卷积神经网络的总训练目标函数为：

其中，θ表示卷积神经网络参数；I^out表示输入网络增强后的低弱光图像，I^gt表示参考sRGB图像；0.5是损失函数权重；表示平均绝对误差损失；表示小波结构相似性损失；表示小波均方误差损失；

式1中的进一步表示为：

为定义式1中的首先对图像I^out和I^gt进行二维离散小波变换DWT；

对于I^out，表示为：

其中，为下采样图像，为水平边缘检测图像，为垂直边缘检测图像，为角落检测图像；

为采用迭代DWT算法，结合式2，并令将其表示为：

其中，i为整数，取值范围为0至2；

I^gt的迭代DWT操作按照式3和式4的方式定义执行；

则式1中的表示为：

其中，r表示多频SSIM损耗之比；SSIM(·)为原始SSIM损耗；w表示不同滤波器的输出，且w∈{LL,HL,LH,HH}，将各w取值分别代入式5；对于为下采样图像，为水平边缘检测图像，为垂直边缘检测图像，为角落检测图像；

网络使用二维Haar小波实现三次小波变换；式1中的表示为：

其中，WT^t(·)表示分别从I^out和I^gt图像中所计算的小波系数的t阶尺度；

通过优化训练的目标函数式1，得到优化后的网络参数θ；

至此，得到低弱光RAW图像和参考sRGB图像之间的映射关系F。

5.如权利要求4所述的一种基于RAW图像的低弱光图像增强方法，其特征在于，式5中，r＝0.4。