[发明专利]基于LAB空间和多尺度特征金字塔的低照度图像增强方法

权利要求书

1.一种图像增强方法，其特征在于，所述方法包括以下步骤：

S100、将原始图像转换到LAB色彩模式，所述LAB色彩模式包括明度值、A通道值和B通道值，所述原始图像为三通道图像；

S200、基于原始图像的明度值，计算原始图像的光照注意力图，所述光照注意力图为单通道图像；

S300、将原始图像与所述光照注意力图按像素位置相乘，得到乘积图；

S400、将所述乘积图输入到膨胀卷积的全卷积神经网络，得到噪声注意力图，所述噪声注意力图为三通道图像；

S500、将原始图像、所述光照注意力图和所述噪声注意力图输入到多尺度特征金字塔网络，得到增强去噪图像。

2.根据权利要求1所述的图像增强方法，其特征在于，所述光照注意力图为：

其中，L为原始图像中某一具体像素的明度值，min(L)为原始图像中所有像素明度值的最小值，max(L)为原始图像中所有像素明度值的最大值，L_AM为原始图像的光照注意力图。

3.根据权利要求1所述的图像增强方法，其特征在于，所述膨胀卷积的全卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和第八卷积层；

所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第七卷积层和所述第八卷积层均为3×3的卷积核；

所述第一卷积层、所述第二卷积层、所述第五卷积层和所述第八卷积层的填充值为1，所述第三卷积层和所述第六卷积层的填充值为2，所述第四卷积层和所述第七卷积层的填充值为5；

所述第二卷积层和所述第五卷积层的膨胀值为1，所述第三卷积层和所述第六卷积层的膨胀值为2，所述第四卷积层和所述第七卷积层的膨胀值为5；

所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第七卷积层的输出通道值均为64，所述第八卷积层的输出通道值均为3。

4.根据权利要求3所述的图像增强方法，其特征在于，还包括第一ReLU激活函数和第二ReLU激活函数，所述第一ReLU激活函数设置在所述第一卷积层和所述第二卷积层之间，所述第二ReLU激活函数设置在所述第八卷积层的后端并与所述第八卷积层连接。

5.根据权利要求1所述的图像增强方法，其特征在于，所述多尺度特征金字塔网络包括：

第一处理通道，所述第一处理通道包括第一增强网络；

第二处理通道，所述第二处理通道包括依次连接的第二下采样模块、第二增强网络和第二上采样模块；

第三处理通道，所述第三处理通道包括依次连接的第三下采样模块、第三增强网络和第三上采样模块；

第四处理通道，所述第四处理通道包括依次连接的第四下采样模块、第四增强网络和第四上采样模块；

第五处理通道，所述第五处理通道包括依次连接的第五下采样模块、第五增强网络和第五上采样模块；

所述第一增强网络的输入端、所述第二下采样模块的输入端、第三下采样模块的输入端、第四下采样模块的输入端和第五下采样模块的输入端分别输入所述原始图像、所述光照注意力图和所述噪声注意力图。

6.根据权利要求5所述的图像增强方法，其特征在于，所述多尺度特征金字塔网络还包括：

通道拼接器，所述第一增强网络的输出端、所述第二上采样模块的输出端、所述第三上采样模块的输出端、所述第四上采样模块的输出端和所述第五上采样模块的输出端分别与所述通道拼接器的输入端连接；

第九卷积层，所述第九卷积层的输入端与所述通道拼接器的输出端连接，所述第九卷积层的卷积核为3×3，所述第九卷积层的输出为所述增强去噪图像。