申请/专利权人：西北工业大学

申请日：2023-11-30

公开（公告）日：2024-03-08

公开（公告）号：CN117670733A

主分类号：G06T5/77

分类号：G06T5/77;G06T5/70;G06V10/764;G06N3/0455;G06V10/774;G06V10/80

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明公开了一种基于小波谱学习的低光照图像增强方法，首先输入低光照图像和标签图像，经过潜在编码器得到先验知识真值；然后使用先验知识训练扩散模型，在预测阶段，使用随机噪声得到先验知识；再使用先验知识P构建基于小波的Transformer模块；利用基于小波的Transformer模块，构建对称分层网络架构；最终使用输出图像与先验知识真值优化网络模型。本发明成功解决了在低光照条件下图像细节部分的恢复问题，为低光照图像增强提供了一种高效的解决方案。

主权项：1.一种基于小波谱学习的低光照图像增强方法，其特征在于，包括如下步骤：步骤1：输入低光照图像Ilow和标签图像Igt，经过潜在编码器得到先验知识真值pgt；输入低光照图像Ilow和标签图像Igt，将它们在通道维度进行合并，然后将合并后的图像输入到潜在编码器LE，潜在编码器LE由多个残差模块连接而成的卷积层组成；通过对潜在编码器LE提取的特征进行平均池化操作，得到一个知识向量；通过多个全连接层，将该知识向量映射到先验知识真值过程如下：pgt＝LECatIlow，Igt1式中，LE表示潜在编码器，Cat表示通道维度的合并操作；步骤2：使用先验知识pgt训练扩散模型，在预测阶段，使用随机噪声得到先验知识P；所述扩散模型是一种生成模型，包括两个过程，分别为前向过程和反向过程；其中前向过程又称为扩散过程，前向过程是加噪的过程；扩散模型对先验知识pgt进行加噪生成噪声变体pt，过程如下： 其中αt＝1-βt，βt∈0，1是一个控制添加噪声方差的场数超参数，对应于扩散步骤T；p0表示初始概率分布，αi表示扩散过程中的控制参数，用于混合先验知识和噪声；反向过程是一个T步马尔可夫链，以相反的方式从pt回推到p0；具体来说，对于从pt回推到pt-1的反向步骤，采用了后验分布，如下所示： 其中∈代表pt中的噪声；μtpt，p0表示反向过程中计算后验分布中的均值；步骤3：使用先验知识P构建基于小波的Transformer模块；基于小波的Transformer模块WTB由两个元素组成：频率感知自注意力FASA和小波频谱调制前馈网络WMFN；输入为低光照图像X0，WTB的编码过程如下：X′l＝Xl-1+FASALNXl-14Xl＝X′l+WSMFNLNX′l，P5式中LN表示归一化操作，Xl和X′l分别代表FASA和WMFN的输出特征，P表示先验特征；步骤4：利用基于小波的Transformer模块，构建对称分层网络架构；在对称分层网络架构左侧输入图像Ilow，使用WTB模块和下采样模块交替执行得到四种尺度的特征；在模型右侧，使用上采样模块和WTB模块交替执行，其中左侧得到的特征与右侧生成的相同大小特征进行通道合并，经过1×1的卷积操作后再输入到WTB模块中；最终生成的特征与输入图像Ilow相加，得到增强后的图像Inormal；表示如下：Inormal＝FIlow+Ilow6式中F表示对称分层网络架构；步骤5：使用输出图像与先验知识真值pgt优化网络模型；通过优化器对损失函数进行最小化训练，损失函数由两部分构成，一是图像生成结果Inormal与真实图像Igt之间的差距，二是先验知识之间的差异；损失函数公式如下： 式中||•||1表示L1范数；训练过程旨在通过最小化损失函数，使得网络能够准确地生成与真实图像相似的结果。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于小波谱学习的低光照图像增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD