申请/专利权人：西安交通大学

申请日：2020-11-25

公开（公告）日：2024-04-16

公开（公告）号：CN112435191B

主分类号：G06T5/60

分类号：G06T5/60;G06T5/92;G06N3/0464;G06N3/045;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：本发明公开了一种基于多个神经网络结构融合的低照度图像增强方法，首先构造训练数据集，得到数据充足的训练集；然后以GLADNet网络结构作为基础，在其中连续的下采样层中间加入卷积层；在网络结构的输出处，加入ResNet网络结构，提高神经网络的训练能力；接着在所搭建的网络结构的多通道处，加入通道注意力机制和空间注意力机制；使用训练数据集和搭建的深度学习网络模型，选取Adam优化器和合适的损失函数对网络模型进行训练；将测试数据集中的低照度图像输入到训练好的网络模型中，得到增强后的图像，并用峰值信噪比和结构相似性指数度量增强的测试图像，说明网络性能。本发明在峰值信噪比和结构相似度指标上有了明显的提升。

主权项：1.一种基于多个神经网络结构融合的低照度图像增强方法，其特征在于，包含以下步骤：1构造训练数据集，选取LOLdataset和MIT-AdobeFiveKdataset数据集中的共5000对正常光照图像和对应的低照度图像作为训练数据集；2以GLADNet网络结构作为基础，在其中连续的下采样层中间加入卷积层，卷积层中激活函数采用线性整流函数ReLU；3在步骤2得到的网络模型的输出处加入ResNet结构，将输入低照度图像与最后一层卷积层的输出相加，然后得到高质量的图像；4在步骤3所搭建的网络结构的多通道处，加入通道注意力机制和空间注意力机制；所述步骤4在步骤3所搭建网络结构上的具体实现方法包括以下步骤：4a在第三层上采样后，加入注意力机制；4b在第四层上采样后，加入注意力机制；4c在网络结构的重建图像细节部分，连续的卷积层中第四层卷积后加入注意力机制，上述三个步骤中加入的注意力机制是由通道注意力机制SENet和CBAM中的空间注意力机制串接组成；5选取合适的优化器与损失函数，使用步骤1中的数据集和步骤4中的网络模型进行训练；具体实现方法包括以下步骤：5a将训练集的图像分批次输入到本发明所搭建的网络框架中，设置合适的批处理大小为8，设置初始学习速率为0.001，设定迭代一定次数后将学习速率减少15；5b设置网络训练的损失函数为： 其中，N为图像训练集中图像的数目，Xi和Yi表示训练集中的低照度图像与对应的正常光照的图像，F·表示步骤4中的网络结构，||·||1表示L1范数；5c使用Adam优化器，不断学习优化5b中设定的网络损失函数；6对步骤5中的已训练网络模型进行测试实验，并用峰值信噪比和结构相似性指数度量增强的测试图像，说明网络性能。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于多个神经网络结构融合的低照度图像增强方法

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