CN112862713B - 一种基于注意力机制的低光图像增强方法及*** - Google Patents
一种基于注意力机制的低光图像增强方法及*** Download PDFInfo
- Publication number
- CN112862713B CN112862713B CN202110142918.XA CN202110142918A CN112862713B CN 112862713 B CN112862713 B CN 112862713B CN 202110142918 A CN202110142918 A CN 202110142918A CN 112862713 B CN112862713 B CN 112862713B
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- adopting
- attention mechanism
- convolution layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000005286 illumination Methods 0.000 claims abstract description 25
- 210000001525 retina Anatomy 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 44
- 230000004913 activation Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于注意力机制的低光图像增强方法及***,包括:对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,且在每类卷积层后增设MSRF注意力机制操作;采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合网络得到增强后的图片。提出用于分解的视网膜分解网络RDNet和用于融合的融合增强网络FENet,引入基于多尺度感受域MSRF的注意力机制,并设计将比例因子积分到焦点损失函数中的ω焦点损失函数,以消除样本不平衡问题,提高低光图像增强的效果。
Description
技术领域
本发明涉及复杂背景下的目标检测技术领域,特别是涉及一种基于注意力机制的低光图像增强方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在弱光条件下拍摄的照片不仅会给用户带来不愉快的体验,而且还会降低其他计算机视觉任务的性能,如物体检测和人员再识别,因为这些任务的大多数解决方案都是针对曝光良好的图像设计的,因此,需要一种能有效提高微光图像质量的方法。
传统的单一弱光图像增强方法包括基于直方图的方法、基于去雾的方法和基于视网膜的方法。基于直方图的方法将直方图重新分配到均匀分布,并调整Gamma曲线指数。基于去雾的方法利用反图像弱光增强和去雾之间的相似性。基于retina的方法通常将弱光图像分解为光照和反射率成分,可以重构出更好的增强结果。
然而,大多数基于视网膜的方法假设在增强过程中反射率组分保持不变,不管颜色失真和丢失的细节;基于简单学***滑和纹理组件,而不考虑噪声;RetinexNet虽然也学习Retinex分解,但主要是处理分解后的光照图像,仅使用BM3D对分解后的反射率进行去噪,并不能得到较好的增强结果。
发明内容
为了解决上述问题,本发明提出了一种基于注意力机制的低光图像增强方法及***,提出用于分解的视网膜分解网络RDNet和用于融合的融合增强网络FENet,引入基于多尺度感受域MSRF的注意力机制,并设计将比例因子积分到焦点损失函数中的ω焦点损失函数,以消除样本不平衡问题,提高低光图像增强的效果。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于注意力机制的低光图像增强方法,包括:
对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,且在每类卷积层后增设MSRF注意力机制操作;
采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合网络得到增强后的图片。
第二方面,本发明提供一种基于注意力机制的低光图像增强***,包括:
分解模块,被配置为对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,且在每类卷积层后增设MSRF注意力机制操作;
增强模块,被配置为采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合增强网络得到增强后的图像。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提出用于分解的视网膜分解网络RDNet和用于融合的融合增强网络FENet,引入基于MSRF的注意力机制,基于MSRF的注意力机制生成注意图加权每个位置的图像特征,以突出特征图中正面目标的信息,为积极对象生成语义上强大的特征图;提出端到端检测框架,提高低光照片增强的效果,更好的恢复了图片的色彩和质感。
为了解决样本分布不平衡的问题,本发明设计多项损失函数,提出将一个比例因子积分到焦点损失中的ω焦点损失函数,该比例因子能够在训练过程中自动降低对象数量多的类别,并将更多的注意力分配到对象数量少的类别上,显著提高了对象较少类别的检测精度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的视网膜分解网络RDNet的分解结构图;
图2为本发明实施例1提供的基于MSRF的注意力机制结构图;
图3为本发明实施例1提供的融合增强网络FENet的结构图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种基于注意力机制的低光图像增强方法,包括:
S1:对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,且在每类卷积层后增设MSRF注意力机制操作;
S2:采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合网络得到增强后的图片。
所述步骤S1中,本实施例采用视网膜分解网络RDNet和基于多尺度感受域MSRF的注意力机制对低光图像进行分解,得到光照分量和反射分量,如图1所示,具体包括:
S1-1:对待增强的低光图像中RGB通道的每个像素点的最大值进行堆叠,得到包含4通道矩阵的一维张量,将该一维张量与原低光图像进行连接后,得到四维张量的估计照度图;
S1-2:所述四类不同卷积核大小的卷积层包括32个卷积核、卷积核大小为3*3的第一卷积层,64个卷积核、卷积核大小为3*3的第二卷积层,128个卷积核、卷积核大小为3*3的第三卷积层,1个卷积核、卷积核大小为1*1的第四卷积层;且每个卷积层均包括PReLU激活函数;
S1-3:对估计照度图依次通过四层卷积层的卷积操作后,最后经过sigmoid函数,将得到的前三通道作为反射分量,最后一通道作为光照分量,完成图像分解。
优选地,所述步骤S1-2中:
S1-2-1:对估计照度图采用32个卷积核、卷积核大小为3*3、激活函数为PReLU的第一卷积层进行两次卷积操作,对第一卷积层的卷积结果进行一次MSRF注意力机制操作;
S1-2-2:对第一卷积层的卷积结果和第一MSRF注意力机制操作结果采用64个卷积核、卷积核大小为3*3、激活函数为PReLU的第二卷积层进行两次卷积操作,对第二卷积层的卷积结果进行一次MSRF注意力机制操作;
S1-2-3:对第二卷积层的卷积结果和第二MSRF注意力机制操作结果采用128个卷积核、卷积核大小为3*3、激活函数为PReLU的第三卷积层进行四次卷积操作,对第三卷积层的卷积结果进行一次MSRF注意力机制操作;
S1-2-4:对第三卷积层的卷积结果和第三MSRF注意力机制操作结果采用1个卷积核、卷积核大小为1*1、激活函数为PReLU的第四卷积层进行一次卷积操作,将第四卷积层的卷积结果经过sigmoid函数完成图像分解。
优选地,所述MSRF注意力机制操作如图2所示,具体包括:
对前一个卷积层的卷积结果,即输入张量进行两次ReLU激活函数的1*1卷积核的卷积操作,然后经过1*1卷积核的卷积操作后,将输入张量与处理后的张量相加,最后再次采用ReLU函数,重复前述过程后,经过两次sigmoid激活函数的1*1卷积核的卷积操作,得到图像中不同位置的不同权值。
本实施例的基于MSRF注意力机制生成的注意图以加权图像特征的每个位置的重要性,以突出特征图中正面目标的信息;通过MSRF注意力机制操作后,最后经过sigmoid后得到一个小于1的概率值,即加权值,表示输入图像进入网络后,以不同的概率值加权不同的位置。
所述步骤S2中,本实施例提出新的损失函数对融合增强网络FENet进行训练,以解决样本分布不平衡问题;
具体地,将比例因子积分到焦点损失中,称为ω焦点损失,该比例因子能够在训练过程中自动降低对象数量多的类别,并将更多的注意力分配到对象数量少的类别上;ω焦点损失函数为:
其中,Wi是权值向量,表示训练集中所有对象类中正标签的比例,β是通过交叉验证设置的超参数,具体为:
Lω-CE=-ωilog(pi);
最终损失函数的loss值为:Lω-focal=-(ωi+αi·(1-pi)γ)log(pi)。
本实施例将分解得到的光照分量和反射分量输入训练后的融合增强网络FENet中,得到增强后的图片,如图3所示,具体包括:
S2-1:所述融合增强网络FENet包括32个卷积核、卷积核大小为3*3的第一卷积层,64个卷积核、卷积核大小为3*3的第二卷积层,128个卷积核、卷积核大小为3*3的第三卷积层,32个卷积核、卷积核大小为3*3的卷积连接层,64个卷积核、卷积核大小为3*3的第四卷积层;且每个卷积层均包括PReLU激活函数;
S2-2:对光照分量和反射分量采用第一卷积层进行两次卷积操作,采用第二卷积层进行两次卷积操作,采用第三卷积层进行四次卷积操作,采用卷积连接层进行一次卷积连接操作,采用第四卷积层进行两次卷积操作,且在每层卷积层的卷积操作后都进行一次MSRF注意力机制操作。
优选地,所述步骤S2-2中:
S2-2-1:对光照分量和反射分量采用32个卷积核、卷积核大小为3*3、激活函数为PReLU的第一卷积层进行两次卷积操作,对第一卷积层的卷积结果进行一次MSRF注意力机制操作;
S2-2-2:对第一卷积层的卷积结果和第一MSRF注意力机制操作结果采用64个卷积核、卷积核大小为3*3、激活函数为PReLU的第二卷积层进行两次卷积操作,对第二卷积层的卷积结果进行一次MSRF注意力机制操作
S2-2-3:对第二卷积层的卷积结果和第二MSRF注意力机制操作结果采用128个卷积核、卷积核大小为3*3、激活函数为PReLU的第三卷积层进行四次卷积操作,对第三卷积层的卷积结果进行一次MSRF注意力机制操作;
S2-2-4:对第三卷积层的卷积结果和第三MSRF注意力机制操作结果采用32个卷积核、卷积核大小为3*3、激活函数为PReLU的卷积连接层进行一次连接操作,将S2-2-1中卷积后的结果和S2-2-3中的卷积后的结果连接;
S2-2-5:将卷积连接层的连接结果采用64个卷积核、卷积核大小为3*3、激活函数为PReLU的卷积进行两次卷积操作;
S2-2-6:最后将第四卷积层的卷积结果通过sigmoid函数。
实施例2
本实施例提供一种基于注意力机制的低光图像增强***,包括:
分解模块,被配置为对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,且在每类卷积层后增设MSRF注意力机制操作;
增强模块,被配置为采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合增强网络得到增强后的图像。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于注意力机制的低光图像增强方法,其特征在于,包括:
对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,所述四类不同卷积核大小的卷积层包括:32个卷积核、卷积核大小为3*3的第一卷积层,64个卷积核、卷积核大小为3*3的第二卷积层,128个卷积核、卷积核大小为3*3的第三卷积层,1个卷积核、卷积核大小为1*1的第四卷积层;且每个卷积层均包括PReLU激活函数;且对第一卷积层、第二卷积层和第三卷积层的卷积结果都进行一次MSRF注意力机制操作;
所述MSRF注意力机制操作包括:对前一个卷积层的卷积结果,即输入张量进行两次ReLU激活函数的1*1卷积核的卷积操作,然后经过1*1卷积核的卷积操作后,将输入张量与处理后的张量相加,最后再次采用ReLU函数,重复前述过程后,经过两次sigmoid激活函数的1*1卷积核的卷积操作,得到低光图像中不同位置的不同权值;
采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合网络得到增强后的图片;
所述融合增强网络对光照分量和反射分量采用第一卷积层进行两次卷积操作,采用第二卷积层进行两次卷积操作,采用第三卷积层进行四次卷积操作,采用卷积连接层进行一次卷积连接操作,采用第四卷积层进行两次卷积操作,且对第一卷积层、第二卷积层和第三卷积层的卷积结果都进行一次MSRF注意力机制操作。
2.如权利要求1所述的一种基于注意力机制的低光图像增强方法,其特征在于,对待增强的低光图像中RGB通道的每个像素点的最大值进行堆叠,得到包含4通道矩阵的一维张量,将一维张量与原低光图像进行连接后,得到四维张量的估计照度图;对估计照度图依次通过四层卷积层的卷积操作后经过sigmoid函数,将得到的前三通道作为反射分量,最后一通道作为光照分量,完成低光图像的分解。
3.如权利要求2所述的一种基于注意力机制的低光图像增强方法,其特征在于,所述分解包括:采用第一卷积层进行两次卷积操作,对第一卷积层的卷积结果进行一次MSRF注意力机制操作;
对第一卷积层的卷积结果和第一MSRF注意力机制操作结果采用第二卷积层进行两次卷积操作,对第二卷积层的卷积结果进行一次MSRF注意力机制操作;
对第二卷积层的卷积结果和第二MSRF注意力机制操作结果采用第三卷积层进行四次卷积操作,对第三卷积层的卷积结果进行一次MSRF注意力机制操作;
对第三卷积层的卷积结果和第三MSRF注意力机制操作结果采用第四卷积层进行一次卷积操作,将第四卷积层的卷积结果经过sigmoid函数完成分解。
4.如权利要求1所述的一种基于注意力机制的低光图像增强方法,其特征在于,将训练集中所有对象类中正标签的比例因子积分到焦点损失函数中,得到ω焦点损失函数,根据ω焦点损失函数训练预构建的融合增强网络。
5.如权利要求1所述的一种基于注意力机制的低光图像增强方法,其特征在于,所述融合增强网络包括32个卷积核、卷积核大小为3*3的第一卷积层,64个卷积核、卷积核大小为3*3的第二卷积层,128个卷积核、卷积核大小为3*3的第三卷积层,32个卷积核、卷积核大小为3*3的卷积连接层,64个卷积核、卷积核大小为3*3的第四卷积层;且每个卷积层均包括PReLU激活函数。
6.一种基于注意力机制的低光图像增强***,包括:
分解模块,被配置为对待增强的低光图像采用视网膜分解网络进行分解,得到光照分量和反射分量,所述视网膜分解网络包括依次连接的四类不同卷积核大小的卷积层,所述四类不同卷积核大小的卷积层包括:32个卷积核、卷积核大小为3*3的第一卷积层,64个卷积核、卷积核大小为3*3的第二卷积层,128个卷积核、卷积核大小为3*3的第三卷积层,1个卷积核、卷积核大小为1*1的第四卷积层;且每个卷积层均包括PReLU激活函数;且对第一卷积层、第二卷积层和第三卷积层的卷积结果都进行一次MSRF注意力机制操作;
所述MSRF注意力机制操作包括:对前一个卷积层的卷积结果,即输入张量进行两次ReLU激活函数的1*1卷积核的卷积操作,然后经过1*1卷积核的卷积操作后,将输入张量与处理后的张量相加,最后再次采用ReLU函数,重复前述过程后,经过两次sigmoid激活函数的1*1卷积核的卷积操作,得到低光图像中不同位置的不同权值;
增强模块,被配置为采用焦点损失函数训练预构建的融合增强网络,对光照分量和反射分量采用训练后的融合增强网络得到增强后的图像;
所述融合增强网络对光照分量和反射分量采用第一卷积层进行两次卷积操作,采用第二卷积层进行两次卷积操作,采用第三卷积层进行四次卷积操作,采用卷积连接层进行一次卷积连接操作,采用第四卷积层进行两次卷积操作,且对第一卷积层、第二卷积层和第三卷积层的卷积结果都进行一次MSRF注意力机制操作。
7.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110142918.XA CN112862713B (zh) | 2021-02-02 | 2021-02-02 | 一种基于注意力机制的低光图像增强方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110142918.XA CN112862713B (zh) | 2021-02-02 | 2021-02-02 | 一种基于注意力机制的低光图像增强方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862713A CN112862713A (zh) | 2021-05-28 |
CN112862713B true CN112862713B (zh) | 2022-08-09 |
Family
ID=75987665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110142918.XA Active CN112862713B (zh) | 2021-02-02 | 2021-02-02 | 一种基于注意力机制的低光图像增强方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862713B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998120B (zh) * | 2022-05-17 | 2024-01-12 | 深圳小湃科技有限公司 | 暗光图像优化训练方法、智能终端及计算机可读存储介质 |
CN117011194B (zh) * | 2023-10-07 | 2024-01-30 | 暨南大学 | 一种基于多尺度双通道注意力网络的低光图像增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570381A (zh) * | 2019-09-17 | 2019-12-13 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
CN112069983A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 多任务特征融合共享学习的低光照行人检测方法及*** |
CN112131975A (zh) * | 2020-09-08 | 2020-12-25 | 东南大学 | 基于Retinex分解和生成对抗网络的人脸光照处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932471B (zh) * | 2020-07-24 | 2022-07-19 | 山西大学 | 用于低照度图像增强的双路曝光度融合网络模型及方法 |
-
2021
- 2021-02-02 CN CN202110142918.XA patent/CN112862713B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570381A (zh) * | 2019-09-17 | 2019-12-13 | 合肥工业大学 | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 |
CN112069983A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 多任务特征融合共享学习的低光照行人检测方法及*** |
CN112131975A (zh) * | 2020-09-08 | 2020-12-25 | 东南大学 | 基于Retinex分解和生成对抗网络的人脸光照处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112862713A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11882357B2 (en) | Image display method and device | |
KR102442844B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법(Method for Distinguishing a Real Three-Dimensional Object from a Two-Dimensional Spoof of the Real Object) | |
CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
CN112862713B (zh) | 一种基于注意力机制的低光图像增强方法及*** | |
KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
CN110929805B (zh) | 神经网络的训练方法、目标检测方法及设备、电路和介质 | |
CN111402146A (zh) | 图像处理方法以及图像处理装置 | |
CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
Montulet et al. | Deep learning for robust end-to-end tone mapping | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及*** | |
CN113379613A (zh) | 使用深度卷积网络的图像去噪***和方法 | |
CN114627034A (zh) | 一种图像增强方法、图像增强模型的训练方法及相关设备 | |
CN113052768B (zh) | 一种处理图像的方法、终端及计算机可读存储介质 | |
WO2023125750A1 (zh) | 一种图像去噪方法、装置和存储介质 | |
CN115526803A (zh) | 非均匀光照图像增强方法、***、存储介质及设备 | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
CN110309715B (zh) | 基于深度学习的灯具识别的室内定位方法、装置及*** | |
US11823361B2 (en) | Image processing | |
Zheng et al. | Windowing decomposition convolutional neural network for image enhancement | |
CN113870143A (zh) | 一种配电线路巡检图像增强方法及*** | |
CN111383299B (zh) | 图像的处理方法、装置及计算机可读存储介质 | |
JPWO2019023376A5 (zh) | ||
JP7146461B2 (ja) | 画像処理方法、画像処理装置、撮像装置、プログラム、および、記憶媒体 | |
GB2577732A (en) | Processing data in a convolutional neural network | |
CN113205464B (zh) | 图像去模糊模型的生成方法、图像去模糊方法和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231207 Address after: 400000, 2nd Floor, No. 27-5 Fengsheng Road, Jinfeng Town, Chongqing High tech Zone, Jiulongpo District, Chongqing Patentee after: CHONGQING BIO NEWVISION MEDICAL EQUIPMENT Ltd. Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan Patentee before: SHANDONG NORMAL University |