申请/专利权人：西安交通大学

申请日：2024-04-03

公开（公告）日：2024-06-21

公开（公告）号：CN117994161B

主分类号：G06T5/70

分类号：G06T5/70;G06N3/0464;G06N3/084;G06T5/50;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本申请公开了一种RAW格式弱光图像增强方法及装置，该方法包括：对图像数据集进行预处理得到训练数据集；构建多尺度特征提取子网络、图像域子融合网络与特征域子融合网络；提取训练数据集的多尺度特征；将多尺度特征、引导图与被引导图输入图像域子融合网络与特征域子融合网络得到图像融合结果与特征融合结果；将图像融合结果与特征融合结果进行整合得到增强结果，并建立RAW格式弱光图像增强网络；训练RAW格式弱光图像增强网络，并优化RAW格式弱光图像增强网络得到训练模型。解决了现有RAW格式弱光图像增强技术没有有效地利用图像的信息，导致网络性能有限，图像质量较低的问题。实现了在增强图像的过程中，同时减少图像噪声，恢复更多图像细节。

主权项：1.一种RAW格式弱光图像增强方法，其特征在于，包括：对图像数据集进行预处理得到训练数据集；其中，所述训练数据集包括引导图、被引导图与sRGB格式正常光照图像；所述对图像数据集进行预处理得到训练数据集，包括：将所述RAW格式正常光照图像处理为sRGB格式正常光照图像；将所述RAW格式弱光图像乘以光照倍率，并对其进行颜色通道重排得到所述引导图；将所述引导图进行滤波处理得到所述被引导图；成组的所述sRGB格式正常光照图像、所述引导图与所述被引导图构成所述训练数据集；根据所述训练数据集的图像信息构建多尺度特征提取子网络、图像域子融合网络与特征域子融合网络；通过所述多尺度特征提取子网络提取所述训练数据集的多尺度特征；其中，所述多尺度特征包括引导特征、被引导特征与共享特征；将所述多尺度特征、所述引导图与所述被引导图输入所述图像域子融合网络与所述特征域子融合网络得到图像融合结果与特征融合结果；其中，所述图像融合结果，如下： ；其中，，；式中，表示所述图像融合结果，与分别表示卷积神经网络中不同的深度卷积层，与分别表示利用深度卷积层与学习的参数学习结果，I表示所述引导图，表示第一个所述引导特征，表示第一个所述被引导特征，表示所述被引导图，和表示以和为参数的卷积神经网络，与表示卷积神经网络的参数；所述特征融合结果，如下： ，；其中，；式中，表示所述特征融合结果，即经过上采样的，表示所述特征域子融合网络中各个子模块的输出结果，表示参数为的卷积神经网络，表示由参数为的卷积神经网络和双线性插值滤波器组成的上采样模块，表示卷积神经网络的参数，表示结合了通道和空间注意力层的并联操作，为通过卷积神经网络学习的参数，表示所述引导特征，表示通过导向滤波器计算得到的参数，s表示特征域子融合网络中的子模块；将所述图像融合结果与所述特征融合结果进行整合得到增强结果，并以此建立RAW格式弱光图像增强网络；其中，所述将所述图像融合结果与所述特征融合结果进行整合得到增强结果，如下： ；式中，表示增强结果，表示神经卷积网络的参数，表示参数为的卷积神经网络，表示像素重排操作，表示并联操作，表示所述图像域子融合网络的融合结果，表示所述特征域子融合网络中第一个子模块的融合结果；利用所述训练数据集训练所述RAW格式弱光图像增强网络，并迭代优化所述RAW格式弱光图像增强网络得到训练模型。

全文数据：

权利要求：

百度查询： 西安交通大学 一种RAW格式弱光图像增强方法及装置

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