买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：四川大学

摘要：本发明属于图像处理技术领域，公开了一种基于注意力机制的微光图像增强网络模型，该模型包括图像分解模块，获取原始图像并将原始图像分解为反射图和照明图；反射恢复模块，对反射图和照明图进行恢复处理获得恢复特征图；照明调节模块，对照明图做照明调节获取照明特征图；图像输出模块，将恢复特征图和照明特征图合并后输出微光增强图像。本发明采用多尺度自适应注意力机制完成颜色和纹理的恢复，局部和全局注意力关联机制增强低光图像中暗区域的细节恢复，全局注意力捕获输入特征图的全局信息，有助于模型更好地理解整体场景；局部注意力用于突出显示输入特征中的暗部细节，使其更加清晰可见。

主权项：1.一种基于注意力机制的微光图像增强网络模型装置，其特征在于，包括：图像分解模块，获取原始图像并将原始图像分解为反射图和照明图；反射恢复模块，将反射图和照明图恢复成恢复特征图；它包括依次连接第一卷积+ReLU层和第一注意力模块、以及依次连接的第一卷积+sigmoid层和第二注意力模块；第一注意力模块和第二注意力模块均与拼接模块连接，拼接模块后依次连接有第二卷积+ReLU层、第三卷积+ReLU层、第三注意力模块、第四卷积+ReLU层、第五卷积+ReLU层、第四注意力模块、第六卷积+ReLU层、第七卷积+ReLU层、第五注意力模块、第八卷积+ReLU层、第九卷积+ReLU层、第六注意力模块、第十卷积+ReLU层、第三卷积层和sigmoid层，反射图经过第一卷积+ReLU层和第一注意力模块后输入至拼接模块，照明图经过第一卷积+sigmoid层和第二注意力模块后输入至拼接模块，拼接模块将反射图和照明图拼接后依次经过第二卷积+ReLU层、第三卷积+ReLU层、第三注意力模块、第四卷积+ReLU层、第五卷积+ReLU层、第四注意力模块、第六卷积+ReLU层、第七卷积+ReLU层、第五注意力模块、第八卷积+ReLU层、第九卷积+ReLU层、第六注意力模块、第十卷积+ReLU层、第三卷积层以及sigmoid层后输出恢复特征图；照明调节模块，对照明图做照明调节获取照明特征图；图像输出模块，将恢复特征图和照明特征图合并后输出微光增强图像；其中，第一注意力模块至第六注意力模块的结构相同，所述注意力模块包括多尺度自注意模块、局部注意力模块和全局注意力模块，所述多尺度自注意模块包括通道自注意模块和空间自注意模块，通道自注意块首先对特征图进行多分支分离卷积层，输入的特征图由三个平行卷积层处理获得具有不同感受野的三个特征图，三个特征图两两组合得到三个新的特征图，新的特征图分别通过全局平均池得到整个特征图的全局平均值特征图，全局平均值特征图输入全连接层后通过BN层和ReLU层以产生新的特征图；将三个新的特征图再次通过全连接层、sigmoid激活函数以获得通道注意力图，最后融合三分支结果得到通道自注意模块的输出结果；对原始特征图使用1×1卷积层，得到卷积层特征图，将卷积层特征图与通道注意力特征图相加一起作为空间自注意块的输入，结合通道注意力处理后的特征和空间注意力特征使用1×1卷积层和sigmoid激活函数生成空间注意力权重，空间注意力权重与通道注意力增强的特征相乘，以突出特定空间区域的特征，使用空间张量复制调整权重维度，使其与原始特征相匹配，再进行元素相乘获的空间注意力权重图；使用空间注意力权重图对和进行加权，最后通过一个1×1的卷积层和批量归一化完成特征的融合，得到空间自注意力特征图；所述局部注意力模块用于突出显示输入特征中的暗部细节，首先通过三层卷积层逐步提取输入图像的特征，保持特征图的空间维度不变，得到特征图，然后通过sigmoid激活函数，生成一个具有相同空间维度但只有一个通道的注意力图；将注意力图与输入特征图相乘得到特征图；然后将原始输入特征图和经过注意力加权的数据沿着通道维度进行合并，同时保留原始特征和经过重点强调的特征，得到特征图，最后通过一个卷积层对合并后的特征图进行处理，最后通过ReLU激活函数产生输出局部注意力图；所述全局注意力模块用于捕获输入特征图的全局信息；首先对输入特征进行全局平均池化GAP操作，得到整个特征图的全局平均值；再使用两个全连接层进行特征转换；第一个全连接层将全局平均池化后的特征进行降维，将特征维度缩小为原始特征维度的116；第二个全连接层将第一个全连接层的输出映射回原始特征维度，通过softmax激活函数得到注意力权重n；最后将注意力权重与输入的特征图相乘后得到加权后的全局注意力图；全局注意力模块输入的特征图为多尺度自注意模块输出的空间自注意力特征图；全局注意力模块输出的特征图与局部注意力模块输出的特征图组合后输出特征图。

全文数据：

权利要求：

百度查询： 四川大学 基于注意力机制的微光图像增强网络模型