[發明專利]一種Swin Unet低照度圖像增強方法

在審

• 申請號: 202110993406.4
• 申請日: 2021-08-27
• 公開（公告）號: CN113793275A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 孫幫勇;趙興運;高曉梅
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 韓玙

本發明公開了一種SwinUnet低照度圖像增強方法，步驟包括：1)構建預處理模塊，該預處理模塊的輸入為原始低照度圖像，輸出是特征圖I1；2)構建SwinUnet模塊，該SwinUnet模塊的輸入數據是步驟1輸出的特征圖I1，輸出是提取后的特征圖I2；3)構建恢復模塊，該恢復模塊的輸入數據是步驟2輸出的特征圖I2，輸出是增強后高質量無噪聲的輸出圖像。本發明的方法，能夠有效的將低照度圖像恢復到正常光照條件下獲取的圖像，并保持圖像的紋理細節以及顏色信息等。

技術領域

本發明屬于圖像處理技術領域，具體屬于RGB真彩色圖像恢復技術，涉及一種SwinUnet低照度圖像增強方法。

背景技術

隨著人們對照片質量的追求以及視頻監控領域對于低照度圖像質量需求的提高，低照度圖像增強技術一直是研究者們關注的焦點。在低照度條件下拍攝的圖像通常對比度低、噪聲大，嚴重影響了人們對圖像信息的獲取以及后續的圖像研究任務。目前，雖然通過調整攝像機的曝光時間或采用紅外攝像頭監控器能夠解決低照度問題，但攝像機購置成本價高，并對操作者有一定的技術基礎，因此當前對于低照度圖像提升往往依賴于算法來實現低照度圖像的去模糊與清晰化。

低照度圖像提升算法主要分為基于傳統理論算法和基于深度學習算法兩大類，基于傳統理論算法主要包含基于直方圖均衡化(HE)理論和Retinex理論。HE圖像增強是以累計分布函數為基礎的直方圖修改方法，將圖像直方圖調整為均衡分布以拉伸圖像動態范圍，從而提高圖像對比度。該類方法操作簡單、效率高，但生成的圖像易受偽影影響、真實感不強。而基于Retinex理論方法試圖通過將輸入圖像分解為反射分量和照明分量來照亮圖像，反射分量是場景的固有屬性，而照明分量受環境照度的影響；基于Retinex理論方法通常增強微光圖像的照明分量，以近似對應的正常光圖像。模型中的參數需人工設定，無法自適應處理圖像的多樣性，并且針對較高噪聲的圖像處理效果較差，存在局部細節曝光不足或曝光過度等情況；基于深度學習算法主要采用數據驅動方式，對于給定的低照度圖像數據集，學習樣本數據的內在規律和表示層次。盡管，基于深度學習的方法一定程度上彌補了傳統方法的不足，對某一類圖像集取得較好的增強效果，但是大多數深度學習微光增強方法嚴重依賴于數據集質量，且多假定暗光區域沒有噪聲，或者不考慮噪聲在不同照明區域的分布。實際上，以上先驗知識與真實圖像存在偏差，且完備的現實圖像數據集獲取難度大，這些都導致現有深度學習模型不能有效地抑制真實圖像噪聲，難以產生令人滿意的視覺質量。

發明內容

本發明的目的是提供一種Swin Unet低照度圖像增強方法，解決了現有技術中存在的低照度圖像低可見度、低對比度、噪聲污染和顏色扭曲的問題。

本發明所采用的技術方案是，一種Swin Unet低照度圖像增強方法，按照以下步驟具體實施：

步驟1、構建預處理模塊，該預處理模塊的輸入為原始低照度圖像，大小為H*W*3；該預處理模塊的輸出是特征圖I1，大小為H/4*W/4*96；

步驟2、構建Swin Unet模塊，該Swin Unet模塊的輸入數據是步驟1輸出的特征圖I1，大小為H/4*W/4*96；該Swin Unet模塊的輸出是提取后的特征圖I2，大小為H/4*W/4*96；

步驟3、構建恢復模塊，該恢復模塊的輸入數據是步驟2輸出的特征圖I2，大小為H/4*W/4*96；該恢復模塊的輸出是增強后高質量無噪聲的輸出圖像，大小為H*W*3。

本發明的有益效果是，能夠有效的將低照度圖像恢復到正常光照條件下獲取的圖像，并保持圖像的紋理細節以及顏色信息等。

附圖說明

圖1是本發明方法的流程框圖；

圖2是本發明方法中構建的預處理模塊的結構流程圖；

圖3是本發明方法中構建的編碼器的結構流程圖；

圖4是本發明方法中構建的SwinBlock模塊的結構流程圖；