一种基于小波变换的多尺度Transformer-Unet低光图像的增强方法

技术特征：

1.一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤1中，给定一个低光图像，使用卷积神经网络对其进行增强处理，提取出低光图像的光照特征flight、浅层特征f0、以及梯度特征fgradient的具体步骤如下：

3.根据权利要求1所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤2中，将浅层特征f0和梯度特征fgradient作为transformer-unet网络的输入，得到中级增强图像ipe的具体步骤如下：

4.根据权利要求3所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤2.1中，对浅层特征f0使用transformer块进行rgb域的特征学习，得到中间层特征f1，具体公式为：

5.根据权利要求3所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤2.2中，将中间层特征f1使用haar小波分解后转换到小波域，使用梯度特征fgradient作为指导并与梯度特征fgradient融合，采用堆叠的多个transformer块进行特征学习，得到中间层特征f2，具体公式为：

6.根据权利要求3所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤2.3中，使用卷积进行2倍下采样，使用梯度特征fgradient作为指导与下采样结果进行融合，并采用堆叠的多个transformer块进行特征学习，得到中间层特征f3，具体公式为：

7.根据权利要求3所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤2.4中，使用卷积进行2倍下采样，使用梯度特征fgradient作为指导与与下采样结果进行融合，并采用级联的多个transformer块进行特征学习，得到中间层特征凡，的具体公式为：

8.根据权利要求1所述的一种基于小波变换的多尺度transformer-unet低光图像的增强方法，其特征在于：在步骤3中，使用光照特征flight作为光照微调的指导，对中级增强图像ipe进行光照微调，得到目标曝光图像，具体过程下：

技术总结
本发明公开了一种基于小波变换的多尺度Transformer‑Unet低光图像的增强方法，包括以下步骤：步骤1、给定一个低光图像，使用卷积神经网络对其进行增强处理，提取出低光图像的光照特征F<subgt;light</subgt;、浅层特征F<subgt;0</subgt;、以及梯度特征F<subgt;gradient</subgt;，步骤2、将浅层特征F<subgt;0</subgt;和梯度特征F<subgt;gradient</subgt;作为Transformer‑Unet网络的输入，得到中级增强图像I<subgt;PE</subgt;，步骤3、使用光照特征F<subgt;lighe</subgt;作为光照微调的指导，对中级增强图像I<subgt;PE</subgt;进行光照微调，得到目标曝光图像。本发明克服了卷积神经网络计算的局限性，弥补了Transformer块对低光图像中局部信息的忽视，最终得到正常曝光、细节完善的目标曝光图像，不仅保证了低光图像的细节信息，还实现了低光图像的光照增强，能够适应目标追踪等高层视觉任务的执行。

技术研发人员：余小兵,陆晨阳,詹天明,王晨云,吴华朋,戴然臣
受保护的技术使用者：南京审计大学
技术研发日：
技术公布日：2024/10/31