一种基于小波变换的低光照图像增强方法、设备及介质

本技术涉及图像处理，特别是涉及一种基于小波变换的低光照图像增强方法、设备及介质。

背景技术：

1、图像是时间的见证者，承载着丰富的历史、文化和情感，为人类社会的发展和进步提供了珍贵的视觉记忆和思想交流。然而，由于自然光线不足、拍摄设备限制等原因，经常会产生低光照图像，这类图像往往存在可见度差、对比度低和噪声干扰等问题，不仅影响视觉感受，还对夜间人脸识别等高级视觉任务提出了挑战。

2、目前，低光照图像的增强是一个复杂而精细的过程，需要专业的技术和系统的方法，准确调整低光照图像的照明，预测图像中的结构信息，以及恢复丢失的细节，是增强低光照图像的三个关键步骤。首先，对于低光照图像的照明调整，现有的深度学习方法通常采用将图像单纯分解为rgb颜色空间的策略。然而，由于rgb颜色空间中的亮度和色度等视觉属性相互交织，这意味着只有当增强后的图像的rgb三个通道值都与参考图像的对应通道值足够接近时，才能确保亮度和颜色的一致性，这种匹配的难度较大，从而限制了照明调整的效果，使得增强结果时常会出现过曝、偏暗、色偏等问题。

3、其次，对于图像中的结构信息预测，深度卷积神经网络中的初始卷积层能够辨识简单的特征，例如边缘和纹理，但随着网络深度的增加，后续卷积层则可以学习到更复杂的特征，例如形状和物体部分。因此，现有的深度学习方法通过采用堆叠卷积层的方式来提取和把握图像的结构信息。然而，随着网络层数的增加，梯度在反向传播过程中可能会遭遇消失或爆炸的问题，这可能会影响深度卷积神经网络对结构信息的有效捕获。此外，由于卷积层的多次堆叠，也会导致一些特征被多次提取和学习，从而造成特征的冗余。

4、最后，对于图像的细节恢复，噪声放大是个常见难题。为了应对图像中的噪声，现有的深度学习方法会在网络中添加去噪模块，去噪过程的本质是对图像中的高频部分进行平滑处理，而图像的细节又恰恰包含在这些高频部分中。因此，这种处理方式往往会导致图像细节的丢失，从而使得增强后的图像出现边缘模糊和失真等现象。综上所述，现有的深度学习方法对低光照图像的处理效果较差。

技术实现思路

1、本技术实施例的目的是提供一种基于小波变换的低光照图像增强方法、设备及介质，实现了对低光照图像的有效增强。

2、为实现上述目的，本技术实施例提供了如下方案：

3、第一方面，本技术提供一种基于小波变换的低光照图像增强方法，所述基于小波变换的低光照图像增强方法包括：

4、获取待处理图像；所述待处理图像至少包括平均亮度低于80坎德拉每平米的图像；

5、确定图像增强模型；所述图像增强模型包括：第一卷积模块、照明调整模块、结构预测模块、细节修复模块和降维激活模块；

6、利用所述第一卷积模块对所述待处理图像进行初步特征提取，得到待处理图像特征；

7、利用所述照明调整模块对所述待处理图像的明度通道进行高阶曲线迭代调整，得到多通道照明图；

8、利用所述结构预测模块对所述待处理图像特征和所述多通道照明图进行多分支多尺度的特征提取和融合，得到结构预测图；

9、利用所述细节修复模块对所述结构预测图进行双向小波变换分解、空间和通道注意力机制赋权以及逆双向小波变换重建后，得到细节修复图；

10、利用所述降维激活模块对所述细节修复图进行性能激活和维度降低，得到所述待处理图像的增强图像。

11、可选地，所述照明调整模块包括：多层感知机模块、高阶曲线模块和第二卷积模块；利用所述照明调整模块对所述待处理图像的明度通道进行高阶曲线迭代调整，得到多通道照明图，具体包括：

12、从所述待处理图像的明度通道中提取表征待处理图像全局信息的直方图；

13、将所述直方图输入所述多层感知机模块得到用于高阶曲线迭代调整的系数集；

14、基于所述系数集，利用所述高阶曲线模块对所述直方图进行迭代调整，得到单通道照明图；

15、利用所述第二卷积模块对所述单通道照明图进行通道提升，得到多通道照明图。

16、可选地，所述结构预测模块包括多个不同尺度的感知特征提取分支和第三卷积模块；利用所述结构预测模块对所述待处理图像特征和所述多通道照明图进行多分支多尺度的特征提取和融合，得到结构预测图，具体包括：

17、将所述待处理图像特征和所述多通道照明图按通道拼接后，并行输入多个不同尺度的感知特征提取分支，得到各感知特征提取分支上的尺度感知特征；

18、将所有感知特征提取分支上的尺度感知特征按通道拼接后，输入所述第三卷积模块进行特征融合得到结构预测图。

19、可选地，所述细节修复模块包括：双向小波变换模块、注意力赋权模块和尺度重建模块；利用所述细节修复模块对所述结构预测图进行双向小波变换分解、空间和通道注意力机制赋权以及逆双向小波变换重建后，得到细节修复图，具体包括：

20、利用所述双向小波变换模块对所述结构预测图进行分解，得到小波特征图；

21、利用所述注意力赋权模块对所述小波特征图采用空间注意力机制和通道注意力机制的赋权调整，得到空间通道融合特征；

22、将所述小波特征图与所述空间通道融合特征拼接得到注意力融合特征；

23、利用尺度重建模块对所述注意力融合特征进行逆双向小波变换，得到重建特征图；

24、将所述重建特征图和所述结构预测图拼接后得到细节修复图。

25、可选地，所述系数集的计算公式为：

26、

27、式中，{α0，α1，…，αt}为系数集，αt为系数集中的第t个系数，g(·)为多层感知机，为明度通道，μ为期望亮度值，表示提取直方图信息。

28、可选地，所述高阶曲线模块中的迭代公式为：

29、

30、式中，αk为系数集中的第k个系数，为第k次迭代的明度通道，为第k+1次迭代的明度通道，t为最大迭代次数。

31、可选地，每个感知特征提取分支上均设置有k×k卷积核模块和分支加权模块；所述尺度感知特征的计算公式为：

32、

33、式中，safe(·，·，·)为尺度感知特征提取函数，为多通道照明图，if为待处理图像特征，k为卷积核的尺度，r(·)为分支加权模块，fk(·)表示k×k卷积核的卷积操作，表示逐层累加操作。

34、可选地，所述结构预测图的计算公式为：

35、

36、式中，ispm为结构预测图，fusion(·)为第三卷积模块，n为感知特征提取分支的数量，∑表示不同尺度感知特征的拼接操作，safe(·，·，·)为尺度感知特征提取函数，为多通道照明图，if为待处理图像特征，k为卷积核的尺度。

37、第二方面，本技术还提供一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的基于小波变换的低光照图像增强方法。

38、第三方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于小波变换的低光照图像增强方法。

39、根据本技术实施例提供的具体实施例，本技术公开了以下技术效果：

40、因为hsv颜色空间的v通道(明度通道)能够有效表示图像的亮度信息，故本技术的照明调整模块从待处理图像中提取明度通道来提高图像整体亮度，并采用高阶曲线迭代的方式调整明度通道，使其更准确地捕捉待处理图像中的复杂非线性关系。其次，本技术的结构预测模块采用多分支多尺度的特征提取和融合方式，利用不同尺寸的卷积核有效捕捉待处理图像的全局上下文信息和局部细节信息，保证了待处理图像的结构完整性。最后，本技术的细节修复模块中利用双向小波变换去除了待处理图像中的噪声并实现了图像细节和轮廓的增强，同时，还利用空间和通道注意力机制增强了待处理图像的特定高频部分，抑制了特定频率小波系数以减轻噪声影响。通过上述三方面的改进，本技术实现了对低光照图像的有效增强。