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！

龙图腾网获悉西安理工大学申请的专利全局与局部多尺度融合的红外引导低光图像增强方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119399045B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411468064.4，技术领域涉及：G06T5/60；该发明授权全局与局部多尺度融合的红外引导低光图像增强方法是由赵明华;白雪菲;都双丽;石程;胡静;王琳;吕志勇设计研发完成，并于2024-10-21向国家知识产权局提交的专利申请。

本全局与局部多尺度融合的红外引导低光图像增强方法在说明书摘要公布了：本发明公开了全局与局部多尺度融合的红外引导低光图像增强方法，属于计算机视觉技术领域，具体包括如下步骤：构建图像增强网络；构建数据集，对图像增强网络进行训练；获取同一场景下的低光照图像和近红外图像，输入训练后的图像增强网络，得到增强图像。本发明全局与局部多尺度融合的红外引导低光图像增强方法，解决了现有技术中存在的计算复杂且效果单一，以及未考虑光照提升与难以实现去噪的问题。

本发明授权全局与局部多尺度融合的红外引导低光图像增强方法在权利要求书中公布了：1.全局与局部多尺度融合的红外引导低光图像增强方法，其特征在于，具体包括如下步骤： S1：构建图像增强网络； 所述图像增强网络包括两个3×3卷积层，两个所述3×3卷积层分别连接有编码器，所述编码器包括依次连接的4个模块，依次连接的4个模块分别包括2、2、4、8个多级残差注意力特征提取模块；两个所述编码器对应模块间分别连接有全局与局部纹理注意力融合模块；其中一个编码器还连接有中间层，所述中间层包括6个多级残差注意力特征提取模块；所述中间层连接有解码器，所述解码器包括依次连接的4个模块，依次连接的4个模块分别包括2、2、2、2个多级残差注意力特征提取模块；两个解码器中第一个对应模块间的全局与局部纹理注意力融合模块连接至解码器的第四个模块，两个解码器中第二个对应模块间的全局与局部纹理注意力融合模块至解码器的第三个模块，两个解码器中第三个对应模块间的全局与局部纹理注意力融合模块至解码器的第二个模块，两个解码器中第四个对应模块间的全局与局部纹理注意力融合模块至解码器的第一个模块；所述解码器还连接有3×3卷积层； 所述多级残差注意力特征提取模块包括依次连接的2个模块，第一个模块包括依次连接的归一化层、1×1卷积层和3×3的反卷积层组成的卷积模块、门控模块、残差通道注意力模块RCAB、1×1卷积层；第二个模块包括依次连接的归一化层、1×1卷积层、门控模块、1×1卷积层；2个所述模块间引入跳跃连接；所述残差通道注意力模块RCAB包括依次连接的1个1×1卷积层、1个Prelu激活函数、1个1×1卷积层和1个通道注意力CA组成； 所述全局与局部纹理注意力融合模块，包括两个深度可分离卷积层、局部特征注意力模块、全局特征注意力模块和1个Sigmoid激活函数组成；所述深度可分离卷积层包括依次连接的1个卷积核大小为3×3、分组为通道个数C的分组卷积和1个1×1卷积层；所述局部特征注意力模块包括2个卷积块，2个所述卷积块间连接1个ReLU激活函数，2个所述卷积块分别由1×1卷积层和BN层连接组成；所述全局特征注意力模块是由2个1×1卷积层和3个3×3的3D可分离卷积层连接组成； S2：构建数据集，对图像增强网络进行训练； S3：获取同一场景下的低光照图像和近红外图像，输入训练后的图像增强网络，得到增强图像； S3.1：获取同一场景下的低光照图像和近红外图像，将低光照图像输入编码器连接有中间层的一路3×3卷积层进行初步特征提取，得到低光照浅层特征；将近红外图像输入另一路3×3卷积层进行初步特征提取，得到近红外浅层特征； S3.2：低光照浅层特征和近红外浅层特征分别输入对应编码器中，低光照浅层特征和近红外浅层特征依次通过对应编码器中的4个模块，通过3次下采样分别得到4个不同尺度下的低光照深层结构特征和近红外深层结构特征； S3.3：将经过最后一次下采样得到的低光照深层结构特征再次通过下采样后输入中间层，保留原始可见光信息； S3.4：将对应的4种不同尺度下低光照深层结构特征和近红外深层结构特征分别输入对应的全局与局部纹理注意力融合模块进行融合，得到4种不同尺度下的双模态融合特征； 将对应的不同尺度下低光照深层结构特征和近红外深层结构特征分别输入全局与局部纹理注意力融合模块进行融合得到双模态融合特征，具体过程如下： S3.4.1：将当前尺度下的低光照深层结构特征与近红外深层结构特征Fvis、Fnir，分别输入到1×1的深层可分离卷积层来减少两种模态图像的模态差异，输出特征相加得到纹理融合特征Xa，公式如下： 式中，表示经过深度可分离卷积层运算；表示经过卷积核大小为3×3、分组为通道个数C的分组卷积的卷积运算； S3.4.2：纹理融合特征Xa输入到局部特征注意力模块，特征Xa经过1个卷积块ConvBlock和1个ReLU激活函数后，再经过1个卷积块，输出局部注意力纹理融合特征XL，公示如下： 式中，表示经过卷积块ConvBlock运算；表示激活函数运算；表示BN层运算； S3.4.3：纹理融合特征Xa输入到全局特征注意力模块，特征Xa经过3×3的深度卷积dconv生成Q、K、V三个张量，通过Q，K，V全局自注意力机制后，经过1个1×1卷积层后获取全局注意力纹理融合特征Xg； 在全局自注意力机制中，将QH×W×C尺寸重塑为QHW×C，将KH×W×C尺寸重塑为KC×HW，通过张量Q、K之间的相互作用计算自注意力图AC×C，自注意力图AC×C与张量VHW×C相互作用得到输入特征outHW×C，张量重塑为outH×W×C，具体公式如下： 式中，表示自注意力运算；表示3×3的3D可分离卷积层运算；是可学习的缩放参数，用于控制矩阵K和Q相乘的大小； S3.4.4：全局与局部纹理注意力分支特征相加得到融合特征Xlg；通过Sigmoid激活函数生成全局与局部纹理注意力权重W，对低光与近红外两种模态图像的纹理注意力特征Fvis与Fnir进行权重分配，获得基于全局与局部纹理注意力融合的特征，公式如下： 式中，是可学习参数，应用于两种不同模态的全局与局部纹理融合注意力特征权重分配； S3.5：将4种不同尺度下的双模态融合特征分别输入解码器中对应的模块，并与中间层保留的原始可见光信息相加，通过上采样得到增强特征； S3.6：将增强特征输入3×3卷积层得到增强特征图，采用残差连接将增强特征图与原始低光照图像相加，得到增强图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。