一种基于泰勒展开近似的暗光图像增强方法与系统

本发明涉及图像处理，尤其涉及一种基于泰勒展开近似的暗光图像增强方法与系统。

背景技术：

1、在暗光、极低光照或背光等恶劣照明环境下获取的图像，往往存在着严重的质量退化问题，主要表现为可见度低、全局亮度分布不均、色彩失真、局部对比度下降以及伴随大量隐蔽噪声。这些退化问题极大地影响了人类的视觉感知，同时也严重制约了目标检测、场景分割等下游计算机视觉任务的性能。

2、近年来，基于深度学习的暗光图像增强方法取得了显著进展。然而，现有的增强网络大多遵循“黑盒”映射范式，缺乏严谨的物理和数学理论约束，导致在光照分布极不均匀的复杂场景下极易出现局部过曝或色彩失真。此外，现有网络在特征提取时，往往依赖于常规的局部卷积或受限于固定空间窗口的自注意力机制，这使得模型难以捕捉长距离的、具有相似退化规律的全局特征，导致在提高图像亮度的同时，难以兼顾高频细节（如边缘、纹理）的有效恢复和噪声抑制。

技术实现思路

1、本发明的目的在于提供一种基于泰勒展开近似的暗光图像增强方法，以解决或至少部分解决现有技术所存在的上述技术问题。

2、为实现上述发明目的，本发明第一方面提供一种基于泰勒展开近似的暗光图像增强方法，所述方法包括：

3、获取原始暗光图像，对原始暗光图像进行特征提取预处理，获得高维初始特征图；

4、建立基于泰勒展开理论的分层暗光图像增强网络，所述分层暗光图像增强网络用于将暗光增强过程解耦为零阶基础亮度校正项与高阶细节恢复项，分层暗光图像增强网络的网络架构包括基础层和高阶导数层；

5、所述基础层利用空间自适应照度映射模块，根据高维初始特征图，进行像素级的全局光照自适应调节，输出代表零阶基础亮度校正项的基础亮度特征；

6、所述高阶导数层根据基础亮度特征，利用分组transformer模块进行长程结构建模与动态范围特征提取，所述分组transformer模块以动态分组自注意力模块为核心单元，输出代表高阶细节恢复项的高阶细节特征；

7、将所述基础亮度特征与高阶细节特征进行分层特征加权融合，获取并输出最终的增强图像。

8、进一步的，所述空间自适应照度映射模块具体用于执行以下操作：

9、对高维初始特征图进行局部空间特征与全局特征的提取；

10、将所述局部空间特征与全局特征进行融合，生成增强特征；

11、将所述增强特征输入至像素注意力模块进行注意力精细化调制，获得并输出提炼特征；

12、基于所述提炼特征，对所述高维初始特征图进行自适应光照提亮与全局亮度均衡。

13、进一步的，所述对高维初始特征图进行局部空间特征与全局特征提取，具体包括：

14、利用特征提取模块通过连续卷积操作捕捉所述高维初始特征图的局部空间特征，所述局部空间特征包括局部空间结构与纹理；

15、利用池化与卷积操作提取全局感受野下的全局上下文信息，作为全局特征。

16、进一步的，所述注意力精细化调制具体包括：

17、利用1×1卷积操作和sigmoid激活函数对所述增强特征进行处理，生成与增强特征维度相匹配的三维像素级注意力权重图；

18、将所述三维像素级注意力权重图与增强特征相乘，获得提炼特征。

19、进一步的，所述基于所述提炼特征，对所述高维初始特征图进行自适应光照提亮与全局亮度均衡，具体包括：

20、根据所述提炼特征，为高维初始特征图上每一个像素位置动态映射并生成独立的伽马校正参数，获得并输出与高维初始特征图分辨率一致的参数图；

21、利用所述参数图对高维初始特征图逐像素执行非线性提亮映射操作。

22、进一步的，所述分组transformer模块具体用于执行以下操作：

23、获取输入的空间特征，经过批归一化后输入至动态分组自注意力模块，在所述动态分组自注意力模块内部按照像素强度值对空间特征进行降序排序；

24、将排序后的空间特征通过特征重塑机制，动态分割并归类到多个离散的数据分组中，所述特征重塑机制包括区间级重塑和频率级重塑；

25、基于所述数据分组，分别通过区间级重塑和频率级重塑进行动态分组自注意力计算，将不同特征重塑机制输出的自注意力特征进行元素级相乘融合；

26、将融合后的自注意力特征经过逆排序操作还原至原始空间维度，与输入的空间特征进行残差连接后，依次经过批归一化和前馈神经网络进行特征增强与映射，提取高阶细节信息。

27、进一步的，所述动态分组自注意力计算，具体包括：

28、在区间级重塑中，在不同所述数据分组之间执行自注意力机制，以提取并整合大尺度的全局信息；

29、在频率级重塑中，在各个所述数据分组内部执行自注意力机制，以提取细粒度的局部信息；

30、将所述全局信息和局部信息输出为自注意力特征。

31、进一步的，所述分层暗光图像增强网络的损失函数包括像素级恢复损失，所述像素级恢复损失使用l1范数逐像素计算输出图像与基准图像的差异，通过反向传播更新网络参数。

32、本发明第二方面提供一种基于泰勒展开近似的暗光图像增强系统，所述系统包括：

33、预处理模块，用于获取原始暗光图像，对原始暗光图像进行特征提取预处理，获得高维初始特征图；

34、网络构建模块，用于建立基于泰勒展开理论的分层暗光图像增强网络，所述分层暗光图像增强网络用于将暗光增强过程解耦为零阶基础亮度校正项与高阶细节恢复项，分层暗光图像增强网络的网络架构包括基础层和高阶导数层；

35、所述基础层用于利用空间自适应照度映射模块，根据原始暗光图像特征，进行像素级的全局光照自适应调节，输出代表零阶基础亮度校正项的基础亮度特征；

36、所述高阶导数层用于根据基础亮度特征，利用分组transformer模块进行长程结构建模与动态范围特征提取，所述分组transformer模块以动态分组自注意力模块为核心单元，输出代表高阶细节恢复项的高阶细节特征；

37、输出模块，用于将所述基础亮度特征与高阶细节特征进行分层特征加权融合，获取并输出最终的增强图像。

38、与现有技术相比，本发明的有益效果是：

39、（1）本发明通过引入泰勒展开理论作为网络架构指导，将暗光增强过程解耦为基础亮度校正与高阶细节恢复，从而打破了传统深度网络的黑盒限制，这种具有强理论解释性的架构设计使得图像的亮度调节过程更加平滑自然，能够有效防止极端暗光增强时的局部过曝现象，从根本上避免了增强结果的过曝与色彩失真；

40、（2）本发明通过在基础层构建空间自适应照度映射模块，赋予了网络强大的全局光照自适应能力，该模块使得网络能够充分结合局部和全局双重线索，并通过引入三维像素注意力机制对特征进行精细化调制，对每一个空间像素分配独立的非线性提亮权重，这种像素级的调节方式完美契合真实复杂场景中非均匀光照的分布特点；

41、（3）本发明依托高阶导数层中的分组transformer模块，具备有效的高频细节恢复与噪声抑制能力。该模块突破了传统自注意力机制在空间窗口和通道维度上的局限，实现了动态范围的长程结构建模，通过动态分组自注意力机制将图像中受相似暗光或噪声退化影响的像素联合处理，使得图像的边缘、纹理等高阶细节特征得以精准保留。