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！

龙图腾网获悉北京理工大学申请的专利基于归一化流模型的暗光图像增强方法及系统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：CN117218011B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202310951652.2，技术领域涉及：G06T5/70；该发明授权基于归一化流模型的暗光图像增强方法及系统是由付莹;张庚辰;李团设计研发完成，并于2023-07-31向国家知识产权局提交的专利申请。

本基于归一化流模型的暗光图像增强方法及系统在说明书摘要公布了：本发明提出了基于归一化流模型的暗光图像增强方法及系统，属于计算机视觉技术领域。本发明提出了一种基于Transformer的条件归一化流网络模型，该模型利用图像结构信息作为条件，并通过可逆的归一化流实现图像分解和重建。通过可逆的条件归一化流网络，将正常光图像分解为多尺度的条件特征和隐含特征。利用高维的条件特征，更充分地表达了光照无关的图像结构信息，服从正态分布的隐含特征以简单的形式表达了正常光图像的光照特征。在特征空间中隐式地对图像进行分解和重组，本方法能够恢复出光照和色彩更真实的图像增强结果。

本发明授权基于归一化流模型的暗光图像增强方法及系统在权利要求书中公布了：1.基于归一化流模型的暗光图像增强方法，包括训练阶段和使用阶段，其特征在于： 步骤1：训练阶段，使用成对的暗光正常光RGB图像来训练数据集，不断迭代优化条件归一化流网络模型参数，对最优的网络模型参数进行保存； 包括以下步骤： 步骤1.1：在输入的暗光图像中提取具有光照不变性的先验信息，包括暗光图像直方图均衡化结果、颜色图； 将这些先验信息与暗光图像在通道维度进行拼接，得到网络模型的暗光输入； 步骤1.2：使用尺度自适应Transformer模块提取多尺度的条件特征，用于表示图像中的光照无关的结构信息； 步骤1.3：使用细粒度归一化流模块，利用步骤1.2中多尺度的条件特征，将暗光输入对应的正常光RGB图像转化为多尺度的隐含特征，用于表达正常光图像中包含的光照信息； 步骤1.3实现方法如下： 细粒度归一化流模块共包含四层，每一层都包含一系列不改变数据维度的可逆变换；通过多尺度的变换，最终建立正常光RGB图像y到隐含特征之间的可逆映射； 其中，在第一层经过隐含特征转化和条件特征注入，将正常光图像y转化到隐含特征空间，此过程表示为： h1＝f1y,L1 其中，h1表示第一层的隐含特征输出，f1表示第一层的隐含特征转化和条件特征注入等归一化流操作，L1表示第一层的条件特征； 在第二层和第三层的归一化流操作中，首先将上一层的隐含特征在空间上压缩，得到h′i-1表示空间上压缩后的隐含特征；之后，利用细粒度的分离操作和归一化流操作交替进行，提取此尺度下的光照信息，并保留一部分该尺度下的多样化的隐含特征，用于表示此尺度下的光照信息；此过程表示为： 其中，Split表示在特征维度上对隐含特征进行的分离操作；Li表示第i层的条件特征；h″i-1表示第一次分离操作输出的隐含特征；Zi为第i层保留的隐含特征；hi为输出到下一层的隐含特征，用于进行进一步的特征变换；和表示隐含特征转化和条件特征注入等归一化流操作； 在第四层将第三层输出的隐含特征h3转化为最低分辨率的隐含特征Z3，此过程表示为： Z3＝f4h3,L4 其中，L4表示最后的第4层条件特征； 步骤1.4：基于最大似然估计和变量变换定理，建立正常光照图像的条件概率分布与隐含特征的正态分布之间的关系，构造约束条件归一化流网络模型训练的损失函数； 通过反向传播算法最小化损失函数，重复步骤1.1至步骤1.3迭代优化网络模型参数，并将最优模型进行存储； 步骤2：使用阶段； 首先，从暗光图像输入中提取图像结构特征，并在正态分布上采样隐含特征用于表达光照信息； 之后，利用步骤1训练阶段得到的最优模型参数，重组图像结构信息和光照信息生成增强后的正常光图像； 增强后的结果被保存，若存在真实的正常光图像作为参考，则将生成的结果与真实图进行评估。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街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。