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！

龙图腾网获悉中国人民解放军海军特色医学中心;复旦大学申请的专利一种基于卷积神经网络和小波变换的低照度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：CN116579939B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310482074.2，技术领域涉及：G06T5/90；该发明授权一种基于卷积神经网络和小波变换的低照度图像增强方法是由刘书林;路红;谢长勇;刘勇;李科华;何值全;冉武;王俐钞;吕传禄;陆嘉文;袁履凡设计研发完成，并于2023-04-29向国家知识产权局提交的专利申请。

本一种基于卷积神经网络和小波变换的低照度图像增强方法在说明书摘要公布了：本发明属于计算机图像处理技术领域，具体为基于卷积神经网络和小波变换的低照度图像增强方法。本发明包括：1构建用于低照度图像增强的网络SWANet，包括用于第一阶段调整光照分布的网络MIANet和用于第二阶段去除残余噪声、完善细节的网络WNENet，其中使用基于注意力机制和多尺度特征的多尺度注意力融合模块、基于激发和压缩的通道注意力模块以及用于平衡空间域和频率特征的离散小波损失。2将低照度图像输入MIANet，得到初步增强的图像，再将其输入WNENet，得到最终的增强图像。通过SWANet从粗到细地增强过程，本发明能够有效调整不同区域的亮度和对比度，去除图像中的噪声，提高视觉体验。

本发明授权一种基于卷积神经网络和小波变换的低照度图像增强方法在权利要求书中公布了：1.一种基于卷积神经网络和小波变换的低照度图像增强方法，其特征在于，具体步骤为： 一构建用于低照度图像增强的网络，记为SWANet；该SWANet网络包括用于第一阶段调整光照分布的网络，记为MIANet，用于第二阶段去除残余噪声、完善细节的网络，记为WNENet；其中，使用到基于注意力机制的多尺度特征提取模块和多尺度注意力融合模块、基于激发和压缩的通道注意力模块，以及用于平衡空间域和频率特征的离散小波损失； 二第一阶段，将低照度图像输入MIANet，得到初步增强的图像；第二阶段，将初步增强的图像输入WNENet，得到最终的增强图像；形式化表述如下： I1＝MIANetI I2＝WNENetI1 其中，I,I1,I2分别表示输入图像、初步增强的图像、最终增强的图像； 步骤一中所述的MIANet网络基于UNet结构设计，包括多尺度特征提取模块和多尺度注意力融合模块两个部分； 在多尺度特征提取模块部分，输入图像依次用双线性插值进行2x、4x、8x下采样，依次得到大小为原图12,14,18的三张图像，然后将原图与三张不同尺度的图像经过一个权重共享的3x3卷积，得到4个尺度的特征；之后原图经过一个NAFBlock和1x1卷积，将输出分别送入一个用于下采样的PixelUnshuffle操作和一个3x3卷积，得到下采样特征down1和编码特征E1；第2、3个尺度的特征将自身与上一个尺度特征下采样后的结果downi-1进行串联，并依次送入一个NAFBlock和1x1卷积，将输出分别送入PixelUnshuffle下采样和一个3x3卷积，得到下采样特征downi和编码特征Eii＝2,3；第4个尺度的特征将D3与自身串联，经过1个NAFBlock和1x1卷积后，得到编码特征E4；编码特征E4通过PixelShuffle上采样，并与E3串联，然后送入一个NAFBlock和一个3x3卷积，得到解码特征D2；在第2个尺度重复上述操作，得到解码特征D2；将E1与上采样后的D2串联并送入一个NAFBlock和一个3x3卷积，得到解码特征D1； 得到多个尺度的特征信息后，将它们送入多尺度注意力融合模块，从而得到初步增强的图像I1； 步骤一中所述WNENet网络的具体工作过程如下： 对于输入图像I1，先用离散小波变换将其切割为4个频率子带，分别送入4个3x3卷积，然后将4个输出串联，并送入3x3卷积、ReLU、通道注意力模块，接着用1x1卷积调整通道数并用逆离散小波变换将特征转换成增强图片I2；在这训练过程中，采用离散小波损失进行监督训练； 所述通道注意力模块的具体工作流程如下： 先将输入特征经过一个Conv-ReLU-Conv块，然后再经过一个采用“激发-压缩”操作的逆SE块调整特征比重；逆SE块是将SE块中的通道降维8倍的操作换成通道升维128倍操作；然后与残差相加，并用1x1卷积调整通道的输出。

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中国人民解放军海军特色医学中心;复旦大学，其通讯地址为：200052 上海市长宁区淮海西路338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。