本發(fā)明涉及光學(xué)領(lǐng)域，具體來說，尤其涉及基于聯(lián)合頻域先驗引導(dǎo)擴散的零樣本低光圖像增強方法。

背景技術(shù)：

1、傳統(tǒng)的低光圖像增強手段主要依靠優(yōu)化圖像自身參數(shù)。這些方法雖在一定程度上改善圖像質(zhì)量，但手工設(shè)計的先驗信息適應(yīng)性欠佳。在復(fù)雜多變的低光場景中，難以精準(zhǔn)地對不同程度的光照不足和圖像退化進行有效處理，致使增強效果不穩(wěn)定，不同圖像之間的性能差異顯著，難以滿足實際應(yīng)用對圖像質(zhì)量一致性和穩(wěn)定性的嚴(yán)苛需求。伴隨深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展，基于該技術(shù)的低光圖像增強研究成果斐然。然而，多數(shù)研究過度聚焦于運用海量配對數(shù)據(jù)擬合現(xiàn)實光照情形。在真實世界里，獲取大規(guī)模、高質(zhì)量的配對數(shù)據(jù)困難重重，且模型的調(diào)試高度依賴特定數(shù)據(jù)集，致使模型的泛化能力嚴(yán)重受限。這意味著模型在面對真實場景中紛繁復(fù)雜、特性各異的低光圖像時，往往難以精準(zhǔn)還原圖像原本的清晰樣貌與豐富細(xì)節(jié)，極大地制約了其在實際場景中的廣泛應(yīng)用。

2、鑒于上述難題，無監(jiān)督增強方法逐漸成為研究熱點?；谏赡Ｐ吞嵘凸鈭D像感知質(zhì)量的策略贏得一定認(rèn)可，其中擴散模型脫穎而出。它憑借卓越的生成效果備受關(guān)注，并在監(jiān)督式圖像增強領(lǐng)域嶄露頭角。然而，當(dāng)將其應(yīng)用于無監(jiān)督學(xué)習(xí)的低光圖像增強時，由于光照與內(nèi)容先驗信息匱乏，在復(fù)雜多變的現(xiàn)實場景中，其增強效果大打折扣。例如，在處理未知的嚴(yán)重退化低光圖像時，難以精準(zhǔn)把握圖像的結(jié)構(gòu)與光照特征，致使生成的圖像在視覺效果上與自然圖像存在較大差距，無法達(dá)到理想的增強效果。

3、小波域和傅里葉頻域存在緊密聯(lián)系，為解決零樣本低光圖像增強難題帶來新契機。小波低頻域與傅里葉幅度均匯聚圖像光照信息，小波高頻域和傅里葉相位則承載圖像結(jié)構(gòu)信息。并且，小波分解后的低頻域相比退化圖像能實現(xiàn)更佳曝光效果，與正常圖像傅里葉幅度結(jié)合可精準(zhǔn)引導(dǎo)光照信息恢復(fù)。此外，鑒于擴散過程中高頻信息易受損，保留高頻特征有助于穩(wěn)固圖像結(jié)構(gòu)、優(yōu)化數(shù)據(jù)分布。在此基礎(chǔ)上，整合小波與傅里葉頻域構(gòu)建豐富先驗信息嵌入擴散模型，成為彌補零樣本增強光照與結(jié)構(gòu)信息缺失、提升增強效果穩(wěn)定性與質(zhì)量的關(guān)鍵突破方向。

4、針對相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、為了克服以上問題，本發(fā)明旨在提出基于聯(lián)合頻域先驗引導(dǎo)擴散的零樣本低光圖像增強方法，目的在于彌補零樣本增強光照與結(jié)構(gòu)信息缺失、提升低光圖像增強效果的穩(wěn)定性與質(zhì)量。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、基于聯(lián)合頻域先驗引導(dǎo)擴散的零樣本低光圖像增強方法，該基于聯(lián)合頻域先驗引導(dǎo)擴散的零樣本低光圖像增強方法包括：

4、s1、對低光圖像的頻域進行分解，得到低光低頻域、低光高頻域、低光低頻信息和低光高頻信息；

5、s2、利用馬爾可夫鏈結(jié)構(gòu)模型，對低光圖像進行前向擴散和反向采樣處理，并結(jié)合多模態(tài)文本監(jiān)督優(yōu)化處理結(jié)果，得到采樣結(jié)果；

6、s3、對采樣結(jié)果的頻域進行分解，得到采樣低頻域，利用傅里葉變換對采樣低頻域和低光低頻信息進行轉(zhuǎn)換處理，分別得到采樣低頻域和低光低頻信息的幅度與相位信息；

7、s4、結(jié)合采樣低頻域和低光低頻信息的幅度與相位信息及低光高頻信息，基于逆快速傅里葉變換和逆離散小波變換，通過更新采樣結(jié)果，得到圖像增強輸出；

8、所述s2包括：

9、將低光圖像輸入至馬爾可夫鏈結(jié)構(gòu)模型；

10、在低光圖像進行前向擴散處理的過程中，逐步添入高斯噪聲至低光圖像中，得到純噪聲圖像；

11、在低光圖像進行反向采樣處理的過程中，將純噪聲圖像逐步去噪，得到初步采樣圖像。

12、可選地，對低光圖像的頻域進行分解，得到低光低頻域、低光高頻域、低光低頻信息和低光高頻信息包括：

13、s11、利用離散小波變換，對低光圖像進行擴散拆分，分別得到低光圖像的低光低頻域和低光高頻域；

14、s12、根據(jù)離散小波變換變換，對低光低頻域進行擴散拆分，分別得到低光低頻域的低光低頻信息和低光高頻信息。

15、可選地，s2還包括：

16、結(jié)合多模態(tài)模型和非參考亮度控制約束，對初步采樣結(jié)果進行多模態(tài)文本監(jiān)督，最終優(yōu)化得到采樣結(jié)果。

17、可選地，前向擴散處理過程的表達(dá)式為：

18、

19、式中，q(xt|x0)表示在給定初始低光圖像x0在時刻t圖像xt的概率分布；n表示正態(tài)分布；xt表示表示在時刻t的圖像數(shù)據(jù)；表示擴散過程中的參數(shù)，控制圖像在每個時刻中所添加的高斯噪聲；表示高斯分布的協(xié)方差矩陣；i為單位矩陣。

20、可選地，反向采樣處理過程的表達(dá)式為：

21、

22、式中，表示時刻t的圖像數(shù)據(jù)得到時刻t-1圖像數(shù)據(jù)的概率分布；n表示正態(tài)分布；表示反向采樣過程中時刻t-1恢復(fù)的圖像數(shù)據(jù)；表示高斯分布的均值；表示高斯分布的協(xié)方差矩陣；i表示單位矩陣；控制協(xié)方差大小。

23、可選地，結(jié)合多模態(tài)模型和非參考亮度控制約束，對初步采樣結(jié)果進行多模態(tài)文本監(jiān)督，最終優(yōu)化得到采樣結(jié)果包括：

24、基于預(yù)訓(xùn)練多模態(tài)模型，向文本編碼器輸入預(yù)設(shè)的正提示和負(fù)提示提取文本特征向量；

25、利用圖像編碼器處理初步采樣結(jié)果提取圖像特征，并計算圖像特征與文本特征向量的相似度損失，根據(jù)相似度損失確定圖像特征與文本特征向量的差異；

26、基于圖像特征與文本特征向量的差異，結(jié)合非參考亮度控制約束優(yōu)化亮度水平學(xué)習(xí)參數(shù)，并根據(jù)語義引導(dǎo)校準(zhǔn)圖像特征空間對初步采樣結(jié)果進行優(yōu)化監(jiān)督，最終優(yōu)化得到采樣結(jié)果。

27、可選地，非參考亮度控制約束的表達(dá)式為：

28、

29、式中，lbri表示非參考亮度控制約束；表示第m個非重疊局部區(qū)域的平均強度值；m表示圖像中不同區(qū)域的數(shù)量；e表示亮度水平。

30、可選地，結(jié)合采樣低頻域和低光低頻信息的幅度與相位信息及低光高頻信息，基于逆快速傅里葉變換和逆離散小波變換，通過更新采樣結(jié)果，得到圖像增強輸出包括：

31、結(jié)合小波低頻域和傅里葉幅度信息，構(gòu)建亮度先驗；

32、結(jié)合小波高頻域和傅里葉相位信息，將低光圖像的高頻信息和相位替換采樣結(jié)果的高頻域和相位，構(gòu)建先驗迭代引導(dǎo)采樣；

33、通過對先驗迭代引導(dǎo)采樣進行多模態(tài)文本監(jiān)督，得到更新后的采樣結(jié)果；

34、結(jié)合更新后的采樣結(jié)果和低光高頻域，進行逆離散小波變換，得到圖像增強輸出。

35、可選地，先驗迭代引導(dǎo)采樣過程的表示式為：

36、

37、式中，表示先驗迭代引導(dǎo)采樣結(jié)果；idwt表示逆離散小波變換；ifft表示逆快速傅里葉變換；θ表示亮度學(xué)習(xí)因子；ampt表示采樣低頻域的幅度；ampl表示低光低頻信息的幅度；phal表示低光低頻信息的相位；表示低光高頻信息。

38、可選地，圖像增強輸出的表達(dá)式為：

39、

40、式中，ie表示圖像的增強輸出；denoise表示去噪操作；idwt表示逆離散小波變換；表示更新后的采樣結(jié)果；hl表示低光高頻域。

41、相較于現(xiàn)有技術(shù)，本技術(shù)具有以下有益效果：本發(fā)明通過結(jié)合馬爾可夫鏈結(jié)構(gòu)模型、離散小波變換、傅里葉變換及網(wǎng)絡(luò)優(yōu)化，對低光圖像進行增強，增強后的低光圖像色彩自然逼真，精準(zhǔn)還原豐富了圖像細(xì)節(jié)，視覺呈現(xiàn)契合人眼感知，于復(fù)雜低光場景可有效重建圖像視覺效果，提升視覺品質(zhì)與可辨識度，有力支撐其實際應(yīng)用價值。