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！

龙图腾网获悉华侨大学;厦门理工学院;厦门松霖科技股份有限公司申请的专利面向智慧家庭感知的细节学习低光照图像增强方法及装置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：CN121660953B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202610182212.9，技术领域涉及：G06T5/90；该发明授权面向智慧家庭感知的细节学习低光照图像增强方法及装置是由朱建清;庄靖怡;蔡磊;萨百慧;卢伟;陈志达;陈斌;曾焕强设计研发完成，并于2026-02-09向国家知识产权局提交的专利申请。

本面向智慧家庭感知的细节学习低光照图像增强方法及装置在说明书摘要公布了：本发明公开了一种面向智慧家庭感知的细节学习低光照图像增强方法及装置，涉及图像处理领域，包括：构建基于细节学习的低光照图像增强模型并训练，得到经训练的低光照图像增强模型，低光照图像增强模型中的特征增强模块的细节学习注意力模块包括依次连接的通道细节注意力模块和空间细节注意力模块；获取智慧家庭感知设备采集到的低光照图像并输入到经训练的低光照图像增强模型，低光照图像先经过特征提取模块，得到初始图像特征；初始图像特征输入到特征增强模块，依次经过N个细节增强模块，得到第N个细节增强特征，第N个细节增强特征经过特征映射模块后与低光照图像进行残差连接，得到对应的增强图像。本发明解决低光照图像退化突出等问题。

本发明授权面向智慧家庭感知的细节学习低光照图像增强方法及装置在权利要求书中公布了：1.一种面向智慧家庭感知的细节学习低光照图像增强方法，其特征在于，包括以下步骤： 构建基于细节学习的低光照图像增强模型并训练，得到经训练的低光照图像增强模型，所述低光照图像增强模型包括特征提取模块、特征增强模块和特征映射模块，所述特征增强模块包括N个细节增强模块，并采用逐级卷积特征提取与特征跳跃连接的结构，N为正偶数且，每个细节增强模块包括依次连接的一个第一卷积模块和一个细节学习注意力模块，所述细节学习注意力模块包括依次连接的通道细节注意力模块和空间细节注意力模块，所述细节学习注意力模块的输入特征先经过所述通道细节注意力模块，得到通道增强特征，所述通道增强特征经过所述空间细节注意力模块，得到细节增强特征；所述空间细节注意力模块包括边缘检测模块、纹理检测模块、拼接层和第二卷积模块，所述第二卷积模块包括依次连接的第二卷积层和第二Sigmoid激活函数层，所述第二Sigmoid激活函数层采用Sigmoid激活函数；所述边缘检测模块包括水平边缘检测算子、垂直边缘检测算子、第三卷积层和第四卷积层，所述第三卷积层和第四卷积层均采用卷积核大小为3×3的卷积操作；所述通道增强特征分别通过水平边缘检测算子和垂直边缘检测算子，得到水平边缘响应图和垂直边缘响应图，所述水平边缘响应图和垂直边缘响应图分别经过所述第三卷积层和第四卷积层，得到水平边缘特征和垂直边缘特征，并根据所述水平边缘特征和垂直边缘特征计算得到边缘特征，如下式所示： ； 其中，表示边缘特征，表示卷积核大小为3×3的卷积操作；表示水平边缘检测算子，表示垂直边缘检测算子，为一个常数，表示通道增强特征； 所述纹理检测模块包括纹理检测算子和第五卷积层，所述第二卷积层和第五卷积层均采用卷积核大小为7×7的卷积操作；所述通道增强特征输入到所述纹理检测模块中，先经过纹理检测算子，得到纹理响应图，所述纹理响应图输入到所述第五卷积层中，提取得到纹理特征，如下式所示： ； 其中，表示纹理特征，表示卷积核大小为7×7的卷积操作，表示纹理检测算子； 所述通道增强特征、边缘特征和纹理特征经过所述拼接层后输入到所述第二卷积模块，得到空间注意力权重，如下式所示： ； 其中，表示拼接操作，表示Sigmoid激活函数，表示空间注意力权重； 将该空间注意力权重通过广播操作扩展至与所述通道增强特征相同的空间维度，并与所述通道增强特征进行逐元素相乘，得到细节增强特征，如下式所示： ； 其中，表示细节增强特征，表示逐元素相乘，表示广播操作； 获取智慧家庭感知设备采集到的低光照图像并输入到所述经训练的低光照图像增强模型，所述低光照图像先经过所述特征提取模块，得到初始图像特征；所述初始图像特征输入到所述特征增强模块，依次经过N个细节增强模块，得到第N个细节增强特征，所述第N个细节增强特征经过所述特征映射模块后与所述低光照图像进行残差连接，得到对应的增强图像。

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华侨大学;厦门理工学院;厦门松霖科技股份有限公司，其通讯地址为：362000 福建省泉州市丰泽区城华北路269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。