基于多尺度动态滤波的图像增强模型

摘要

为了解决传统图像增强方法中难以同时兼顾全局平滑与局部纹理细节的问题，提出了一个基于多尺度动态滤波分解的MDFD图像增强模型。首先，利用可学习的低通滤波器和高通滤波器来分别提取图像的低频与高频图像分量；其次，结合这两种频域图像分量，提出了跨低频通道注意力融合模块（LFCA）和跨高频空间注意力融合模块（HFSA）,以实现图像全局与局部的协同增强；最后，通过引入多尺度融合策略，综合利用不同尺度下的高频和低频信息进行特征融合。多尺度融合的优点在于能够通过有效整合不同尺度上的细节和全局特征，在多个层面显著提升图像的增强效果。实验结果表明：MDFD模型在FiveK和PPR10K数据集上的验证中表现出色，其中峰值信噪比（PSNR）分别达到25.90和27.35,结构相似性指数（SSIM）分别为0.964和0.945,ΔE_ab分别为7.38和6.50。这表明MDFD模型在复杂环境和颜色丰富等场景下具有优越的图像增强性能。

关键词

图像增强 / 低通滤波 / 高通滤波 / 多尺度融合 / 频域变换