本技术涉及图像处理领域，特别是涉及一种图像增强方法、装置、计算机设备以及存储介质。
背景技术：
1、近年来，自动驾驶技术得到了广泛的关注和研究，研究自动驾驶技术的主要目的是实现车辆在各种环境和条件下的自主导航，为了实现这一研究目标，自动驾驶系统需要通过传感器对周围环境进行准确感知，其中，摄像头是最主要的视觉传感器，为自动驾驶系统提供了丰富的行驶场景图像信息。
2、然而，车载摄像头在低光照条件下的性能受到严重限制，在微光或低光照环境下，摄像头捕获的图像通常噪声大、对比度低且存在细节丢失问题，这使得车载摄像头采集的图像信息难以被后续的感知算法正确解析。因此，需要对车载摄像头采集的图像进行增强处理，以获取高质量的图像信息。当前，往往采用图像信号处理方法，如白平衡、色彩校正和曝光补偿方法对摄像头采集的图像进行增强处理，虽然可以在一定程度上改善图像质量，但在极端的低光照条件下仍然难以获得高质量的增强图像。同时，现有的图像增强方法大多是针对已经经过图像信号处理的rgb图像设计的，因此无法直接处理传感器输出的原始图像文件，导致图像增强处理的效率较低，且图像增强处理的成本较高。因此，如何提高图像增强处理效率，且提高增强图像的图像质量，是需要解决的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高图像增强处理效率，且提高增强图像的图像质量的图像增强方法、装置、计算机设备以及存储介质。
2、第一方面，本技术提供了一种图像增强方法，所述方法包括：
3、根据传感器采集的原始图像确定模型训练图像，并将所述模型训练图像分为模型训练集、模型验证集和模型测试集；
4、采用所述模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型；
5、通过所述模型训练集对所述目标卷积神经网络模型进行训练，确定待验证卷积神经网络模型，并通过模型验证集确定所述待验证卷积神经网络模型的模型损失函数，且确定所述模型损失函数是否小于损失函数阈值；
6、若是，则通过所述模型测试集确定所述待验证卷积神经网络模型的模型性能指标，若所述模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型；
7、根据所述图像增强模型确定待处理图像的增强图像。
8、在其中一个实施例中，采用所述模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型，包括：
9、通过原始卷积神经网络模型对所述模型训练集中的样本图像进行特征提取，确定特征图像；
10、根据所述特征图像对应的特征通道对所述特征图像进行压缩处理，确定所述特征通道的重要性系数；
11、通过所述原始卷积神经网络模型和所述重要性系数对所述特征图像进行加权处理，确定所述特征通道的权重向量；
12、将所述重要性系数和所述权重向量的乘积作为特征权值，根据所述特征权值对所述特征通道对应的特征图像进行加权处理，确定特征图像权重，基于所述特征图像权重构建所述原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型。
13、在其中一个实施例中，通过模型验证集确定所述待验证卷积神经网络模型的模型损失函数，包括：
14、根据所述待验证卷积神经网络模型对模型验证集中的短曝光图像进行图像增强处理，确定验证增强图像；
15、根据验证增强图像和模型验证集中的长曝光图像，确定所述待验证卷积神经网络模型的绝对损失函数、图像质量损失函数和感知损失函数；
16、根据所述绝对损失函数、所述图像质量损失函数和所述感知损失函数确定所述待验证卷积神经网络模型的模型损失函数。
17、在其中一个实施例中，通过所述模型测试集确定所述待验证卷积神经网络模型的模型性能指标，若所述模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型，包括：
18、通过所述待验证卷积神经网络模型对模型测试集中的短曝光图像进行图像增强处理，确定测试增强图像；
19、确定所述测试增强图像和模型测试集中的长曝光图像之间的峰值信噪比和结构相似性，将所述峰值信噪比和所述结构相似性作为所述待验证卷积神经网络模型的模型性能指标；
20、若所述峰值信噪比大于信噪比阈值，且所述结构相似性大于相似性阈值，则所述模型性能指标满足预设的性能指标条件，并确定待验证卷积神经网络模型为图像增强模型。
21、在其中一个实施例中，根据所述图像增强模型确定待处理图像的增强图像，包括：
22、通过所述图像增强模型对所述待处理图像进行特征提取，确定所述待处理图像的目标图像特征；
23、对所述目标图像特征进行增强处理，确定增强图像特征，并将所述增强图像特征映射到所述待处理图像中，确定待处理图像的增强图像。
24、在其中一个实施例中，根据传感器采集的原始图像确定模型训练图像，并将所述模型训练图像分为模型训练集、模型验证集和模型测试集，包括：
25、对传感器采集的原始图像进行图像扩充，确定样本图像；
26、对所述样本图像进行去黑电平处理、信号放大处理和像素归一化处理，确定模型训练图像。
27、在其中一个实施例中，根对传感器采集的原始图像进行图像扩充，确定样本图像，包括：
28、对传感器采集的原始图像进行图像扩充，确定待处理图像；
29、根据所述待处理图像的图像尺寸对所述待处理图像进行筛选，确定有效图像，并根据所述有效图像的图像置信度从所述有效图像中确定样本图像。
30、第二方面，本技术提供了一种图像增强装置，所述装置包括：
31、模型训练图像确定模块，用于根据传感器采集的原始图像确定模型训练图像，并将所述模型训练图像分为模型训练集、模型验证集和模型测试集；
32、模型训练模块，用于采用所述模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型；
33、损失函数确定模块，用于通过所述模型训练集对所述目标卷积神经网络模型进行训练，确定待验证卷积神经网络模型，并通过模型验证集确定所述待验证卷积神经网络模型的模型损失函数，且确定所述模型损失函数是否小于损失函数阈值；
34、图像增强模型确定模块，用于若是，则通过所述模型测试集确定所述待验证卷积神经网络模型的模型性能指标，若所述模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型；
35、增强图像获取模块，用于根据所述图像增强模型确定待处理图像的增强图像。
36、第三方面，本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
37、根据传感器采集的原始图像确定模型训练图像，并将所述模型训练图像分为模型训练集、模型验证集和模型测试集；
38、采用所述模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型；
39、通过所述模型训练集对所述目标卷积神经网络模型进行训练，确定待验证卷积神经网络模型，并通过模型验证集确定所述待验证卷积神经网络模型的模型损失函数，且确定所述模型损失函数是否小于损失函数阈值；
40、若是，则通过所述模型测试集确定所述待验证卷积神经网络模型的模型性能指标，若所述模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型；
41、根据所述图像增强模型确定待处理图像的增强图像。
42、第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
43、根据传感器采集的原始图像确定模型训练图像，并将所述模型训练图像分为模型训练集、模型验证集和模型测试集；
44、采用所述模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型；
45、通过所述模型训练集对所述目标卷积神经网络模型进行训练，确定待验证卷积神经网络模型，并通过模型验证集确定所述待验证卷积神经网络模型的模型损失函数，且确定所述模型损失函数是否小于损失函数阈值；
46、若是，则通过所述模型测试集确定所述待验证卷积神经网络模型的模型性能指标，若所述模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型；
47、根据所述图像增强模型确定待处理图像的增强图像。
48、上述图像增强方法、装置、计算机设备以及存储介质，根据传感器采集的原始图像确定模型训练图像，并将模型训练图像分为模型训练集、模型验证集和模型测试集；采用模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型；通过模型训练集对目标卷积神经网络模型进行训练，确定待验证卷积神经网络模型，并通过模型验证集确定待验证卷积神经网络模型的模型损失函数，且确定模型损失函数是否小于损失函数阈值；若是，则通过模型测试集确定待验证卷积神经网络模型的模型性能指标，若模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型；根据图像增强模型确定待处理图像的增强图像。上述方案，解决了车载摄像头在低光照条件下的性能受到严重限制，在微光或低光照环境下，摄像头捕获的图像通常噪声大、对比度低且存在细节丢失现象，导致车载摄像头采集的图像信息难以被后续的感知算法正确解析的问题，同时解决了现有的图像增强方法无法直接对传感器输出的原始图像文件进行增强处理，导致图像增强处理的效率较低，且图像增强处理的成本较高的问题。上述方案，在卷积神经网络中添加注意力机制模块，通过传感器采集的原始图像训练卷积神经网络，并通过模型验证集和模型测试集对训练后的卷积神经网络模型进行多轮测试，确保了训练得到的图像增强模型的可靠性，通过图像增强模型对传感器采集的原始图像进行增强处理，能够直接对传感器输出的原始图像文件进行增强处理，提高了图像增强处理效率，同时可以在极端的低光照条件下获得高质量的增强图像。
1.一种图像增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用所述模型训练集训练原始卷积神经网络模型中的注意力模块，确定目标卷积神经网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，通过模型验证集确定所述待验证卷积神经网络模型的模型损失函数，包括：
4.根据权利要求1所述的方法，其特征在于，通过所述模型测试集确定所述待验证卷积神经网络模型的模型性能指标，若所述模型性能指标满足预设的性能指标条件，则确定待验证卷积神经网络模型为图像增强模型，包括：
5.根据权利要求1所述的方法，其特征在于，根据所述图像增强模型确定待处理图像的增强图像，包括：
6.根据权利要求1所述的方法，其特征在于，根据传感器采集的原始图像确定模型训练图像，并将所述模型训练图像分为模型训练集、模型验证集和模型测试集，包括：
7.根据权利要求6所述的方法，其特征在于，对传感器采集的原始图像进行图像扩充，确定样本图像，包括：
8.一种图像增强装置，其特征在于，所述图像增强装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求7中任一项所述的方法的步骤。
