基于端到端双网络的低照度图像增强方法

由于环境的不确定性,捕获的图像存在亮度低、对比度低和信息丢失严重等问题,且利用现存算法增强后的图像存在曝光过度问题,不能满足计算机视觉任务的输入要求。针对此问题,提出了基于端到端双网络的低照度图像增强方法,该网络由Inception网络模块与URes-Net模块组成。首先利用Retinex理论合成低照度图像样本;然后运用双网络模型进行特征提取、特征融合与重建,根据测试集的损失不断调整参数以优化模型,最终使双网络模型具有较高的低照度图像增强能力。实验结果表明,所提方法的PSNR和SSIM的均值分别为28.659 8 dB和0.896 6,亮度、对比度显著提高,获得的图像更加符合人类视觉,优于其他先进的低照度图像增强方法。     

DenseNet生成对抗网络低照度图像增强方法

针对低照度环境下采集图像存在低信噪比、低分辨率和低照度的问题,提出了一种基于稠密连接网络(DenseNet)生成对抗网络的低照度图像增强方法.利用DenseNet框架建立生成器网络,并将PatchGAN作为判别器网络;将低照度图像传入生成器网络生成照度增强图像,同时利用判别器网络负责监督生成器对低照度图像的增强效果,通...     

基于照度与场景纹理注意力图的低光图像增强

目的 现有的低照度图像增强算法常存在局部区域欠增强、过增强及色彩偏差等情况,且对于极低照度图像增强,伴随着噪声放大及细节信息丢失等问题。对此,提出了一种基于照度与场景纹理注意力图的低光图像增强算法。方法 首先,为了降低色彩偏差对注意力图估计模块的影响,对低光照图像进行了色彩均衡处理;其次,试图利用低照度图像最小通道约束图对正常曝光图像的照度和纹理进行注意力图估计,为后续增强模块提供信息引导;然后,设计全局与局部相结合的增强模块,用获取的照度和场景纹理注意力估计图引导图像亮度提升和噪声抑制,并将得到的全局增强结果划分成图像块进行局部优化,提升增强性能,有效避免了局部欠增强和过增强的问题。结果 将本文算法与2种传统方法和4种深度学习算法比较,主观视觉和客观指标均表明本文增强结果在亮度、对比度以及噪声抑制等方面取得了优异的性能。在VV（Vasileios Vonikakis）数据集上,本文方法的BTMQI（blind tone-mapped quality index）和NIQMC（no-reference image quality metric for contrast distortion）指标均达到最优值;在178幅普通低照度图像上本文算法的BTMQI和NIQMC均取得次优值,但纹理突出和噪声抑制优势显著。结论 大量定性及定量的实验结果表明,本文方法能有效提升图像亮度和对比度,且在突出暗区纹理时,能有效抑制噪声。本文方法用于极低照度图像时,在色彩还原、细节纹理恢复和噪声抑制方面均具有明显优势。代码已共享在Github上：https://github.com/shuanglidu/LLIE_CEIST.git。     

基于相似场景的低照度监控图像增强

为了使低照度监控图像增强后的效果近似于自然光照下的图像,更有利于辨识,对基于相似场景的低照度监控图像增强方法进行研究。首先获取良好光照下,与低照度监控图像场景相似的图像,并建立图像库,从中选择最合适的图像作为参考图像;然后通过直方图匹配的方法,以参考图像为标准,对低照度图像进行增强,并用迭代增强的方法不断提高图像的清晰度;最终得到增强后的低照度监控图像。实验结果表明,该方法改善了图像的视觉效果,提高了图像的亮度和对比度。     

基于模拟多曝光融合的低照度图像增强方法

针对部分低照度图像整体亮度偏暗、对比度差和视觉信息偏弱等问题，提出一种基于模拟多曝光融合的低照度图像增强方法。首先，利用改进的变分Retinex模型和形态学的结合产生基准图来保证曝光图像集中的主体信息；其次，结合Sigmoid函数和伽马矫正构造新的光照补偿归一化函数，同时提出了一种基于高斯引导滤波的反锐化掩模算法，用于调整基准图的细节；最后，分别从亮度、色调和曝光率设计曝光图集的加权值，通过多尺度融合得到最终增强结果，有效地避免了增强结果中的光晕和颜色失真。在不同的公开数据集上的实验结果表明，与传统的低照度图像增强方法进行相比，所提方法降低了亮度失真率，提升了视觉信息保真度。该方法能够有效地保留视觉信息，有利于实现低照度图像增强的实时性应用。     

注意力机制下的多阶段低照度图像增强网络

对于低照度图像增强过程中,因图像内容重叠且部分区域亮度差异较大导致的图像细节丢失的问题,提出一个注意力机制下的多阶段低照度图像增强网络。第一阶段利用改进的多尺度融合模块对图像进行初步增强;第二阶段利用第一阶段增强后的图像信息与本阶段的输入进行级联,并将其结果作为该阶段多尺度融合模块的输入;第三阶段利用第二阶段增强后的图像信息与该阶段的输入级联,并将其结果作为该阶段多尺度融合模块的输入。这样利用多阶段的方式完成自适应的亮度提升和细节的保留。在公开数据集LOL和SICE上的实验结果表明,相较于MSR算法、灰度直方图均衡化（HE）算法和RetinexNet等算法和网络,所提网络的峰值信噪比（PSNR）的数值提高了11.0%～28.9%,结构相似性（SSIM）的数值提高了6.8%～46.5%。所提网络利用多阶段和注意力机制实现低照度图像增强,有效解决了图像内容重叠和亮度差异大的问题,得到的图像细节更丰富,纹理更清晰,主观辨识度更高。     

基于Retinex理论低照度图像增强方法的比较与策略选择

图像采集过程中,由于周围环境光照、天气(阴雨天等)及拍照物体表面采光不均匀等问题,导致图像质量降低,严重干扰了图像有效信息的提取。Retinex理论是基于人类视觉系统所建立的一种图像增强理论方法,有效解决了图像色彩信息、光照不均匀等问题。基于此,分析了低照度图像造成的原因及不足,并针对低照度图像不足的问题,总结与分析基于随机路径的Retinex算法、分段线性路径选择的Retinex算法、中心环绕的Retinex算法等几种典型Retinex图像增强研究方法模型,为后续工作奠定基础。     

基于Retinex的自适应非均匀低照度图像增强算法

非均匀低照度图像会影响目标识别跟踪的效果,为了增强非均匀低照度图像,提出一种基于Retinex理论的自适应亮度层图像增强算法。首先将图像HSI模型中I层图像分离出来;然后通过Retinex理论和多尺度引导滤波器获得I层的入射分量,根据输入图像的均值自动获取调整参数k,对入射分量的亮度进行自适应调整;最后通过主成分分析法(PCA)提取两个图像中的细节特征并进行融合。对比实验表明,该算法能有效提升非均匀低照度图像的整体亮度和细节信息,同时减少非均匀照度的影响。     

基于Retinex-UNet算法的低照度图像增强

针对Retinex应用于多种场景时,其约束和参数会受到模型容量限制的问题,提出了一种基于深度学习的低照度图像增强算法,并构建了新的网络架构Retinex-UNet（RUNet）。该架构包含图像分解网络与图像增强网络两部分,利用Retinex-Net网络思想,通过卷积神经网络（Convolutional Neural Network,CNN）学习并分解图像,将其结果作为增强网络的输入,对输入图像进行端对端训练。在增强网络中构建了基于U-Net的网络架构,其可对任意大小的图像进行增强。通过在公开数据集（LOL,SID）上验证表明,RUNet方法在效果上有所改进,尤其是整体视觉效果。     

基于神经网络的低照度真彩色图像增强

针对人类在低照度环境下的视觉难以分辨目标形态及其颜色的缺陷,提出了一种真彩色图像增强方法.通过普通摄像机分别采集理想光照环境下和低照度环境下的图像,送入神经网络进行误差反传,修改权值并完成非线性映射,测试过程采用主观和客观的评价方法.与直方图均衡化方法相比,基于神经网络的低照度真彩色图像增强方法有效且能得到了较好的增强效果.     

低照度图像增强算法的研究与实现

针对低照度图像暗且对比度低的特点，提出了一种将改进的直方图均衡化方法与改进的局部对比度增强方法相结合的低照度图像处理方法，满足了图像增强的两种要求：调节动态范围，增强局部对比度。实验表明该方法在对低照度图像处理时可以达到局部细节对比度增强和全局清晰的效果。     

基于亮度传播图的低照度图像增强算法

由于低照度图像的整体亮度比较暗、动态范围低、噪声大等特点,提出一种基于亮度传播图的低照度图像增强算法。考虑到低照度图像增强的同时也会放大噪声,因此在增强图像之前对图像进行去噪处理。使用BM3D在YCb Cr空间对图像进行去噪之后,在HSI空间对图像进行增强,利用亮度分量估计亮度传播图,利用物理模型还原低照度图像。实验表明该方法能够快速有效地提高低照度图像的整体亮度和对比度,增强图像的细节并减少噪声,得到视觉效果良好的图像。     

基于光照图估计的Retinex低照度图像增强算法

针对低照度环境下采集的图像存在对比度较低、细节丢失、噪声干扰等问题,提出一种基于Retinex的光照图估计改进算法,以实现低照度图像增强.计算R、G、B 3个颜色通道中的最大值,并用L2范数对光照进行近似,运用基于相对总变差形式的改进模型对亮通道进行平滑细化及自适应Gamma校正,并利用Retinex模型进行图像增强.在MATLAB仿真平台上对不同的低照度图像进行增强处理,实验结果表明,与Retinex-Net、SRIE等典型算法相比,该算法能有效提高图像对比度与清晰度,增强图像细节信息,使图像颜色更加鲜艳自然,视觉质量更好.     

基于光照图估计的Retinex低照度图像增强算法

针对低照度环境下采集的图像存在对比度较低、细节丢失、噪声干扰等问题,提出一种基于Retinex的光照图估计改进算法,以实现低照度图像增强.计算R、G、B 3个颜色通道中的最大值,并用L2范数对光照进行近似,运用基于相对总变差形式的改进模型对亮通道进行平滑细化及自适应Gamma校正,并利用Retinex模型进行图像增强.在MATLAB仿真平台上对不同的低照度图像进行增强处理,实验结果表明,与Retinex-Net、SRIE等典型算法相比,该算法能有效提高图像对比度与清晰度,增强图像细节信息,使图像颜色更加鲜艳自然,视觉质量更好.     

多尺度融合残差编解码器的低照度图像增强方法

在低光照环境下,由于光子数极少且噪声较大,线阵相机的感光源不能充分曝光,从而导致图像的质量下降.为此,提出一种多尺度融合的残差编解码器的低照度图像增强方法,直接学习原始传感器RAW明暗图像之间的端到端映射,在完全恢复原始图像细节和色彩的同时有效增强图像的亮度;为了增加特征多样性并加快网络训练速度,在网络结构中加入残差块;为了聚合上下文的全局多尺度特征,设计一个密集上下文特征聚合模块,以弥补网络深层缺失的空间信息.基于SID数据集,与其他10种方法进行对比实验,结果表明,所提方法在视觉效果、定量评价(PSNR和SSIM)方面都明显优于其他大部分方法,可以在恢复图像亮度的同时,有效地表示图像的边缘和色彩等,并在弱光增强下获得令人满意的视觉质量.     

基于色彩空间分解的低照度图像增强方法

针对低照度图像增强问题,提出一种基于色彩空间分解的图像增强算法.为了实现图像亮度和色彩的解耦合,将图像进行空间转换;利用中值滤波算法与Retinex算法融合以及基于OTSU处理的自适应局部直方图均衡化,分别实现了亮度分量的增强和饱和度分量的校正.分层图像合成、图像降噪处理和色彩空间的转换,确保增强图像色彩的均匀和清晰度的提高.实验结果与其他几种经典算法相比较,算法获得的增强图像细节方面更为丰富,图像的清晰度更高.     

基于迭代多尺度引导滤波Retinex 的低照度图像增强

为提高低照度图像的视觉感知,提出了基于迭代多尺度引导滤波Retinex 的低照度 图像增强算法。首先,将图像转换到YCbCr 空间;然后对Y 分量用迭代多尺度引导滤波算法 估计照度图像,以指数形式迭代增加尺度参数与平滑参数,在保持边缘的同时消除各种对比度 细节;接着用照度图像求得反射图像,并进行对比度校正;最后将图像转换到RGB 空间,得 到最终增强后的图像。实验表明,该方法能更好地估计照度图像,从而使增强后的图像视觉效 果获得明显改善。     

条件生成对抗网络的低照度图像增强方法

目的 在日常的图像采集工作中,由于场景光照条件差或设备的补光能力不足,容易产生低照度图像。为了解决低照度图像视觉感受差、信噪比低和使用价值低（难以分辨图像内容）等问题,本文提出一种基于条件生成对抗网络的低照度图像增强方法。方法 本文设计一个具备编解码功能的卷积神经网络（CNN）模型作为生成模型,同时加入具备二分类功能的CNN作为判别模型,组成生成对抗网络。在模型训练的过程中,以真实的亮图像为条件,依靠判别模型监督生成模型以及结合判别模型与生成模型间的相互博弈,使得本文网络模型具备更好的低照度图像增强能力。在本文方法使用过程中,无需人工调节参数,图像输入模型后端到端处理并输出结果。结果 将本文方法与现有方法进行比较,利用本文方法增强的图像在亮度、清晰度以及颜色还原度等方面有了较大的提升。在峰值信噪比、直方图相似度和结构相似性等图像质量评价指标方面,本文方法比其他方法的最优值分别提高了0.7 dB、3.9%和8.2%。在处理时间上,本文方法处理图像的速度远远超过现有的传统方法,可达到实时增强的要求。结论 通过实验比较了本文方法与现有方法对于低照度图像的处理效果,表明本文方法具有更优的处理效果,同时具有更快的处理速度。     

矿井井下非均匀照度图像增强算法

矿井井下视频采集过程中由于照明系统分布不均匀、环境中存在大量粉尘和雾气,导致监控画面图像存在局部光线过曝、局部亮度不足、对比度低和边缘信息弱等问题。针对上述问题,提出了一种矿井井下非均匀照度图像增强算法。该算法基于Retinex-Net网络结构改进,具体包括非均匀光照抑制模块（NLSM）、光照分解模块（LDM）和图像增强模块（IEM）3个部分：NLSM对图像中人工光源局部非均匀光照进行抑制;LDM将图像分解为光照层和反射层;IEM对图像光照层增强,经伽马校正,最终得到增强图像。在NLSM和LDM中均采用Resnet作为网络基础架构,并顺序引入了卷积注意力机制中通道注意力模块和空间注意力模块,以增强对图像光照特征关注度和特征选择的效率。实验结果表明：(1)选取MBLLEN,RUAS,zeroDCE,zeroDCE++,Retinex-Net,KinD++及非均匀照度图像增强算法对多种场景（井下运输环境场景、单光源巷道场景、多光源巷道场景、矿石场景）图像进行增强处理及定性分析,分析结果指出非均匀照度图像增强算法能够避免人工光源区域的过度增强,未在光源区域产生晕染和模糊现象,不易产生色偏,对...     

YCbCr空间分治的双分支低照度图像增强网络

目的 现有的低照度图像增强算法通常在RGB颜色空间采用先增强后去噪的方式提升对比度并抑制噪声,由于亮度失真和噪声在RGB颜色空间存在复杂的耦合关系,往往导致增强结果不理想。先增强后去噪的方式也放大了原本隐藏在黑暗中的噪声,使去噪变得困难。为有效处理亮度失真并抑制噪声,提出了一个基于YCbCr颜色空间的双分支低照度图像增强网络,以获得正常亮度和具有低噪声水平的增强图像。方法 由于YCbCr颜色空间可以分离亮度信息与色度信息,实现亮度失真和噪声的解耦,首先将低照度图像由RGB颜色空间变换至YCbCr颜色空间,然后设计一个双分支增强网络,该网络包含亮度增强模块和噪声去除模块,分别对亮度信息和色度信息进行对比度增强和噪声去除,最后使用亮度监督模块和色度监督模块强化亮度增强模块和噪声去除模块的功能,确保有效地提升对比度和去除噪声。结果 在多个公开可用的低照度图像增强数据集上测试本文方法的有效性,对比经典的低照度图像增强算法,本文方法生成的增强图像细节更加丰富、颜色更加真实,并且含有更少噪声,在LOL（low-light dataset）数据集上,相比经典的KinD++（kindling the darkness）,峰值信噪比（peak signal-to-noise ratio,PSNR）提高了3.09 dB,相比URetinex（Retinex-based deep unfolding network）,PSNR提高了2.74 dB。结论 本文提出的空间解耦方法能够有效地分离亮度失真与噪声,设计的双分支网络分别用于增强亮度和去除噪声,能够有效地解决低照度图像中亮度与噪声的复杂耦合问题,获取低噪声水平的亮度增强图像。