基于对称亮度映射和虚拟多曝光融合的非均匀光照图像增强

针对非均匀光照图像存在局部过暗或过亮区域而导致图像对比度低、细节不清晰和可视化效果差的问题,提出了一种基于对称亮度映射和虚拟多曝光融合的图像增强方法。该方法通过颜色空间转换保留输入图像的色度和饱和度分量并分离出亮度分量进行增强。根据相机响应模型,采用图像信息熵和平均梯度最大化原则估计最优曝光比,设计了一种对称亮度映射函数用于虚拟生成对应的最优增强曝光图像和减弱曝光图像,从而与原始亮度分量一起组成具有不同曝光的图像序列,再使用带细节提升的多曝光融合方法对该图像序列重构即得到增强结果。实验结果表明,本文方法在7个公开数据集上的图像信息熵、平均梯度、图像对比度、颜色一致性评价指标均值分别为7.644,9.209,450.683,0.962,均优于对比方法,获得了动态范围高、对比度强、细节清晰和可视化效果好的增强结果。     

结合多尺度深度学习网络和Retinex理论的低光照图像增强算法

针对低光照增强任务缺乏参考图像及现有算法存在的色彩失真、纹理丢失、细节模糊、真值图像获取难等问题,本文提出了一种基于Retinex理论与注意力机制的多尺度加权特征低光照图像增强算法。该算法通过基于Unet架构的特征提取模块对低光照图像进行多尺度的特征提取,生成高维度的多尺度特征图;建立注意力机制模块凸显对增强图像有利的不同尺度的特征信息,得到加权的高维特征图;最后反射估计模块中利用Retinex理论建立网络模型,通过高维特征图生成最终的增强图像。设计了一个端到端的网络架构并利用一组自正则损失函数对网络模型进行约束,摆脱了参考图像的约束,实现了无监督学习。最终实验结果表明本文算法在增强图像的对比度与清晰度的同时维持了较高的图像细节与纹理,具有良好的视觉效果,能够有效增强低光照图像,视觉质量得到较大改善;并与其他多种增强算法相比,客观指标PSNR和SSIM得到了提高。     

基于实景数据增强和双路径融合网络的实时街景语义分割算法

街景图像的分割在工业运用中具有十分重要的作用,但是街景图像具有种类繁多、光照多变等特点,此外,街景分割任务在追求准确性的同时要兼顾实时性,以上特点使得该任务具有很大的挑战性.本文针对这一挑战性任务提出了一个由空间路径和细节路径组成的双路径网络（Dual-path Fusion Network,DFNet）,其中细节路径利用高分辨率的输入得到丰富的边界信息,空间路径利用细节路径产生的高质量特征图获得足够多的语义信息;网络的开始嵌入了一个可训练的图像预处理模块（Image Preprocessing Module,IPM）,该模块可以使光照不同的图像进入网络正式训练之前在RGB通道上具有方差和均值的一致性;经过预处理模块之后的特征图会分别输入到细节路径和空间路径;本文提出了一个条状注意力细化模块（Attention Refinement Module,ARM）,并将其放到空间路径的最后,可以将通道级信息和局部条状信息有效结合起来;在网络的最后,利用图像融合模块（Feature Fusion Module,FFM）对两条路径的特征信息进行融合,得到最后的分割结果 .同时,本文还提出了一种基于...     

基于灰度变换及改进Retinex的低照度图像增强

针对低光照条件下拍摄的图像受光和环境的影响,其重要信息丢失严重,出现对比度低、细节模糊等问题,提出了一种基于灰度变换与改进Retinex的图像增强方法。首先采用引力搜索算法（gravitational search algorithm, GSA）优化的全局灰度变换函数对图像的RGB各通道灰度图像进行灰度变换,增强图像光照强度,使其更接近均匀光照场景;然后将图像转为HSV色彩空间,对V通道（亮度通道）采用改进的多尺度Retinex(MSR)算法处理,将基于范围的自适应双边滤波和Gabor滤波作为Retinex算法的环绕函数,结合两种滤波的特性来增强图像的亮度和细节。最后采用伽马校正避免图像融合造成的图像色偏。实验结果显示,该方法处理过的增强图像在主观和客观评价上优于其他方法,图像颜色失真较小,细节更清晰,为图像的后续应用做了铺垫。     

基于Retinex和多注意力的低光照航拍图像增强方法

针对低光照航拍图像亮度低、对比度弱、噪声多、细节缺失等问题,提出一种基于Retinex和多注意力机制的低光照航拍图像增强(MARNet)方法。首先,将低光照航拍图像分解为光照图和反射图,再将CBAM注意力机制引入噪声调整网络,让网络更加关注高噪区域,去除反射图中大量噪声;然后,设计了由上下采样结构组成的光照调整网络,引入通道注意力机制,提升光照图亮度,同时,加入区域损失函数,提高细节对比度;最后,为实现低光照近地面目标检测与跟踪,利用低光照图像合成方法,加入真实噪声,制作了一套低光照航拍配对数据集。实验结果表明,所提方法在提高图像亮度、减少噪声的同时还原了细节信息,3项性能指标PSNR,SSIM和NIQE及人类视觉感知效果均有所提升。     

基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。     

基于双通道多尺度特征提取和注意力的SAR与多光谱图像融合

图像融合的根本任务是提取图像特征,由于合成孔径雷达（Synthetic Aperture Radar,SAR）图像和多光谱（Multi Spectral,MS）图像存在通道差异,针对现有算法难以充分提取和利用SAR图像的高频细节信息和多光谱图像的低频光谱信息,融合图像存在细节丢失和光谱失真问题。本文提出了一种基于双通道多尺度特征提取和混合注意力的图像融合算法。首先采用双通道网络提取SAR和多光谱图像的多尺度高频细节特征和低频光谱特征,并连续使用不同空洞率的扩张卷积扩大感受野。然后将提取的特征映射到混合注意力模块中进行特征增强,再将这些增强特征与上采样的多光谱图像叠加。同时构建了基于光谱角度距离的损失函数,可以进一步缓解细节丢失和光谱失真。最后通过解码网络重建图像,得到高分辨率的融合图像。实验结果表明,本文算法达到了领先水平,并且融合图像在细节和光谱上保持了较好的平衡。     

基于双注意力机制的雾天图像清晰化算法研究

针对传统去雾算法容易依赖先验知识以及恢复出来的清晰图像会产生颜色失真等问题,本文提出一种基于双注意力机制的雾天图像清晰化算法。首先将雾图输入编码器,经过下采样后得到特征图像;特征提取模块将多个特征提取基本块联结在一起,每个基本块由局部残差学习和特征注意模块组成,提高图像质量以及图像特征信息的利用率,增加网络训练的稳定性;然后通过通道注意力与多尺度空间注意力并行的结构处理特征图像,使得网络更加关注细节特征,提取更多关键信息,同时提高网络效率;最后将融合后的特征图像输入解码器中,经过多级映射,得到与输入大小匹配的雾密度图。实验结果表明,不论是对合成雾天图像或者真实雾天图像,本文算法能够高效地进行去雾处理,得到更自然的清晰图像。     

基于模糊小波的光照干扰图像对比度增强方法

为了增强在光照干扰环境下图像清晰度，提出基于模糊小波的光照干扰图像对比度增强方法。提取处于光线变化和干扰状态下的图像特征，根据特征提取结果，利用小波变换对光照干扰图像去噪后，分离图像高频与低频部分，采用双边滤波器去除照射分量的低频带，采用模糊增强算法对高频带上的图像纹理边缘进行增强，结合并非完全曲线归一化方法对处理后的图像对比度增强。实验结果表明，所提方法得到的图像边缘细节丰富清晰，直方图分布更均匀，在数字图像技术方面具有极高的应用价值。     

结合空间注意力机制与多尺度分辨率融合的低光照图像增强方法

为了解决低光照条件下拍摄造成的对比度过低、颜色失真等多种图像内容退化问题,提出了一种结合空间注意力机制与多尺度分辨率融合的图像增强方法。首先基于Retinex理论,利用带有空间注意力机制的分解网络将低光照图像分解为光照图与反射图,并且在光照图中,采用伽玛校正对光照图拉伸光照对比度。然后在融合网络中,将校正过的光照图与反射图通过U-net网络,使高、低分辨率的特征图充分融合来生成最终的色泽度饱满、细节信息丰富的结果。提出的算法在LOL-dataset数据集的结构相似度指标为0.803 2,比同类最优算法高出6.37%。     

基于颜色校正的水下照明图像融合方法

针对水下照明图像存在不均匀色偏、对比度低和细节模糊等问题，提出了一种基于颜色校正的水下照明图像融合方法。首先利用图像通道间的像素相关性，对红通道进行补偿；然后基于颜色校正图像，利用非线性反锐化掩蔽（Nonlinear unsharp masking）技术获得锐度增强图像，采用具有瑞利分布的限制直方图获得全局拉伸图；最后通过多尺度融合策略生成融合图像。在自建数据集（Real underwater lighting image,RULI）上的实验结果表明：本文方法能够去除混合光照在成像过程中的不均匀散射干扰，并大幅度提高图像的细节清晰度。其图像质量评估指标（Underwater image quality measures,UIQM）和（Image entropy,IE）的平均值分别为4.7399和7.7617，优于现有文献涉及的相关算法。     

基于特征融合与自注意力机制的图像语义分割算法

提出了一种基于特征融合与自注意力机制的图像语义分割方法,设计了特征融合模块、自注意力模块、增强模块、全局空间信息融合模块和损失函数。特征融合模块融合多个图像的所有组件,通过自注意力机制来执行。自注意力模块从而有效地捕获远程上下文信息。增强模块旨在增强输入图像以获得更多样化的特征。全局空间信息注意模块相对于图像尺寸只有线性的复杂度,能够带来显著的提升效果。利用损失函数,对模型进行优化,将每个像素的分类结果优化到最接近真实值。实验结果表明,所提出的方法可以显著提高PASCAL VOC 2012数据集、COCO-Stuff 10K数据集和ISIC 2018数据集这3个数据集的性能,并在3个数据集上进行了验证,实验还通过对自注意力、推理速度和消融实验进行比较,验证了本文方法的优越性。     

基于深度学习的多帧遥感降质图像三维重建算法

为提升多帧遥感降质图像对比度以及图像质量,提出一种基于深度学习的多帧遥感降质图像三维重建算法。采用三角函数变换方法并结合高通滤波器,增强多帧遥感降质图像对比度;再以包含生成器和判别器的生成对抗网络为基础,在判别器中引入自注意力层,设计自注意力机制残差模块,生成自注意力生成对抗网络模型;最后将增强后的图像输入模型进行学习和训练,获取多帧遥感降质图像的全局特征后,实现多帧遥感降质图像三维重建。测试结果表明,所提算法具有较好的多帧遥感降质图像增强能力,能够提升图像对比度,并且渗透指数（PI）均在0.92以上,重构效果良好。     

融合边缘信息的对比度增强算法

针对红外图像中对比度低,细节不清晰,视觉效果模糊等问题,提出一种结合边缘信息的对比度增强算法。首先,使用引导滤波将原始红外图像分解为基础图像和细节图像,并且通过使用对比度限制的直方图均衡来处理基础图像,提高图像对比度,克服"过度增强"现象;利用Gamma变换处理细节图像,增强细节信息;再将处理后的两幅图像融合成图ImageSD;然后为了有效地改善ImageSD的亮度不均匀的现象,对原始图像进行自适应直方图均衡和拉普拉斯锐化滤波;最后,将两个图像进行线性加权并融合以重建出最终的红外图像。结果表明,该方法可以更好地提升原始图像的对比度,丰富细节信息。     

基于局部期望最大化注意力的图像降噪

图像降噪算法生成的图像往往会因丢失高频信息而造成细节模糊,并且随着网络的加深,噪声在特征域会不断累加。为了恢复图像降噪中生成图像的高频细节,增强网络的拟合能力和泛化能力,减少噪声在特征域的传播,本文提出了一种基于局部期望最大化注意力机制的降噪网络。网络以经典的自动编码器为基本模块以达到足够的深度,实现足够大的感受野,并滤除不必要的低频信息,促进网络学习高频信息。局部期望最大化注意力模块利用局部期望最大化算法迭代出紧凑的局部基,并在该局部基上应用注意力机制,大大降低网络复杂度。大量实验表明,本文提出的局部期望最大化注意力网络可以恢复更多的高频细节,在基准测试集BSD68上,PSNR值比当前最先进算法N~3 Net提升约0.13dB,并有更好的视觉质量。     

基于双重迭代的零样本低照度图像增强

针对低光照条件下拍摄图像质量低下的问题,该文提出一种基于双重迭代的零样本低照度图像增强方法。其外层迭代通过卷积神经网络估计增强参数,再由内层迭代进行图像增强,增强结果进一步用于计算损失函数并反馈更新外层的参数估计网络,最终通过多轮迭代生成高质量的图像。在该框架下,还设计了多尺度增强系数估计模块、基于注意力的像素级大气光估计模块,并提出了基于亮度对比度、大气光、颜色均衡以及图像平滑性先验的无监督损失函数。大量实验结果表明,该方法可有效将低光照图像增强为高质量的清晰图像,其性能优于现有的同类方法。同时该方法基于零样本学习,不需任何训练数据集,具有良好的普适性。     

动态场景下深度自监督多曝光图像融合方法

近年来,面向动态场景的多曝光图像融合技术取得重大进展.其中,基于深度学习的方法在视觉效果和运算效率上都远超传统算法,成为高动态范围成像技术的主流.然而,现有基于深度学习的融合方法都以有监督学习的方式实现,过度依赖真值图像,难以被广泛应用于实际场景中.本文提出了一个基于深度自监督学习的动态多曝光图像融合网络,主要贡献包括：设计自监督的动态多曝光融合网络框架,探索高动态范围图像与低动态范围图像序列的内在关联;提出基于注意力机制的全局去伪影模块,使用全局文本模块减少动态融合产生的运动伪影,增强图像细节;提出融合重建模块,通过残差和稠密连接实现多层次特征之间的信息流动;设计运动掩膜引导的自监督损失函数,用于网络的高效训练.实验表明,与现有方法相比,本文提出的方法在高动态范围图像重建的主观和客观质量上均表现较好,运算效率显著提升.     

一种基于SAM-MSFF网络的低照度目标检测方法

由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点,现有的目标检测算法对低照度图像的检测效果不理想.为此,本文提出一种结合空间感知注意力机制和多尺度特征融合（Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion,SAM-MSFF）的低照度目标检测方法 .该方法首先通过多尺度交互内存金字塔融合多尺度特征,增强低照度图像特征中的有效信息,并设置内存向量存储样本的特征,捕获样本之间的潜在关联性;然后,引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息,从而增强低照度图像中的目标特征,抑制背景信息和噪声的干扰;最后,利用多感受野增强模块扩张特征的感受野,对具有不同感受野的特征进行分组重加权计算,使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验,本文方法的平均精度（mean Average Precision,mAP）达到77.04%,比现有的主流目标检测方法提高2.6%～14.34%.     

融合全局-局部特征的双通道无参考图像质量评价算法研究

针对目前大多数图像质量评价（Image Quality Assessment,IQA）算法在对非均匀失真图像进行质量评估时效果不佳的问题,提出一种结合全局-局部特征的双通道无参考图像质量评价（No-Reference Image Quality Assessment,NR-IQA）算法。首先,考虑输入图像尺寸的不同,利用局部失真重组算法对输入图像进行预处理。其次,利用基于Swin Transformer模块的双通道神经网络提取图像的全局特征和局部特征。最后,通过质量回归预测网络完成全局-局部特征到图像质量分数的映射。实验结果表明,该算法在两个数据集上分别取得0.823和0.871的斯皮尔曼等级相关系数（Spearman Rank Order Correlation Coefficient,SROCC）指标值,表明所提出算法与人的主观感知较为吻合。     

复合残差网络在低照度图像增强中的技术研究

成像设备在暗光照环境下会出现对比度不高、图像细节信息丢失、颜色失真等问题,这会对视频监控、智能交通、人脸识别等应用场景产生巨大干扰。为了解决这一问题,本文提出了一种融合了注意力机制的的复合残差网络来实现对低照度图像的增强。该算法首先通过色彩空间上的转换（RGB-HSV）将亮度分量V放入构造的神经网络中,然后神经网络通过融合了注意力机制的多分支结构进行图像浅层特征的提取,接着经过复合残差网络提取深层特征,再经过图像重建得到增强后的V分量,最后通过分量融合实现图像增强。实验结果表明,对比目前国内外主流低照度图像增强算法,所提算法在主观视觉上对图像亮度与对比度有显著提升,在PSNR、SSIM指标上与传统算法的对比结果分别提升了约20%和15%,与深度学习算法的对比结果分别提升约9%和3%,不论是在人工合成的低照度图像还是真实、自然低照度图像中均有良好表现,基本满足图像增强的颜色自然、对比度和鲁棒性高等要求。