| 基于无监督学习的低照度图像增强算法 |
| |
| 引用本文： | 苏赋,敬梁,罗仁泽,王龙业,张凯信,方东. 基于无监督学习的低照度图像增强算法[J]. 光电子．激光, 2023, 34(10): 1036-1046 |
| |
| 作者姓名： | 苏赋 敬梁 罗仁泽 王龙业 张凯信 方东 |
| |
| 作者单位： | 西南石油大学 电气信息学院，四川 成都 610500,西南石油大学 电气信息学院，四川 成都 610500,西南石油大学 电气信息学院，四川 成都 610500,西南石油大学 电气信息学院，四川 成都 610500,西南石油大学 电气信息学院，四川 成都 610500,西南石油大学 电气信息学院，四川 成都 610500 |
| |
| 基金项目： | 国家科技重大专项(2017ZX05019003-002)资助项目 |
| |
| 摘 要： | 针对目前低照度图像增强算法存在恢复细节丢失、网络复杂度高和配对数据集获取难度大等问题，提出了一种基于无监督学习的图像增强算法。在YIQ色彩空间中，通过构建的轻量化网络和幂指函数计算亮度通道Y的增强曲线，从而获得曝光较差区域增强和高光区域遏制的图像。该网络使用的无参考损失函数可以隐式地评估图像增强质量并驱动网络学习。实验对比结果表明，该算法在可训练参数和模型权重仅占9.5 k/88 kB的情形下，在视觉效果与图像质量指标上都取得了具有竞争力的结果。
|
| 关 键 词： | 低照度图像增强 增强曲线 无监督学习 轻量级网络 |
| 收稿时间： | 2022-05-25 |
| 修稿时间： | 2022-08-08 |
Low-light image enhancement algorithm based on unsupervised learning |
| |
| SU Fu,JING Liang,LUO Renze,WANG Longye,ZHANG Kaixin and FANG Dong. Low-light image enhancement algorithm based on unsupervised learning[J]. Journal of Optoelectronics·laser, 2023, 34(10): 1036-1046 |
| |
| Authors: | SU Fu JING Liang LUO Renze WANG Longye ZHANG Kaixin FANG Dong |
| |
| Affiliation: | College of Electrical Information, Southwest Petroleum University, Chengdu, Sichuan 610500, China,College of Electrical Information, Southwest Petroleum University, Chengdu, Sichuan 610500, China,College of Electrical Information, Southwest Petroleum University, Chengdu, Sichuan 610500, China,College of Electrical Information, Southwest Petroleum University, Chengdu, Sichuan 610500, China,College of Electrical Information, Southwest Petroleum University, Chengdu, Sichuan 610500, China and College of Electrical Information, Southwest Petroleum University, Chengdu, Sichuan 610500, China |
| |
| Abstract: | An image enhancement algorithm based on unsupervised learning is proposed,aim at the problems of low illumination image enhancement algorithms,suffering from loss of recovery details,high network complexity,and difficulty obtaining paired data sets.In YIQ color space,the enhancement curve of luminance channel Y is calculated by the constructed lightweight network and power index function to get the image of the enhancement of the poorly exposed area and the containment of the high light area.The no-reference loss function used in this network can implicitly evaluate image enhancement quality and drive network learning.Experimental results show that the proposed algorithm achieves competitive results regarding visual effects and image quality when the trainable parameters and model weight only account for 9.5 k/88 kB. |
| |
| Keywords: | |
|
| 点击此处可从《光电子．激光》浏览原始摘要信息 |
|
点击此处可从《光电子．激光》下载全文 |
|
